Due settimane fa, qui al bancone, ti ho fatto vedere una scrivania.

Ti ho detto: prendi tutto quello che hai sugli scaffali dello studio e mettilo sopra. Adesso hai tutto a portata di mano, in teoria sei più potente che mai. In pratica non trovi più niente, ogni cosa che cerchi te ne fa spostare altre dieci, e alla fine della giornata sei stanco senza aver concluso.

Quella scrivania non era una metafora.

Non stavo descrivendo te che non trovi più i tuoi documenti. Stavo descrivendo, parola per parola, quello che succede dentro il modello quando la conversazione si allunga. Solo che l’ho scritto convinto di stare parlando di soldi.

Ecco cosa non ti ho detto, perché non lo sapevo abbastanza bene per dirtelo: la conversazione lunga non ti costa soltanto di più. Ti risponde anche peggio. E questa seconda cosa è molto più cara della prima, perché il conto almeno lo vedi.

Hanno testato 18 fra i modelli migliori al mondo. Degradano tutti al crescere della conversazione. Nessuno escluso, nemmeno gli ultimi usciti, nemmeno quelli venduti per reggere un milione di parole.

E il modello non te lo dice mai.

Oggi ti do la seconda lista di regole. Quella che non serve a farti pagare meno, ma a non farti rispondere peggio. Scoprirai che in tre punti dice l’opposto esatto di quella di due settimane fa, e che quei tre punti sono esattamente quelli su cui stai sbagliando adesso.

☕ Tazza in mano. Si parte.

Fonti della puntata:

• https://arxiv.org/abs/2605.12366

• https://www.tmls.nyc/research/context-rot-mechanistic

• https://www.producttalk.org/context-rot/

• https://aclanthology.org/2024.tacl-1.9/

• https://arxiv.org/abs/2307.03172

• https://github.com/chroma-core/context-rot

• https://www.morphllm.com/context-rot

• https://www.trychroma.com/research/context-rot

  Iscriviti ora

  

E tu, sai davvero quale è il tuo livello AI?

Prima di scendere, una cosa veloce.

Tutto quello che leggi qui sotto pesa in modo diverso a seconda di come già lavori con l’AI. Chi le riscrive i vincoli a mano a ogni chat ha un problema. Chi si è costruito un sistema che glieli tiene ne ha uno molto più piccolo, e spesso non lo sa.

Per questo abbiamo costruito il Collaudo: due minuti e mezzo, nessun “procedi” da cliccare, e alla fine un referto che ti dice a che livello sei davvero, misurato e non dichiarato, su una scala di 8, da Spettatore ad Architetto. Le cinque cose che misura sono le stesse cinque che decidono quanto il context rot ti sta rovinando le risposte, oggi, senza che tu te ne accorga.

Non è un test per farti sentire bravo. È scomodo apposta: ti dice il primo pezzo che ti manca e tre mosse concrete per costruirlo, una per oggi, una per questa settimana, una per il mese. È gratis, e da lì si entra nella community dove questa roba si fa tutto l’anno, non una volta a settimana.

Fai il test qui: https://playground.morfeushub.com/gate

☕ Poi torniamo al bancone.

SCOPRI A CHE LIVELLO SEI

💡 Pensiero del giorno

Un collega che non ha letto il documento te lo fa capire.

Il modello no: ha smesso di guardare, e continua a rispondere con la faccia di uno che ha guardato.

🧪 AI in azione

#1: Non legge peggio. Guarda di meno.

Partiamo dal meccanismo, perché senza quello tutto il resto sono aneddoti.

L’ultima volta ti ho spiegato che il modello non ha memoria: ha una finestra di contesto, e quella finestra viene riempita da capo a ogni turno. Vero, e serviva a capire il conto. Ma è mezza spiegazione, e la metà mancante è quella che ti costa il lavoro.

Perché quella finestra non è una scatola. È una superficie su cui il modello deve distribuire una quantità di attenzione che non cresce insieme alla dimensione.

Pensa a un cameriere bravo. Tre tavoli: sa chi ha ordinato cosa, si ricorda che al 2 la signora è allergica alle noci, arriva col conto prima che glielo chiedi. Adesso dagli 40 tavoli. Stesso cameriere, stessa bravura, stessa testa. Ma lo sguardo che ha è quello, e adesso deve spalmarlo su 40 tavoli invece che su 3.

Non è diventato scemo. Gli si sta richiedendo troppo.

Ecco: la finestra di contesto è il numero di tavoli che gli puoi assegnare. L’attenzione è quanto sguardo ha da dare a ognuno. Sono due numeri diversi, e i fornitori te ne dichiarano uno solo.

A luglio 2025 il team di ricerca di Chroma ha preso 18 modelli fra i migliori sul mercato, Claude 4, GPT-4.1, Gemini 2.5, Qwen3 e varianti, e li ha messi alla prova facendo una cosa semplice: la stessa identica domanda, con la stessa identica risposta nascosta dentro, ma dentro contesti sempre più lunghi. Il risultato è che degradano tutti e 18. E degradano anche su compiti talmente banali che a un umano verrebbe da ridere.

Il token numero 100 e il token numero 100.000 non ricevono la stessa attenzione. Mai.

E c’è un secondo effetto, misurato nello stesso studio, che è messo peggio del primo. Non serve che tu gli dia roba inutile per confonderlo: basta che tu gli dia roba che ci assomiglia. Un paragrafo che parla di qualcosa di vicino a quello che cerchi, ma non è quello, non viene semplicemente ignorato. Lo porta fuori strada.

Qui succede la cosa più scomoda da gestire nella pratica: i modelli non sbagliano tutti allo stesso modo. Nello studio, Claude tende ad astenersi quando è in dubbio, i GPT tendono a risponderti sbagliato con la faccia di chi è sicurissimo, Gemini a un certo punto comincia a tirare fuori parole che nel testo non c’erano proprio.

Quindi quando leggi che è uscito il modello che regge un milione di parole, quello che hai appena comprato è lo spazio. Lo sguardo è rimasto quello di prima, e adesso deve coprire molto di più.

È il motivo per cui la reazione istintiva a questo problema, “allora prendo quello con la finestra di contesto più grande”, non solo non funziona: peggiora le cose.

Una finestra più grande è un permesso a metterci dentro di più, e ogni cosa che metti dentro è un tavolo in più assegnato allo stesso cameriere.

Iscriviti ora

#2: C’è un punto preciso dove si perde, ed è il centro

La domanda ovvia, a questo punto, è: va bene, guarda di meno. Ma di cosa smette di accorgersi per primo?

Nel 2024 un gruppo di ricercatori di Stanford guidato da Nelson Liu ha pubblicato uno studio diventato famoso col nome di Lost in the Middle.

L’esperimento è di una semplicità disarmante: prendi un mucchio di documenti, nascondi dentro uno di questi la risposta alla domanda, e poi rifai la stessa prova spostando ogni volta il documento giusto in una posizione diversa. Prima all’inizio. Poi al secondo posto. Poi a metà. Poi verso il fondo. Poi in ultima posizione.

Se il modello leggesse davvero tutto, la posizione non dovrebbe contare niente.

La posizione conta moltissimo. Il grafico che ne esce ha la forma di una U: prestazioni alte quando l’informazione sta all’inizio, prestazioni alte quando sta alla fine, e un crollo largo e profondo in mezzo. Il modello trova quello che gli hai messo ai bordi e perde quello che gli hai messo al centro.

E qui arriva la parte che dovrebbe farti alzare un sopracciglio: succede anche ai modelli costruiti apposta per i contesti lunghi. Non è un difetto dei modelli vecchi che il prossimo aggiornamento sistemerà. È una proprietà di come funziona l’attenzione, e gli autori la scrivono nero su bianco: i modelli attuali non usano in modo robusto l’informazione nei contesti lunghi.

Hai una conversazione da 40 messaggi su un lavoro importante.

Dove si perderà l’AI?

Quasi sempre a metà. Non all’inizio, perché all’inizio stavi ancora inquadrando il problema. Non alla fine, perché alla fine stavi già chiedendo il risultato. L’hai detto nel mezzo, nel momento esatto in cui ti è venuto in mente.

Che è, statisticamente, il posto peggiore del mondo dove metterlo.

E se vuoi la prova senza leggerti nessuno studio, ce l’hai già in mano, ci sei passato la settimana scorsa. Chiedi a un modello di riassumerti un documento lungo: viene bene, quasi sempre, perché per riassumere gli basta lo sguardo largo. Adesso chiedigli di trovarti dentro lo stesso identico documento una singola condizione precisa. La risposta comincia a oscillare in un modo che non ti sai spiegare: a volte perfetta, a volte inventata di sana pianta, a volte quasi giusta, che è la peggiore di tutte.

Iscriviti ora

#3: Non alza mai la mano

Adesso arriviamo al punto per cui vale la pena leggere tutto il resto.

Ogni strumento che hai usato in vita tua, quando smette di funzionare bene, te lo fa capire. Il computer rallenta.

La macchina fa un rumore.

Il collega che non ha letto il documento comincia a rispondere vago, a rigirare la domanda, a dire “sì sì, dicevi?”.

Sono tutti segnali. Sono imprecisi, ma esistono, e tu ci hai costruito sopra tutto il tuo modo di controllare il lavoro degli altri.

Il modello in stato di sovraccarico non ne emette nessuno.

Non rallenta. Non si scusa. Non mette un punto interrogativo.

Non scrive “guarda, questa conversazione è diventata lunga, potrei essermi perso qualcosa”. Ti risponde con lo stesso identico tono con cui ti rispondeva al terzo messaggio.

Ti ricordi la riga di prima sui GPT, quelli che sbagliano con la faccia di chi è sicuro? Ecco: quella non è una stranezza da laboratorio. È la forma normale in cui questo problema arriva sulla tua scrivania.

A maggio di quest’anno è uscito uno studio che misura esattamente questo.

Sam Martin e Fabien Roger hanno preso dei modelli e li hanno messi a fare i sorveglianti: dovevano leggere quello che combinava un altro sistema automatico e alzare la mano quando succedeva qualcosa di pericoloso.

Poi hanno spostato il momento dell’azione pericolosa sempre più avanti nel tempo. Quando quell’azione arriva dopo circa 800.000 parole di attività normale, i modelli, e parliamo dei più capaci in circolazione, se la lasciano sfuggire dalle 2 alle 30 volte più spesso rispetto a quando arriva subito.

Stesso modello. Stessa cosa da trovare. Stessa capacità dichiarata. Solo più roba intorno.

E la conclusione degli autori è la riga che mi ha tenuto sveglio: le valutazioni che ignorano questa debolezza sovrastimano quanto bene funzioni davvero la sorveglianza. Cioè: non solo il controllo fallisce, ma i test che dovrebbero dirti se il controllo funziona ti dicono di sì.

Tu il lavoro dell’AI lo controlli. Certo che lo controlli. Ma come lo controlli? Leggendo il risultato e vedendo se ti convince. E il risultato ti convince, perché è scritto bene, ha il tono giusto, cita le cose giuste. Quello che non puoi vedere leggendo è cosa non ha guardato per scriverlo.

C’è un motivo tecnico per cui questa cosa è più cattiva dell’errore di cui parlano tutti. Quando un modello si inventa un dato, prima o poi lo becchi: il numero non torna, il nome non esiste, la citazione non si trova. L’invenzione lascia tracce.

L’omissione no. Non c’è niente da controllare, perché la cosa mancante non è scritta da nessuna parte. Non hai un pezzo sbagliato da smontare: hai un pezzo che non c’è, in un testo che sembra completo.

Il controllo che fai è sul prodotto. Il difetto sta nel processo. Sono due posti diversi, e tu stai guardando quello sbagliato.

Iscriviti ora

#4: Più materiale gli dai, peggio ti risponde

Qui arriva il ribaltamento, ed è quello che manda in crisi ciò che facciamo tutti.

Quando la risposta non ci piace, la reazione automatica è aggiungere. Un altro documento. Un’altra spiegazione. Un altro esempio. Il ragionamento sotto è ragionevole: non ha capito perché non aveva abbastanza contesto, quindi gliene do di più.

Nello studio di Chroma c’è la prova che quel ragionamento è sbagliato.

Hanno preso una prova di domande e risposte su conversazioni lunghe e l’hanno fatta girare in due versioni.

Versione A: al modello vengono date soltanto le poche righe che servono davvero per rispondere, circa 300 parole.

Versione B: al modello viene dato tutto il materiale a disposizione, circa 113.000 parole, con dentro anche quelle 300.

Stessa domanda. Stessa informazione presente in entrambe. In una c’è solo quella, nell’altra c’è quella più tutto il resto.

Il divario è netto, e va nella direzione che nessuno si aspetta.

La versione povera batte la versione ricca.

Non è che il materiale in più non serve. È che costa, e non in soldi: costa sguardo. Ogni cosa che aggiungi per aiutarlo si porta via un pezzo dell’attenzione che avrebbe dovuto dedicare alla cosa che ti interessa.

E adesso il risultato più strano di tutta la ricerca, quello che ho dovuto rileggere due volte. Nella stessa serie di prove, i modelli se la cavano meglio quando il testo intorno è mescolato a caso, senza senso logico, rispetto a quando è un testo scritto bene e coerente.

Il materiale coerente è più pericoloso di quello incoerente.
Perché ha senso, e avendo senso compete per l’attenzione con quello che stai cercando.

Adesso pensa a come lavori dentro un Project di ChatGPT o di Claude. Ci carichi dentro tutto: il documento di posizionamento, le vecchie proposte, il tono di voce, i verbali, il listino, la presentazione aziendale. Lo fai per una ragione sensata, cioè “così ha il contesto”.

Ma quelle cose sono tutte scritte bene, sono tutte pertinenti, e sono tutte lì dentro a ogni singola richiesta che fai, comprese quelle in cui non servono. Quando gli chiedi due righe per una mail, quella mail se le porta dietro tutte.

Il Project non è sbagliato: è uno strumento potente. Sbagliato è trattarlo come un magazzino invece che come una scrivania.

La differenza fra le due cose è una domanda sola, e te la puoi fare stasera: questo file serve a tutte le richieste che faccio qui dentro, o solo ad alcune? Se la risposta è “solo ad alcune”, quel file non va nel Project. Va incollato nella conversazione in cui serve, quando serve.

Iscriviti ora

#5: Le due liste non sono la stessa lista

Adesso torniamo alle 15 regole, perché è qui che la puntata diventa operativa.

“Fai tutte le domande insieme.” Per il conto è aritmetica pura: cinque domande in cinque messaggi separati significano rileggere il materiale cinque volte, cinque domande in un messaggio solo lo rileggono una volta. Impeccabile. Per la qualità è un piccolo disastro, e adesso sai perché: di quelle cinque domande, la prima e l’ultima stanno ai bordi, le tre in mezzo cadono esattamente nella zona morta. Ti torneranno indietro trattate peggio, o non trattate affatto, e tu lo scoprirai leggendo. La regola corretta non è “cinque separate” e non è “cinque insieme”: è due o tre insieme, mai cinque, e la più importante mai al centro dell’elenco.

“Riusa la parte fissa.” Per il conto è la leva più redditizia che esista: la cornice che mandi ogni giorno la paghi una volta invece che tutte, ed è il motivo per cui certi conti stanno a 12.000 dollari invece che a cinque volte tanto. Per la qualità quella stessa cornice è un peso morto che occupa la lavagna prima ancora che tu abbia scritto una parola. Le istruzioni salvate, i documenti di riferimento, gli strumenti collegati: partono tutti insieme al messaggio. Chi si è costruito un sistema serio comincia ogni conversazione con mezza scrivania già occupata. La stessa identica mossa è un risparmio su una contabilità e una tassa sull’altra, e non c’è modo di avere entrambe.

“Comprimi invece di ricominciare.” Per il conto è la scialuppa: sei a metà di un lavoro lungo, non puoi buttare tutto, quindi comprimi e vai avanti. Per la qualità va detta con più durezza di come te l’ho detta due settimane fa. Comprimere significa lavorare su una versione approssimata di quello che è stato detto prima, e l’approssimazione non è distribuita a caso: quello che sparisce per primo è il centro, cioè il posto dove statisticamente hai messo i vincoli. La compressione non attenua il problema. Nei casi peggiori lo fabbrica.

E poi c’è “usa il modello più stupido che porta a casa il lavoro”, che non si gira ma va corretta. Perché i modelli non degradano tutti alla stessa velocità, e soprattutto non degradano tutti nello stesso modo. Se il lavoro è breve, il modello veloce va benissimo e ti costa una frazione. Se il lavoro è lungo, stai scegliendo anche come vuoi che ti fallisca: uno che si ferma e ti dice che non è sicuro, o uno che tira dritto. Su un lavoro lungo quella non è una questione di prezzo. È una questione di rischio.

Poi ci sono le regole che dicono la stessa cosa su tutte e due le contabilità, e sono la buona notizia: chiedi risposte corte, cambia chat quando cambi lavoro, porta avanti il risultato e non la discussione, non fargli cercare dentro il file se sai già dove sta la risposta.

Quelle quattro sono le uniche che ti fanno risparmiare e ti fanno rispondere meglio. Se dovessi tenerne solo quattro di tutte e 15, sono queste.

E c’è una ragione per cui coincidono, che vale la pena vedere. Tutte e quattro fanno la stessa identica cosa: tolgono roba. Il risparmio e la qualità vanno d’accordo tutte le volte in cui la mossa consiste nel togliere, e litigano tutte le volte in cui la mossa consiste nel riorganizzare. Perché riorganizzare, per il conto, è tempo sprecato: la roba resta lì e la paghi uguale. Per l’attenzione, invece, è tutto.

Iscriviti ora

#6: Le tre mosse che esistono solo in questa lista

Chiudiamo con la parte che due settimane fa non ti potevo dare, perché nella contabilità del risparmio queste tre mosse sembrano errori. Costano. E vanno fatte lo stesso.

1. La cosa che conta va all’inizio o alla fine. Mai in mezzo.

Non è un consiglio di stile, è la curva a U applicata al tuo mestiere. Quando prepari una richiesta importante, il vincolo che non può saltare non lo metti dove ti viene in mente: lo metti in cima, oppure lo metti nell’ultima riga prima di premere invio.

E se la conversazione è già lunga e il vincolo l’hai detto venti messaggi fa, quel vincolo per il modello adesso è al centro. Quindi non c’è più. Non “è meno presente”: statisticamente, non c’è.

Il caso pratico più comune è la richiesta lunga in un colpo solo: brief, materiali, esempi, e poi in fondo “ah, e ricordati che il cliente non vuole toni promozionali”. Quella riga in fondo è messa bene. La stessa identica riga infilata a metà del brief, dove ti era venuta in mente, vale molto meno. Stessa frase, stesso testo, due destini diversi.

2. Ricarica prima di chiedere.

Questa è quella che fa arrabbiare chi ha imparato a risparmiare, quindi la dico chiara: rimanda apposta roba che hai già mandato.

Sei al quarantesimo messaggio, stai per chiedere la cosa che conta davvero. Non scrivere “come dicevamo prima”. Riscrivi in due o tre righe secche i vincoli che contano, come se fosse la prima volta. Sì, li hai già scritti. Sì, sono già lì dentro. Sono lì dentro nel posto sbagliato, e quello che stai facendo è spostarli dal centro al bordo, dove il modello guarda ancora.

Attenzione a non fraintendere: non ti sto dicendo di rimandare tutta la conversazione, che sarebbe una sciocchezza su entrambe le contabilità. Ti sto dicendo di rimandare le tre righe che, se saltano, hai buttato la giornata. Il vincolo di tono, la scadenza, il numero che non si tocca, la cosa da non nominare mai.

Costa qualcosa? Sì, tre righe. È l’unica volta in tutto il bancone in cui ti dico di spendere di proposito, ed è probabilmente il consiglio più redditizio che ti ho dato quest’anno.

3. Il test dei vincoli.

Questa è diagnostica pura e ti costa 10 secondi. Prima di chiedere il lavoro vero, chiedi al modello di elencarti i vincoli che sta rispettando. Non di lavorare: solo di ripeterti le regole del gioco come le ha capite in questo momento.

La formula è banale e funziona su qualsiasi modello: “Prima di scrivere qualsiasi cosa, elencami i vincoli che stai rispettando in questo lavoro. Solo l’elenco.”

Se te li elenca tutti, sei a posto, procedi.
Se ne salta uno, hai appena visto il buco prima che ti finisse dentro il lavoro consegnato. E qui il gesto giusto non è dirgli “e il terzo?”, perché quello aggiunge un turno a una conversazione che è già troppo lunga: il gesto giusto è aprire una chat nuova e ricominciare portandoti dietro solo quello che serve.

Non stai buttando via niente. La vecchia conversazione resta lì dov’è.

È l’unico modo che hai per far alzare la mano a uno strumento che la mano non la alza mai. Non aspetti il segnale: glielo chiedi tu.

Fallo per una settimana su tutti i lavori che contano davvero. Poi mi dici quante volte ne saltava uno.

Ti anticipo la scoperta scomoda: non salteranno nelle conversazioni corte, dove tanto il controllo lo faresti a occhio. Salteranno in quelle lunghe, quelle su cui hai lavorato mezza giornata, quelle a cui tieni di più.

Sono sempre quelle. È il motivo per cui questo problema è caro, e non si vede in nessuna bolletta.

Iscriviti ora

📌 Prompt Espresso

Cosa fa questo: due cose in una volta. Ti mostra cosa il modello sta ancora davvero guardando, e rimette ai bordi quello che era finito nella zona morta.

Dove si usa. Dentro una conversazione già lunga, nel momento esatto in cui stai per chiedere la cosa importante. Non a inizio chat, dove non serve a niente. Funziona su ChatGPT, su Claude e su Gemini, e funziona anche dentro un Project. Se lo usi su un lavoro serio, usalo prima di ogni consegna, non dopo.

Il prompt:

Fermati. Prima di produrre qualsiasi cosa, facciamo un controllo in 3 fasi. Rispondi solo a quello che ti chiedo, senza anticipare il lavoro.

Agisci come il responsabile qualità di questo lavoro, non come chi lo esegue. Il tuo compito adesso non è farmi contento: è dirmi cosa manca.

FASE 1 · INVENTARIO
Senza rileggere niente di quello che ti sto scrivendo adesso, elencami:
1. L’obiettivo di questa conversazione, in una riga sola.
2. Tutti i vincoli, i divieti e le preferenze che ti ho dato finora, in elenco secco. Solo quelli che ti ho dato io, non quelli che daresti tu.
3. Le decisioni che abbiamo già preso e che consideri chiuse.
4. Le cose che hai dedotto da solo senza che io le abbia mai dette. Segnale queste in modo separato.

FASE 2 · RICARICA
Adesso io ti riscrivo i vincoli che contano davvero:
[scrivi qui, in 2-4 righe secche, le cose che se saltano hai buttato il lavoro. Esempi: il tono da tenere, la scadenza, il numero che non si tocca, la cosa da non nominare mai, il formato di uscita]

Confronta questo elenco con quello che hai prodotto in FASE 1 e dimmi:
1. Quali di questi vincoli non avevi in elenco.
2. Quali avevi in una versione diversa o approssimata da come li ho appena riscritti.
3. Se qualcosa che hai fatto finora in questa conversazione va contro uno di questi vincoli.

FASE 3 · VERDETTO
Rispondi a una sola domanda, in massimo 5 righe: questa conversazione è ancora il posto giusto dove finire questo lavoro, oppure conviene aprire una chat nuova portandoci dentro soltanto [il documento / il risultato / i vincoli] e ripartire puliti?

Se la risposta è “chat nuova”, scrivimi tu il blocco di partenza da incollare: solo il minimo indispensabile, nessuna cronologia, nessun riassunto della discussione.

Come adattarlo al tuo lavoro. La FASE 2 è l’unico pezzo da personalizzare, e il criterio per riempirla è uno solo: ci va quello che, se salta, ti fa rifare il lavoro da capo. Se stai preparando un documento per un cliente [es. proposta commerciale, relazione tecnica, piano editoriale], sono il tono, la lunghezza e le cose che non si possono promettere. Se stai analizzando dei dati [es. un file di vendite, delle risposte a un questionario], sono il periodo esatto, cosa va escluso dal conteggio e in che unità vuoi i risultati. Se stai scrivendo qualcosa che porta la tua firma, è la lista delle parole e delle formule che non usi mai.

Tieniti quella FASE 2 da parte in un file. Dopo tre o quattro lavori scopri che è quasi sempre la stessa, e da lì in avanti la incolli in 5 secondi.

Come si legge il risultato. La parte che conta non è la FASE 3. È il buco fra la FASE 1 e la FASE 2. Se in FASE 1 ti ha elencato tutto e in FASE 2 non trova niente da correggere, sei messo bene: quella conversazione la puoi ancora usare. Se in FASE 1 mancava un vincolo che tu avevi dato chiarissimo, hai appena visto in diretta la zona morta, e hai due possibilità: ripartire pulito, oppure andare avanti sapendo che stai lavorando con uno che non ha in mano tutte le carte.

La quarta domanda della FASE 1, quella sulle cose dedotte da solo, è la più sottovalutata delle quattro. Su una conversazione lunga tira fuori regolarmente roba che tu non hai mai detto e che il modello sta applicando da un’ora come se fosse legge. Non è un difetto: è quello che succede quando l’attenzione si assottiglia e i buchi vengono riempiti con quello che sembra plausibile.

Una variante da 10 secondi, per quando non hai voglia di incollare tutto il blocco: “Prima di scrivere qualsiasi cosa, elencami i vincoli che stai rispettando in questo lavoro. Solo l’elenco.” È la FASE 1 punto 2 da sola, e vale già l’80% del beneficio.

⚠️ Il modello non sa dirti quanto è messo male, e non fidarti quando prova a dirtelo. La FASE 3 non è una misurazione: nessun modello ha accesso a quanto sta degradando, e se glielo chiedi ti darà una risposta ragionevole e inventata, esattamente come farebbe un cameriere sfinito a cui chiedi se ce la fa ancora. La FASE 3 serve solo a costringerlo a prendere posizione, e la posizione la usi tu.

La misurazione vera è un’altra, ed è muta: cosa non è comparso in FASE 1. Quello non è un parere del modello. È una prova.

Iscriviti ora

☢️ Humor Radioattivo

Il bunker a quest’ora è pieno.

Il robot continua a servire, cortese, senza sbagliare un movimento.

La lavagna alle sue spalle non la guarda più nessuno da un pezzo.

Il bancone chiude qui.

Se devi portarti via una riga sola, portati questa: smetti di chiederti quanto ti costa quella conversazione, e comincia a chiederti cosa l’AI ha smesso di guardare.

La differenza fra le due domande sono tre righe riscritte prima di premere invio.

☢️ Matteo

Iscriviti ora

Se conosci qualcuno che tiene aperta la stessa chat da tre settimane e si lamenta che “ultimamente risponde peggio”, questa puntata è per lui. Girargliela costa meno che spiegarglielo.

Condividi

Fuori è una settimana che urlano tutti la stessa cosa.

Dal 2 agosto ogni testo che esce da Claude ha addosso un watermark invisibile, e internet ha reagito come reagisce sempre: 48 ore di panico, la lista di chi ha disdetto l’abbonamento, e circa 4.000 persone che spiegano che adesso finalmente si scoprirà chi bara.

Ho passato gli ultimi giorni a leggermi tutto. La documentazione tecnica, il regolamento europeo, il paper originale, le 47 pagine di gente arrabbiata sotto ai post.

E la cosa che mi ha colpito non è il watermark.

È che stiamo litigando in massa sulla domanda sbagliata.

Perché la domanda che gira è “chi verrà sgamato”. Ed è una domanda da cortile della scuola, non da persone adulte che lavorano.

Nel 2026 chiedere a qualcuno se usa l’AI è come chiedergli se usa la corrente elettrica. Metà dei lavoratori americani la usa al lavoro, contro il 21% di tre anni fa. Fra chi fa lavoro di conoscenza, il 38% la usa tutti i giorni, contro l’11% del 2024. Non è più una confessione: è la media.

Dal bancone te lo dico subito e chiudiamo il discorso: questa newsletter la scrivo con l’AI accanto, non l’ho mai nascosto e non comincio adesso.

Il punto è un altro, ed è tecnico prima che filosofico.

Quel marchio non fa quello che credi. Non ti dice se un testo è stato scritto dall’AI. Ti dice quanto spazio le hai lasciato. E se guardi come funziona davvero, scopri che è quasi letteralmente uno strumento che misura la tua assenza dal tuo stesso lavoro.

Quando l’ho capito ho smesso di leggere le polemiche e sono andato a guardare le ultime cose che ho consegnato.

☕ Tazza in mano. Si parte.

💡 Pensiero del giorno

Il marchio si annida solo dove la scelta non contava.

Se l’AI lavora solo lì, non hai un problema di watermark. Hai un metodo.

🧪 AI in azione

#1: Cosa hanno acceso davvero

Partiamo dal fatto nudo, perché metà del casino di questi giorni nasce da gente che commenta una cosa che non ha letto.

Dal 2 agosto 2026, ogni modello Claude uscito da quella data in poi mette un marchio invisibile su tutto il testo che produce. Globale, attivo da subito, senza opt-out. Non c’è un interruttore, non c’è un piano a pagamento che lo toglie, non c’è una casella nelle impostazioni da spuntare. È acceso e basta.

Il motivo non è morale, è legale. L’Articolo 50 dell’AI Act europeo obbliga chi produce sistemi generativi a marcare gli output in un formato leggibile dalle macchine, e quell’obbligo è diventato esecutivo esattamente il 2 agosto 2026. I modelli già sul mercato prima di quella data hanno tempo fino al 2 dicembre 2026 per adeguarsi. Anthropic ha deciso di applicarlo ovunque e non solo in Europa, per la ragione più banale del mondo: mantenere due versioni dello stesso modello costa più che marchiarle tutte e due.

Adesso la parte che quasi nessuno ha letto bene.

Non sono caratteri nascosti. Non sono spazi strani, non è un carattere invisibile infilato fra le parole, non sono metadati appiccicati al file. Tutta roba che si toglieva incollando il testo in un editor spartano. Qui no. Il marchio è dentro le parole, nel modo in cui sono state scelte. Sopravvive al copia-incolla, sopravvive al passaggio in un altro programma, sopravvive alla traduzione. Anzi, la traduzione lo rimette da capo, perché tradurre vuol dire scegliere ogni singola parola un’altra volta.

La tecnica non è nemmeno di Anthropic. Si chiama SynthID-Text, l’ha costruita Google DeepMind e l’ha pubblicata su Nature nel 2024. Gemini la usa già da tempo. Anthropic l’ha adottata così com’era.

Sulle immagini è un’altra storia, e va detto perché stanno mettendo le due cose nello stesso discorso. Lì di watermark non ce n’è: ci sono credenziali C2PA nei metadati del file, lo stesso standard aperto che usano i produttori di fotocamere. Metadati vuol dire fragili. Uno screenshot li cancella. Un caricamento su un social li cancella. Sul testo invece no, e la differenza è tutta lì: il testo è marchiato nella sostanza, l’immagine solo nell’etichetta.

Due numeri per chiudere il quadro, perché rispondono alle due obiezioni che ho letto più spesso. Il marchio non genera token in più, non rallenta la risposta, non costa niente. E nei test con valutatori umani non è emersa nessuna differenza di qualità fra testo marchiato e testo normale. Chi dice che “adesso Claude scriverà peggio” sta immaginando, non misurando.

Ultima cosa, ed è quella che sposta tutto il ragionamento. Dentro quel marchio non c’è niente di tuo. Non c’è il prompt, non c’è l’account, non c’è la conversazione, non c’è l’azienda per cui lavori. Dice una cosa sola: questo testo è passato da un modello Claude. Punto.

E lo strumento per leggerlo? Annunciato. Non ancora uscito. Senza soglie di accuratezza pubblicate, e senza nessuna procedura dichiarata per contestare un risultato.

Tieni a mente quest’ultima riga. Fra tre minuti diventa il problema serio di tutta questa faccenda.

Iscriviti ora

#2: Dove si nasconde il marchio (e perché cambia la domanda)

Questa è la sottosezione che vale la puntata, quindi te la spiego piano e senza formule. La meccanica esatta la apriamo venerdì, con il conto vero sotto.

Quando un modello scrive, non tira fuori la frase intera. Va avanti una parola alla volta, e a ogni passo ha davanti una rosa di candidate.

Prendi una frase qualsiasi: “Il cielo di quella mattina era...”. Il modello ha lì davanti grigio, coperto, plumbeo, nuvoloso. Quattro parole. Vanno bene tutte e quattro. Nessuna è più giusta delle altre, e cambiare la scelta non cambia niente di quello che la frase dice.

Normalmente, in quel punto, il modello tira a caso.

Il watermark fa una cosa sola: prende quel “a caso” e lo rende finto. La scelta non è più casuale, è pilotata da una chiave segreta combinata con le ultime parole scritte. Chi legge non se ne accorge, perché la parola che esce è comunque una delle quattro che andavano bene. Ma su un testo lungo, migliaia di micro-scelte pilotate nella stessa direzione lasciano una traccia statistica. E chi ha la chiave la vede.

Adesso la parte che ribalta il tavolo.

Quel meccanismo funziona solo dove c’era una scelta.

Se la frase è “l’opera più famosa di Isaac Newton si chiama Principia Mathematica”, non c’è nessuna rosa di candidate. C’è una parola sola e non ne esistono alternative. Nessuna libertà, nessun marchio. Vale per i nomi, per le date, per i numeri, per le citazioni. Vale in modo ancora più netto per il codice, dove la sintassi è obbligata e sbagliare una parentesi non è uno stile diverso, è un errore.

Quindi il marchio non è spalmato in modo uniforme sul testo. Si raccoglie dove il testo era libero.

E se il marchio si raccoglie dove il testo era libero, allora la sua forza è proporzionale a quanta libertà ha avuto la macchina. Che è un altro modo di dire una cosa parecchio più scomoda: è proporzionale a quanto di quel testo non hai deciso tu.

Non è un rilevatore di intelligenza artificiale. È un misuratore di quanto poco ci hai messo del tuo.

Da qui esce il corollario che quasi tutti stanno prendendo al contrario. I documenti che si illuminano di più al rilevatore non sono quelli scritti “meglio con l’AI”. Sono quelli su cui nessuno ha lavorato. Se hai riscritto mezzo testo, il segnale si sfilaccia. Se lo hai preso come veniva e lo hai incollato, il segnale è tutto lì, intatto, ordinato, pronto.

Il marchio più forte è la firma di chi non è passato.

E qui c’è il punto onesto, quello che ti serve per la sezione dopo. Anthropic dice che una revisione leggera lascia un segnale debole, perché se il modello si limita a sistemarti le virgole non ha fatto quasi nessuna scelta libera. È coerente col meccanismo e probabilmente è vero.

Il problema è che nessuno ha pubblicato dove passa la linea. Quanto debole è “debole”. Quante parole servono. Quale punteggio fa scattare il verdetto.

Per te, oggi, la conseguenza pratica è una sola e conviene metabolizzarla adesso. Tutto quello che hai generato dopo il 2 agosto e incollato senza toccarlo porta addosso un segnale forte, e tu non hai dovuto accettare niente perché succedesse. Non è un motivo per farsi prendere dal panico: è un motivo per guardare con occhi diversi la pila di cose che hai consegnato prendendole come venivano.

È una crepa piccola. Ci passa dentro tutta la prossima sottosezione.

Iscriviti ora

#3: Come strumento di polizia non funziona, e i buchi sono quattro

Adesso mettiamoci nei panni di chi sta esultando. Il preside, il capo, il cliente, il tizio su LinkedIn che aspetta la resa dei conti.

Hanno in mano uno strumento con quattro buchi, e sono buchi grossi.

Buco uno: marchia un fornitore, non una tecnologia. Claude marchia. Gemini marchia. ChatGPT, a oggi, sul testo non marchia niente. Quindi un rilevamento positivo non dice “questo l’ha scritto un’AI”: dice “questo è passato da Claude”. Chi voleva nascondersi cambia scheda del browser e ha finito. Non è un test antidoping. È un test che rileva una sola marca di integratore, e lo sanno tutti quale.

Buco due: si toglie riscrivendo, e lo dice il produttore. Anthropic scrive nero su bianco che una riscrittura completa, in cui ogni parola viene sostituita, rimuove il marchio. Nel giro di pochi giorni sono nati servizi che promettono di farlo al posto tuo. Ma qui c’è una trappola che vale la pena capire prima di provarci: l’Articolo 50 vieta esplicitamente la rimozione deliberata delle marcature. Vuol dire che togliere il marchio ti fa passare da un fatto passivo, hai usato uno strumento, a un atto volontario con un’intenzione dietro, hai nascosto di averlo usato. Davanti a un cliente, a un ordine professionale o a una commissione disciplinare, la seconda posizione è enormemente peggiore della prima. Non stai cancellando una prova. Ne stai costruendo una nuova.

Buco tre: nessuna soglia, nessun ricorso. Il rilevamento non restituisce un sì o un no. Restituisce un punteggio, cioè una probabilità. Qualcuno, a un certo punto, deve decidere dove mettere la linea che separa “marchiato” da “non marchiato”. Quel qualcuno non sei tu, non è il tuo capo e per adesso non lo sa nessuno, perché quelle soglie non sono pubbliche e non esiste una procedura dichiarata per contestare un esito. Ti viene consegnato un verdetto senza il righello con cui è stato misurato.

Buco quattro, ed è il più grave, perché è già successo. Nel 2023 un gruppo di Stanford ha preso 7 rilevatori AI del tempo e li ha messi alla prova su temi scritti da persone reali. Sui temi di studenti americani di terza media l’accuratezza era quasi perfetta. Sui temi TOEFL scritti da non madrelingua, i rilevatori hanno classificato come “generato da AI” il 61,22% dei testi. Su 91 saggi, 18 sono stati bocciati all’unanimità da tutti e 7.

Il motivo è quasi tenero, ed è quello che rende la storia utile. Chi scrive in una lingua che non è la sua usa un vocabolario più stretto e costruzioni più prevedibili. Il testo risulta meno sorprendente. E “meno sorprendente” era esattamente il criterio con cui quei rilevatori decidevano.

Lo strumento non era rotto. Faceva il suo mestiere su una popolazione per cui non era stato pensato. Nel frattempo, delle persone vere si sono viste accusare di aver barato.

Tiriamo la riga.

Chi bara e sa cosa fa: riscrive, cambia strumento, passa. Chi non ha niente da nascondere: genera, rilegge, incolla, va.

Il secondo è quello che verrà preso.

È la regola più vecchia che esista, e non c’entra niente con l’intelligenza artificiale: le regole scritte per i furbi le pagano sempre i corretti.

Attenzione però, perché qui è facile scivolare nella parte sbagliata del ragionamento. Non sto dicendo che marcare gli output sia una brutta idea. È una infrastruttura di provenienza, serve, e nei prossimi anni servirà molto di più di adesso, se non altro per non ritrovarci ad addestrare modelli sulla roba sputata da altri modelli.

Sto dicendo un’altra cosa, molto più stretta: una probabilità non è un verdetto, e chiunque la userà come tale sta per fare un danno a qualcuno che non se lo merita.

Iscriviti ora

#4: Il rilevatore ce l’hai già, ed è seduto alla scrivania di fronte

Adesso ti do la notizia peggiore di tutta la puntata, e non ha niente a che fare con la crittografia.

Nessuno ha bisogno di un watermark per capire che stai lavorando da schifo.

Hanno pure trovato il nome per la cosa. Si chiama workslop, l’hanno coniato i ricercatori dello Stanford Social Media Lab insieme a BetterUp e l’hanno pubblicato su Harvard Business Review. La definizione è chirurgica: contenuto generato dall’AI che sembra buon lavoro, ma non ha la sostanza per far avanzare di un centimetro il compito che doveva risolvere.

Il documento impaginato benissimo che non decide niente. La sintesi che riassume tutto tranne la cosa che serviva. La mail lunga che risponde alla domanda in generale invece che alla tua.

I numeri, e leggili piano.

Il 41% dei lavoratori se l’è visto arrivare sulla scrivania. Ogni volta che succede, chi lo riceve ci perde circa 2 ore a rimetterlo a posto. Il 53% si è detto irritato, il 38% confuso, il 22% offeso.

E poi c’è il numero che ti riguarda davvero, quello che dovresti stamparti.

Il 50% di chi riceve workslop giudica meno capace e meno affidabile la persona che gliel’ha mandato.

Metà. Senza chiave segreta, senza API di rilevamento, senza soglie di accuratezza, senza contraddittorio. Un giudizio emesso in 22 secondi di lettura, definitivo, e soprattutto mai comunicato all’imputato.

Perché è questo il pezzo crudele. Il tuo collega non ti scrive “guarda, questa roba è vuota”. Ti ringrazia. Poi sistema, e intanto ti sposta di categoria nella sua testa.

Dal bancone: non serve nessuna tecnologia per riconoscere il lavoro vuoto, perché ha dei segni che si vedono a occhio nudo dopo il secondo paragrafo. La struttura perfetta e la sostanza zero. Le tre sezioni che dicono la stessa cosa con parole diverse. L’esempio che non c’entra con il tuo settore ma suona bene. Il paragrafo che si apre, gira su se stesso e si chiude senza aver aggiunto niente. La raccomandazione finale che vale per qualunque azienda del pianeta, e quindi non vale per la tua.

E il segno definitivo, quello che non sbaglia mai: la cosa non contiene una sola informazione che l’autore non avesse già prima di scriverla.

Nessun algoritmo. Un essere umano con 20 anni di mestiere e 30 secondi di tempo.

Poi c’è la parte che fa più male, ed è economica. Quando mandi workslop non stai risparmiando tempo. Lo stai spostando. Dalla tua scrivania a quella di qualcun altro, 2 ore alla volta, mentre tu segni il compito come fatto. È un trasferimento di lavoro travestito da produttività, e chi lo riceve lo capisce perfettamente. Anche quando non lo dice. Soprattutto quando non lo dice.

E quello che si consuma in quel passaggio non è il tempo di nessuno. È il credito. Il 50% che ti ha riclassificato non fa marcia indietro alla consegna successiva, perché non ha aperto un procedimento: ha aggiornato un’opinione. E le opinioni non hanno l’appello.

Adesso ricollega tutto. C’è uno studio della Duke del 2024 che ha misurato una cosa scomoda: a parità di risultato consegnato, chi dichiarava di aver usato l’AI veniva valutato più pigro, meno competente e meno diligente. Ed è probabilmente il motivo per cui il 57% di chi la usa al lavoro la nasconde, e il 36% di questi dice apertamente che gli piace tenersi un vantaggio segreto.

Solo che nascondono la cosa sbagliata.

Nessuno si è mai davvero arrabbiato perché hai usato uno strumento. Si arrabbiano perché gli hai mandato una cosa vuota e gli hai fatto fare a loro il lavoro di capirla.

Quindi sì, arriva il watermark. Ma il verdetto che conta su di te è già stato emesso mesi fa, in una riunione a cui non eri invitato, da qualcuno che ha letto una tua cosa e ha pensato: questo non l’ha scritto lui. E soprattutto non l’ha pensato lui.

Il marchio dice quale strumento è passato dal testo.

Il tuo collega dice se ci sei passato tu.

Iscriviti ora

#5: 10 anni fa nessuno ti chiedeva se avevi usato Word

C’è un’obiezione che gira parecchio in questi giorni e che condivido, ma va fatta bene, perché fatta male è una scusa.

La versione fatta male è questa: “eh, ma allora dieci anni fa dovevamo dichiarare che scrivevamo al computer invece che a mano”. Suona bene, fa applaudire, e non regge, perché Word non sceglieva le parole al posto tuo. Il correttore ortografico non decideva la struttura del tuo ragionamento. La differenza non è cosmetica ed è inutile far finta di niente.

La versione fatta bene invece regge benissimo, e sta tutta in una riga: la domanda non è mai stata quale strumento hai in mano. È se sapresti farlo senza.

È il test che uso da anni, e non l’ho inventato io. Lo chiamo proprietà mentale ed è la cosa più vicina a un rilevatore affidabile che esista.

Se non riesci a raccontare a voce quello che hai scritto, non l’hai davvero scritto tu.

Provalo adesso su qualcosa che hai consegnato la settimana scorsa. Chiudi il documento. Racconta a voce alta la tesi, il motivo per cui è quella e non un’altra, e cosa hai deciso di lasciare fuori. Se ti esce fluido, quel lavoro è tuo e nessuna soglia statistica te lo toglie. Se ti blocchi alla seconda frase, quel lavoro non era tuo già prima che esistesse il watermark. Semplicemente non c’era ancora niente che te lo dicesse.

E qui non siamo nel campo delle opinioni. Un team dell’MIT ha messo 54 studenti sotto una cuffia EEG a 32 canali mentre scrivevano, dividendoli fra chi usava ChatGPT, chi usava un motore di ricerca e chi non usava niente. Poi, a pochi minuti dalla consegna, ha chiesto a tutti di citare una frase del proprio testo. Nel gruppo che aveva scritto senza AI ci riusciva circa il 90%. Nel gruppo AI, circa il 16%.

Non è che avessero scritto peggio. I testi erano buoni. Erano loro a non esserci dentro.

Ecco il rilevatore vero. Non ti dice se hai usato uno strumento: ti dice se quello che hai prodotto è entrato in te oppure ti è passato attraverso.

C’è poi un secondo prezzo, ed è quello che paghi senza accorgerti. Se usi i prompt che usano tutti, ottieni i testi che ottengono tutti. Stesse aperture, stesse tre sezioni, stessa chiusura motivazionale. A forza di ottimizzare siamo diventati bravissimi a suonare esattamente come chiunque altro. E a quel punto il watermark è l’ultimo dei tuoi problemi di identità: ti stanno già riconoscendo come uno dei tanti, e per farlo non gli serve nessuna chiave segreta.

Il che ci porta alla cosa che conta davvero, e che vale la pena dire chiara.

In un mondo dove l’esecuzione costa quasi zero, l’unica risorsa rimasta scarsa è il giudizio. Non la capacità di scrivere: quella è diventata gratis e infinita. La capacità di sapere cosa merita di essere scritto, per chi, adesso, e cosa invece è meglio non consegnare affatto.

Il paradosso è che l’AI è lo strumento che rende il giudizio più prezioso di sempre, ed è contemporaneamente lo strumento che ti toglie ogni motivo per allenarlo. Ogni volta che accetti un output senza discuterlo, hai delegato esattamente il processo che stava costruendo la cosa che diventerà più rara.

Nessun watermark misura questo.

Ma il mercato sì, e lo fa da sempre, con un metodo molto più brutale: smette di chiamarti.

Iscriviti ora

#6: Come si lavora da qui in avanti

Torniamo al meccanismo, perché è lì che sta la risposta operativa, e non è una coincidenza poetica: è la stessa identica forma.

Il marchio vive solo dove la scelta non pesava. Dove la parola era obbligata non c’è. Dove le alternative erano equivalenti, c’è tutto.

Ribaltalo e hai il metodo: dai all’AI le parti dove la scelta non pesa, tieni per te quelle dove pesa.

Perché in qualunque cosa consegni convivono due strati, e il 90% dei problemi nasce dal fatto che vengono trattati allo stesso modo.

Ci sono le decisioni portanti: cosa stai dicendo, a chi, perché proprio adesso, quale esempio usi, quale numero metti, cosa scegli di lasciare fuori, dove ti esponi. Se sbagli queste, il lavoro è sbagliato anche se scritto benissimo. Anzi, se è scritto benissimo è peggio, perché ci mettono più tempo ad accorgersene.

E poi ci sono le decisioni non portanti: la forma, le transizioni, l’ordine dei paragrafi, la parola che suona meglio delle altre tre, la formattazione, la lunghezza. Se sbagli queste, il lavoro resta giusto e sembra solo un po’ più grezzo.

Il watermark si annida nel secondo strato per costruzione. Quindi se l’AI lavora solo lì, sei a posto sul piano tecnico e sei a posto sul piano sostanziale, che è la ragione per cui questa non è una scorciatoia: è semplicemente il modo corretto di lavorare, che per una volta coincide con quello conveniente.

Quattro gesti, dal più facile al più scomodo.

Uno. Decidi prima di generare. Prima di chiedere qualsiasi cosa che abbia una struttura, scrivi tu lo scheletro. 8 righe brutte, ogni riga un blocco, accanto mezza frase che dice che lavoro fa quel blocco. Ci metti 10 minuti e ti risparmi le tre revisioni in cui scopri che avevate in testa due cose diverse. In più, quando qualcuno ti chiederà cosa ci hai messo di tuo, la risposta esiste già ed è precedente al modello.

Due. La seconda domanda. Dopo ogni risposta che ricevi, fatti una domanda che nel prompt non c’era. “E se il cliente fosse l’opposto?”, “questo numero da dove viene davvero?”, “cosa succede se è vero il contrario?”. Se non ti viene in mente nessuna seconda domanda, non hai capito il pezzo. E se non l’hai capito tu, nessuno lo capirà per te a valle.

Tre. Dichiara il metodo, non lo strumento. Qui c’è un dato che va contro l’intuizione: una ricerca di Atlassian mostra che dichiarare l’uso dell’AI, da solo, tende a ritorcersi contro chi lo fa. È coerente con lo studio della Duke di prima. Quindi la mossa non è confessare, è mostrare il lavoro. Non “questo l’ho fatto con Claude”, ma “questi tre numeri li ho verificati alla fonte, l’esempio è nostro, la conclusione me la prendo io”. Chi legge non voleva sapere il tool. Voleva sapere se qualcuno ha controllato.

Quattro, e vale più degli altri tre messi insieme. Non consegnare niente che non sapresti difendere in piedi, senza il documento davanti, davanti a qualcuno che ti fa la domanda scomoda. È l’unico rilevatore che non ha falsi positivi, non ha bisogno di una chiave, non ha soglie da pubblicare e funziona da molto prima del 2 agosto.

Se ne devi tenere una sola, tieni questa.

Il giorno in cui il rilevatore ufficiale uscirà davvero, aprirà una discussione tecnica su una cosa che le persone intorno a te avevano già capito da mesi.

Iscriviti ora

📌 Prompt Espresso

Cosa fa questo: ti fa l’audit di paternità su un lavoro vero che hai già consegnato. Non conta quanta AI hai usato. Conta quante decisioni portanti, dentro quel documento, non hanno un autore.

Dove si usa. In una chat pulita, con il documento incollato dentro. Sceglilo con criterio: prendi qualcosa di recente, consegnato davvero a qualcuno, non un esercizio. E non partire dal lavoro di cui vai più fiero, che la prima volta fa un effetto strano. Servono 20 minuti veri, perché la fase 2 la devi compilare tu, una riga alla volta.

Il prompt:

Agisci come un editor senior che deve stabilire la paternità reale di un documento. Non sei qui per dirmi se è scritto bene. La qualità della scrittura non ti interessa e non la commenti mai. Ti interessa una cosa sola: quali decisioni contiene questo documento, e chi le ha prese.

Il mio contesto: [es. consulente marketing, studio tecnico, responsabile commerciale, formatore]. Il documento che ti incollo è: [es. una proposta a un cliente, un report mensile, una newsletter, un piano operativo].

FASE 1 · Estrazione delle decisioni. Leggi il documento ed elenca ogni decisione portante che contiene. Una decisione portante è una scelta che, se fosse stata presa diversamente, avrebbe cambiato la sostanza del documento e non la sua forma. Cerca almeno queste categorie: la tesi centrale · il destinatario implicito · il problema che si dà per assodato · ogni esempio o caso citato · ogni numero o fonte · cosa è stato deliberatamente lasciato fuori · dove il documento prende posizione invece di descrivere.

Numerale. Scrivile in una riga ciascuna, con le parole del documento. Non aggiungere le tue. Non dirmi ancora niente su cosa ne pensi.

FASE 2 · Attribuzione. Adesso ripercorriamole insieme. Chiedimi, una decisione per volta e aspettando la mia risposta, chi l’ha presa. Tre risposte possibili e nessuna via di mezzo:

A = l’avevo decisa io prima di aprire la chat

B = l’ho decisa io dopo aver visto una proposta del modello, cambiandola

C = l’ha proposta il modello e io l’ho accettata così com’era

Se rispondo “non me lo ricordo”, segna C e vai avanti senza commentare.

Quando abbiamo finito, mettimi tutto in una tabella a tre colonne: decisione, categoria, attribuzione. Poi dammi due conti secchi: quante decisioni portanti in totale, e quante di quelle sono C.

FASE 3 · Recupero. Prendi le 3 decisioni C che pesano di più sul risultato finale, cioè quelle che se sbagliate rendono inutile tutto il resto. Per ognuna scrivimi:

1. la domanda che avrei dovuto farmi io prima di accettarla

2. una alternativa credibile che il modello non ha proposto, e perché avrebbe portato il documento da un’altra parte

3. come farei a verificarla, in concreto, in meno di 15 minuti

Chiudi con una frase sola, senza addolcirla: qual è la decisione più importante di questo documento che non ha un autore.

⚠️ La parte utile non è la fase 3, è la fase 2, e non è comoda. Il fastidio non arriva quando scopri di avere tante C. Arriva prima, nel momento esatto in cui davanti a una decisione ti accorgi che non ti ricordi se l’hai presa o se l’hai solo accettata. Quel vuoto di memoria non è distrazione. È la prova che quella scelta non è mai passata dalla tua testa: c’è transitata accanto mentre leggevi in diagonale, e tu l’hai lasciata passare perché sembrava ragionevole.

È lo stesso identico meccanismo del marchio, spostato dalle parole alle decisioni. Il segnale si accumula dove non hai deciso niente.

Iscriviti ora

Una cosa che questo prompt non fa, e vale la pena dirla per non usarlo male. Non misura quanta AI hai usato, e non serve a farti sentire in colpa per averla usata. Un documento pieno di B è un ottimo documento: vuol dire che hai visto una proposta, l’hai valutata e l’hai piegata alla tua. Quello è lavorare con l’AI fatto bene, ed è esattamente il punto di tutta questa puntata. Il problema sono solo le C, e solo quelle che pesano.

E un’ultima raccomandazione, che è quella che lo trasforma da curiosità in pratica: rifallo su un lavoro nuovo ogni mese, non una volta sola. Il rapporto fra decisioni tue e decisioni accettate non peggiora in un giorno. Peggiora una consegna alla volta, sempre per un buon motivo, sempre perché quel giorno andavi di fretta. Esattamente come non ti accorgi di quando hai smesso di leggere le cose che firmi.

Il giorno in cui il conto della fase 2 esce quasi tutto A e B, quel documento puoi difenderlo in piedi davanti a chiunque. Compreso un rilevatore.

Iscriviti ora

☢️ Humor Radioattivo

Il bunker a quest’ora è quasi vuoto.

L’arco è ancora lì all’ingresso, che ronza.

Continua a suonare tutte le volte che entra qualcuno con un’idea in mano.

Il marchio esiste, è acceso, e non se ne va. Ma misura una cosa sola: quanto spazio hai lasciato alla macchina nei punti in cui la scelta non contava.

Il resto lo misurano le persone, lo fanno da sempre, e lo fanno molto prima che esca qualsiasi rilevatore.

Se devi portarti via una riga, portati questa: smetti di chiederti se ti sgamano, e comincia a chiederti quante delle decisioni dentro il tuo ultimo lavoro le hai prese davvero tu.

La risposta a quella domanda non ha bisogno di nessuna chiave segreta, di nessuna soglia e di nessuna API. Ce l’hai già, e la sai già mentre stai leggendo questa riga.

P.S. Venerdì scendiamo sotto: come funziona esattamente il torneo fra le parole, cosa succede al segnale quando editi un testo, e perché rilevare un watermark costa meno che generarlo. La parte tecnica vera, per chi la vuole.

☢️ Matteo

Iscriviti ora

Se conosci qualcuno che in questi giorni sta girando post terrorizzati sul watermark invece di guardare cosa consegna, questa puntata è per lui. Girargliela costa meno che spiegarglielo.

Condividi

Oggi al bancone si scende sotto.

L’ultima volta ti ho dato 15 regole per salvare più token possibili su Claude.

Ma c’è un ma…

L’unico posto dove si può ancora decidere qualcosa è prima di iniziare una nuova chat.

Prima che la richiesta parta. E quello non è un gesto da ricordarsi: è una cosa che si costruisce una volta, e poi lavora da sola tutti i giorni, anche nelle giornate in cui tu sei stanco e non ti ricordi niente.

Quest’anno l’ho costruita sul mio sistema.

Oggi te li do tutti, compresa la parte che di solito in pochi raccontano: cosa avevo sbagliato prima di arrivarci.

Una promessa e un avvertimento, perché ci tengo.

La promessa: alla fine di ogni pezzo trovi la tua versione. Non ho un sistema uguale al tuo e non me lo aspetto. Quello che si trasporta è il gesto, non il mio schema di cartelle.

L’avvertimento: qui dentro non trovi percentuali di risparmio. Non le ho misurate con un prima e un dopo, e inventarle sarebbe esattamente il tipo di numero che in questa newsletter non scriviamo. Trovi le decisioni, il perché, e cosa è successo dopo.

☕ Tazza in mano. Si scende.

Iscriviti ora

💡 Pensiero del giorno

Le abitudini ti ripuliscono la scrivania.

L’infrastruttura decide quanta roba ci finisce sopra prima che tu ti sieda.

🧪 AI in azione

#1: Cosa parte davvero, prima che tu scriva

Prima dei cambi, la mappa. Perché se non sai cosa viaggia, ottimizzi a caso.

Ogni volta che apri una conversazione, ci sono tre zavorre che partono senza chiedertelo.

Le istruzioni permanenti. Quelle che hai scritto una volta nelle impostazioni: come devi rispondermi, chi sono, cosa faccio. Sono la cosa più utile che puoi avere ed è giusto che ci siano. Ma è utile sapere che ci sono sempre, anche quando chiedi che ore sono.

I documenti fissi. Se lavori dentro un Project o uno spazio con dei file caricati, quei file sono a disposizione della conversazione. Non necessariamente vengono letti tutti sempre, ma stanno nel perimetro, e il perimetro ha un costo.

Le descrizioni degli strumenti. Questa è la meno conosciuta ed è la più pesante. Ogni strumento che colleghi porta con sé la spiegazione di cosa fa, quando usarlo e cosa vuole in pasto. Quella spiegazione è testo, e viaggia a ogni singola chiamata anche se quello strumento non lo tocchi. Anthropic ha pubblicato una misura su un ambiente con quattro server collegati, e parla di decine di migliaia di token spesi in sole descrizioni prima che il modello faccia qualunque cosa: nell’ordine dei 55.000.

Adesso una cosa che devo dirti, perché è vera e perché se non te la dico io la scopri da solo e a quel punto hai ragione tu.

Una parte di questa roba non la paghi a prezzo pieno. I fornitori hanno un meccanismo che riconosce la parte fissa di quello che mandi e la fa costare una frazione. È il motivo per cui il mio conto del mese scorso è quello che è e non cinque volte tanto, e nella #61 il famoso 95% di rilettura passava in gran parte da lì.

Quindi la frase onesta non è “paghi tutto due volte”. La frase onesta è questa: quella roba ti costa poco in denaro e ti costa tantissimo in spazio. Occupa la finestra di contesto, si mette fra te e la risposta, ti avvicina al muro dei limiti, e soprattutto peggiora il lavoro, perché più materiale inutile c’è in mezzo più il modello ha modo di agganciarsi alla cosa sbagliata.

Il conto è la spia. Il problema è la scrivania.

E c’è un motivo per cui questa cosa peggiora proprio per chi legge una newsletter a pagamento sull’AI. Chi usa questi strumenti per gioco apre una chat vuota e scrive: zavorra quasi zero. Chi ci lavora davvero ha istruzioni scritte, spazi attrezzati, documenti caricati, strumenti collegati. Ogni pezzo di quell’attrezzatura è stato aggiunto per una buona ragione, in un giorno preciso, per risolvere un problema vero.

Il punto è che nessuno di quei giorni è mai stato il giorno in cui qualcuno ha tolto qualcosa.

Ed è il motivo per cui questa puntata non parla di prompt. I prompt li sai già scrivere. Quello che quasi nessuno fa è la manutenzione di ciò che sta sotto.

La tua versione, in dieci minuti. Apri una conversazione nuova e scrivi una domanda banale, tipo “ciao”. Non guardare la risposta: guarda quanto ci mette. Poi fai la stessa cosa dentro il tuo spazio di lavoro attrezzato, quello coi file e gli strumenti collegati. La differenza di attesa che senti fra le due è la tua zavorra fissa, resa percepibile senza nessun cruscotto. Se la seconda parte visibilmente più lenta della prima, hai appena trovato il tuo cantiere.

#2: Cambio 1 · smettere di caricarle

Adesso il numero, e poi il metodo.

Il mio ambiente di lavoro ha uno strato di regole di governo. Come si nominano i file, dove vive ogni cosa, cosa si fa prima di costruire qualcosa, come si pianifica un lavoro lungo, cosa non si tocca mai. Roba scritta bene, nata da errori veri, pensata per proteggermi dal me stesso delle sei di sera.

140 KB. In teoria andavano letti a ogni avvio.

Fatti i conti a spanne, sono circa 40.000 token bruciati prima della prima azione utile della giornata. Non è una misura sul campo, è un’aritmetica onesta: 140.000 caratteri diviso circa tre caratteri e mezzo per token. Ma l’ordine di grandezza è quello, e l’ordine di grandezza basta a capire la cosa importante.

Che è questa: non li leggeva mai nessuno. Nemmeno io. Nemmeno il sistema che li avrebbe dovuti seguire.

Ed è qui che ho imparato la cosa che mi porto dietro da mesi.

Una regola che nessuno rispetta non protegge niente. Fa peggio: insegna che anche tutte le altre sono facoltative.

Per un anno la mia reazione a ogni problema era stata la stessa: scrivere una regola in più. Ogni regola in più rendeva il blocco più pesante, e ogni chilo in più rendeva meno probabile che qualcuno lo leggesse davvero. Stavo costruendo una cassaforte sempre più robusta attorno a una porta che nessuno apriva.

Read more

Oggi al bancone si parla di un conto che paghi due volte. E poi tre. E poi trenta.

A marzo ti ho fatto vedere quanto ti costa quello che l’AI dice di troppo: i preamboli, i riassunti che nessuno ha chiesto, le chiusure motivazionali. Era metà del problema. Oggi arriva l’altra metà, ed è quella grossa: quanto ti costa tutto ciò che ridici tu, senza accorgertene, a ogni singolo messaggio.

Due settimane fa ho aperto per noia il cruscotto dei consumi. Volevo solo vedere quanto avevo macinato in un mese. Il numero grande l’ho già raccontato: quasi 12.000 dollari di token in 30 giorni, per un abbonamento che ne costa 200.

Poi però sono andato a vedere di cosa era fatta quella cifra. E lì la giornata ha preso una piega diversa.

Su 12,85 miliardi di token consumati in trenta giorni, 12,16 miliardi erano rilettura. Roba che era già passata di lì, già letta, già pagata, che è stata rispedita da capo e ripassata alla cassa. Il 94,7%

Quello che ho digitato io, con le mani, in 43.700 scambi e 301 sessioni di lavoro, sta sotto lo 0,12%. Un decimo di punto percentuale.

Non è un mio difetto. Non è un bug. È come funzionano questi strumenti, e nessuno te lo spiega quando ti vende l’abbonamento.

E siccome so già cosa stai pensando, te lo dico subito: no, la soluzione non è usare meno l’AI. La soluzione è capire dove va il conto. Perché quando lo capisci, la stessa identica quantità di lavoro ti costa una frazione, i limiti smettono di arrivarti addosso il martedì pomeriggio, e soprattutto smetti di avere paura di provare le cose.

Oggi ti do 15 regole. Nove le puoi applicare stasera, gratis, su qualsiasi AI tu stia usando. Le altre sei te le nomino tutte e ti dico cosa fanno, perché sono quelle che non si fanno a mano.

☕ Tazza in mano. Si parte.

Iscriviti ora

💡 Pensiero del giorno

Il messaggio che hai appena scritto è la parte più piccola di quello che stai pagando.

E per il resto del conto non ti ha chiesto il permesso nessuno.

🎯 Prima di scendere: a che livello sei?

Quello che leggerai fra poco cambia parecchio a seconda di dove sei messo. Chi riscrive il contesto a ogni singola chat ha un problema diverso da chi ha già un sistema che lo sa.

Per questo abbiamo costruito il Collaudo: 12 domande per permetterti di verificare a quale livello di utilizzo AI sei, due minuti e mezzo.

Alla fine il referto ti dice anche il primo pezzo che ti manca, e come costruirlo da solo. E se dopo questa puntata ti viene voglia di stare in un posto dove queste cose si fanno tutto l’anno invece che una volta a settimana, la porta è la community AI Playground, la community dei costruttori

👉 Fai il Collaudo, sono due minuti e mezzo

☕ Adesso torniamo al bancone.

ENTRA IN COMMUNITY

🧪 AI in azione

#1: Il conto che si moltiplica da solo

Partiamo dal meccanismo, perché senza quello le 15 regole sono 15 trucchetti che dimentichi entro venerdì. Con quello, capisci che sono una cosa sola guardata da 15 angoli diversi.

Quando premi invio, tu pensi di mandare la frase che hai appena scritto. Non è così. Mandi tutta la conversazione, dall’inizio, ogni volta. Il modello non ha memoria: ha una finestra di contesto, e quella finestra viene riempita da capo a ogni turno. È così che questi strumenti fingono di ricordarsi di te. Non ricordano niente. Si rileggono tutto.

Quindi il conto va così. Il primo messaggio costa quello che hai scritto, ed è l’unica volta in cui paghi il giusto. Il secondo costa quello che hai scritto adesso, più la risposta di prima, più il messaggio di prima. Il decimo costa quello che hai scritto adesso più i nove scambi precedenti, che avevi già pagato tutti e nove. Al trentesimo messaggio, quello che hai appena digitato è un errore di arrotondamento dentro una massa che ti trascini dietro da mezz’ora.

Nel gergo dei fornitori quella massa ha un nome: input riletto. È la parte della richiesta che il modello ha già visto e che gli rispedisci comunque, perché senza quella non saprebbe di cosa state parlando.

Non sono l’unico ad averlo misurato. , che di questa roba ha fatto un lavoro sistematico, ha registrato in una sola giornata 3,77 miliardi di token passati dal suo ambiente di lavoro, su 143 conversazioni separate. Di quei 3,77 miliardi, 3,59 erano rilettura: il 95,2%. Due persone diverse, due mestieri diversi, due strumenti diversi, stesso identico rapporto.

Non è una statistica sui pigri. È l’aritmetica di come è fatta la tecnologia.

Qui ti fermo su una cosa, perché è la parte che fa incazzare. Questo non lo sistemeranno i laboratori. Non perché siano cattivi, ma perché non hanno nessuna ragione per farlo: il loro incentivo è che tu usi il prodotto, e frenano solo quando finisce la potenza di calcolo. Ridurre il tuo consumo non è una metrica su cui qualcuno viene valutato, in nessuna di quelle aziende del mondo. Nessun dirigente si è mai svegliato pensando “questo trimestre facciamo consumare meno ai clienti”.

E c’è una convinzione diffusa che rende tutto peggio: quella secondo cui il problema si risolverà da solo. Le finestre di contesto diventano più grandi, i modelli reggono lavori più lunghi, gli agenti fanno più cose in autonomia, quindi fra un po’ punti la macchina sul tuo lavoro e quella parte. In altre parole: presto potremo permetterci una scrivania disordinata.

Prova a farlo davvero. Prendi tutto quello che hai sugli scaffali dello studio e mettilo sulla scrivania. Adesso hai tutto a portata di mano, in teoria sei più potente che mai. In pratica non trovi più niente, ogni cosa che cerchi te ne fa spostare altre dieci, e alla fine della giornata sei stanco senza aver concluso.

Il paradosso è che più lo strumento è capace, più cose gli metti in mano, più materiale si porta dentro, e più in fretta arrivi al muro. La capacità in più non ti regala ordine: te ne chiede di più.

La scrivania è tua. La pulisce nessuno.

#2: Il “rifallo” è la voce più cara della tua bolletta

Adesso prendi il meccanismo di sopra e mettici dentro la cosa che fai venti volte al giorno senza pensarci.

La risposta non ti piace. Tu scrivi: “no, non è questo, rifallo”. Cinque parole. Ti costano cinque parole?

No. Ti costano tutta la conversazione un’altra volta, più la risposta sbagliata che adesso è entrata anch’essa nel conto, più le tue cinque parole. E se al secondo tentativo ancora non ci siamo, riparte tutto una terza volta, con dentro adesso due risposte sbagliate. Al quarto giro stai pagando una conversazione che è per metà fatta di roba che hai già scartato.

Questa è la ragione per cui certe sessioni bruciano i limiti in un’ora e mezza mentre altre, con lo stesso identico lavoro fatto, arrivano a sera. Non è il lavoro. Sono i giri a vuoto, e ogni giro a vuoto si porta dietro tutti quelli prima.

Facciamo il conto su una scena che ti è successa questa settimana. Stai lavorando a una proposta per un cliente. Hai incollato il brief, due documenti di riferimento e le note della call: mettiamo che sia una conversazione da un certo peso, chiamiamolo X. Chiedi la prima stesura. Non ti piace il taglio, dici “troppo formale, rifallo”. Non ti piace nemmeno il secondo, dici “adesso troppo colloquiale”. Al terzo ci siamo quasi ma manca un pezzo, e glielo fai aggiungere.

Tu hai scritto tre frasi corte. Ma la conversazione è stata rispedita per intero quattro volte, e a ogni giro dentro c’era anche tutto ciò che avevi scartato al giro prima. Alla fine di quel lavoro hai pagato la tua proposta più o meno dieci volte, e sette di quelle dieci sono state per far rileggere al modello delle bozze che avevi già buttato via.

Il pezzo che fa male è quest’ultimo. Non stai pagando i tentativi: stai pagando la conservazione dei tentativi falliti. Quelle bozze scartate non spariscono quando dici “no”. Restano lì dentro, e viaggiano con te fino alla fine della conversazione.

C’è un dato che ho già raccontato a marzo e che qui torna utile: uno studio di marzo 2026 ha testato 31 modelli diversi su quasi 1.500 problemi, e ha misurato che obbligando un modello grande a rispondere breve la precisione migliora di 26 punti percentuali. Migliora, non peggiora. Perché quando non può nascondersi dietro tre strati di cautela, è costretto a impegnarsi.

Tienilo a mente, perché significa una cosa contro-intuitiva: la risposta lunga e vaga non è solo più cara, è anche più sbagliata. E siccome è più sbagliata, genera il “rifallo”. E il “rifallo” ripaga tutto. Il cerchio si chiude, e lo paghi tu tre volte.

E adesso la parte che quasi nessuno si aspetta: più lavori bene, prima sbatti.

Quando cominci a fare sul serio con questi strumenti, smetti di aprire una chat vuota e scriverci dentro. Cominci a salvare istruzioni permanenti. Carichi documenti che servono sempre. Colleghi strumenti esterni. Ti costruisci il tuo secondo cervello.

Tutta quella roba parte insieme al messaggio, prima ancora che tu abbia scritto una parola.

E non è un modo di dire: Anthropic ha pubblicato la misura. Un ambiente di lavoro tipico con quattro strumenti collegati (per dire: il tuo archivio del codice, la chat aziendale, il sistema degli errori, il cruscotto dei dati) brucia circa 55.000 token di sole descrizioni degli strumenti, prima che il modello faccia qualunque cosa. Sono le istruzioni che spiegano all’AI cosa fa ogni strumento, quando usarlo, che informazioni vuole. Viaggiano tutte, a ogni chiamata, anche quando ne stai usando zero.

Chi si è costruito un sistema serio si siede alla scrivania e la trova già mezza occupata. Non è sfortuna, ed è il motivo per cui questa puntata è la prima di due: le abitudini ti ripuliscono la scrivania, ma quanta roba ci finisce sopra prima che tu ti sieda lo decide l’infrastruttura. E quella è un lavoro diverso.

Per ora, le abitudini. Che sono tante, sono gratis, e da sole ti cambiano la settimana.

#3: Le cinque regole della conversazione

Queste cinque valgono su Claude, su ChatGPT, su Gemini, su qualunque cosa userai fra sei mesi. Non c’è niente da installare.

1. Correggi l’errore, non litigarci. Quando il modello sbaglia perché la tua richiesta era ambigua, il tuo istinto è rispondere nel turno dopo. Non farlo. Torna sul tuo messaggio, riscrivilo com’era giusto, rimandalo. Su ChatGPT e su Claude c’è il pulsante per modificare un messaggio già inviato, e quasi nessuno lo usa. La differenza è brutale: un turno invece di quattro, e soprattutto la conversazione non si porta dietro il fraintendimento. Perché il problema del “no, non intendevo quello” non è solo che costa: è che quella frase sbagliata resta lì dentro per sempre, e il modello continua a leggerla a ogni turno successivo.

2. Cambi lavoro, cambi chat. La conversazione lunga è comoda finché stai sullo stesso problema, e va benissimo così. Diventa un disastro nel momento esatto in cui cambi argomento senza aprirne una nuova. Se hai passato quaranta minuti a sistemare un contratto e poi chiedi due righe per un post, quelle due righe si portano dietro tutto il contratto. Questa è la regola che, misurata, sposta più di tutte le altre messe insieme. E no, non stai buttando via niente: la vecchia conversazione resta lì, la riapri quando vuoi. Semplicemente smetti di farla viaggiare con te.

Una precisazione onesta, perché non voglio venderti magie: una chat nuova non parte mai davvero da zero. Le tue istruzioni personalizzate, i documenti del Project e le istruzioni di sistema del fornitore ci sono comunque. Quello che smetti di trascinare è la conversazione, che è la parte che cresce senza limite. La zavorra fissa resta, e di quella parliamo giovedì.

C’è anche una ragione che con i soldi non c’entra niente. Le conversazioni lunghissime peggiorano le risposte: più roba c’è dentro, più il modello ha modo di agganciarsi alla cosa sbagliata, e ti ritrovi con risposte che riprendono un dettaglio di quaranta minuti fa che non c’entra più nulla. Aprire una chat pulita non è solo economia. È igiene mentale, per te e per lui.

3. Porta avanti il risultato, non la discussione. Nei lavori a fasi (ricerca, poi stesura, poi revisione) succede sempre la stessa cosa: si tiene tutto in un posto solo perché sembra comodo. Ma quando la fase di ricerca ti ha dato il documento che volevi, quello che serve alla fase dopo è il documento. Non le tre bozze scartate, non i giri di correzione, non le fonti che hai buttato, non il ragionamento con cui ci sei arrivato. Apri una chat nuova, incolla dentro il risultato, riparti. Stai portando avanti un chilo invece di trenta.

4. Fai tutte le domande insieme. Se hai cinque domande sullo stesso materiale, cinque messaggi separati significano rileggere quel materiale cinque volte. Un messaggio con dentro cinque domande lo rilegge una volta sola. È aritmetica banale e la violiamo tutti, ogni giorno, perché una domanda alla volta sembra più ordinato.

5. Dì che forma deve avere la risposta. Un elenco di cinque punti? Un paragrafo? Centocinquanta parole? Una tabella? Dillo. Se non lo dici, il modello sceglie per te, e sceglie sempre lungo, perché è così che è stato addestrato. E ogni parola di troppo la paghi due volte: una quando viene scritta, e poi di nuovo a ogni singolo turno successivo, perché quella risposta adesso è dentro la conversazione e viene riletta per sempre.

Quest’ultimo punto merita una riga in più, perché è il più sottovalutato di tutti. L’output è l’unica cosa che paghi al doppio. Quando chiedi il documento da 50 pagine e poi continui a lavorarci sopra per un’ora, non hai pagato 50 pagine: hai pagato 50 pagine moltiplicate per il numero di messaggi che hai scritto dopo.

Guardale insieme, queste cinque, e vedrai che sono tutte varianti di un gesto solo: decidere tu cosa entra nella conversazione, invece di lasciare che ci si accumuli dentro tutto per inerzia. Il fraintendimento che correggi invece di discutere, l’argomento vecchio che lasci in un’altra chat, le bozze che non porti avanti, le domande che accorpi, la risposta lunga che non chiedi. Cinque modi di dire la stessa cosa: quella finestra è uno spazio finito, e finora ci hai buttato dentro roba senza guardare.

#4: Le quattro regole delle fonti

Le cinque di sopra riguardano come parli. Queste quattro riguardano cosa gli metti in mano, ed è il punto dove si brucia di più senza vederlo.

6. Cerca tu nel file, non farlo cercare a lui. Sì, adesso i modelli aprono i documenti e ci cercano dentro da soli. È comodissimo ed è un bruciatore di token spaventoso, perché per cercare deve leggere, e quello che legge entra tutto nel conto e ci resta. Se sai già dove sta la risposta, la mossa giusta è: “ho cercato io, il pezzo che conta è questo, guarda solo qui”. Trenta secondi tuoi contro un documento intero riletto a ogni turno per il resto della conversazione.

7. Manda la forma più leggera della fonte. Se contano le parole e non l’impaginazione, quel PDF non deve restare un PDF. Convertilo in testo e incolla il testo. Non mandare otto screenshot di una cosa che è scritta: le immagini costano molto più delle parole che contengono. Lo so che è tentante buttargli dentro tutto perché tanto poi si arrangia, e infatti si arrangia. Il conto lo vedi dopo.

8. Chiedi solo la risposta che ti serve. L’ho già detto sopra da un lato, ma qui c’è il gesto pratico: se ti serve un numero, chiedi il numero. Se ti serve una decisione fra due opzioni, chiedi quale delle due e perché, in tre righe. La moda del documento monumentale è passata, ed è passata per un motivo. Le risposte brevi non sono risposte povere: quello studio sui 31 modelli dice che sono anche più precise.

9. Tieni le risposte dove le ritrovi. Questa è la più noiosa e la più redditizia. Quando lavori per settimane attorno allo stesso problema, ci sono cose che chiedi tre, quattro, dieci volte, in conversazioni diverse. Ogni volta le fai ricalcolare da zero, e ogni volta paghi tutto: la ricerca, il ragionamento, la risposta. Se invece quella risposta sta scritta in un posto che sai, la recuperi e la incolli. Costo: zero. Un documento condiviso, un blocco note, una base dati, quello che vuoi: l’importante è che esista un posto e che tu sappia qual è. La risposta più economica del mondo è quella che avevi già dato la settimana scorsa.

Su questa faccio l’esempio più stupido che ho, perché è quello che convince. La descrizione di cosa fa la mia azienda, per chi lavoriamo e come parliamo l’ho fatta scrivere e riscrivere per mesi, in decine di conversazioni diverse, ogni volta ripartendo dal contesto e ogni volta ottenendo una versione leggermente diversa. Ricostruire quella roba costava ogni volta un pezzo di conversazione, e il risultato non era nemmeno stabile: due settimane dopo l’AI raccontava l’azienda in un altro modo, perché gliel’avevo raccontata in un altro modo io.

Il giorno in cui l’ho scritta una volta sola in un file, il costo di quella cosa è andato a zero per sempre. E il beneficio grosso non è stato il risparmio: è stato che da lì in avanti la risposta è la stessa. Quello che il conto ti fa notare per primo, spesso, è un problema di qualità travestito da problema di prezzo.

Nove regole. Fatte tutte, la stessa identica settimana di lavoro ti costa una frazione. Non serve installare niente, non serve saper programmare, funzionano su qualunque strumento tu stia usando adesso e su quelli che userai fra un anno, perché non dipendono dalla tecnologia: dipendono da come è fatta la conversazione.

E se ne devi scegliere una sola per stasera, prendi la numero 2. Chat nuova quando cambia il lavoro. È quella che si sente di più, si fa in mezzo secondo, e non chiede di ricordarsi niente.

#5: Le altre sei, e perché a mano non si fanno

Restano sei regole. Te le nomino tutte, perché non mi piacciono le liste che dicono “e poi c’è dell’altro” senza dirti cosa. Ma su queste cambia la natura del lavoro: non sono gesti, sono cose da costruire una volta perché poi funzionino da sole.

10. Portati dietro solo gli strumenti che quel lavoro può usare. Abbiamo visto il numero: 55.000 token di descrizioni prima di cominciare, con quattro strumenti collegati. La regola è banale a dirsi, “scollega quello che non ti serve”, ed è insopportabile a farsi a mano, perché significa ricordarsi ogni volta cosa serve a cosa. Fra sei o otto mesi i modelli lo faranno da soli. Oggi no.

11. Comprimi invece di ricominciare. Ripartire da zero è la mossa migliore, ma non sempre si può: se sei a metà di un lavoro lungo e il modello ti sta chiedendo una decisione, non puoi buttare tutto. Qui entrano le funzioni che i fornitori hanno costruito apposta: OpenAI comprime lo stato dei lavori lunghi, Anthropic ripulisce i risultati vecchi degli strumenti e i blocchi di ragionamento prima della richiesta successiva. Funzionano, e vanno capite: quando comprimi stai lavorando su una versione approssimata di quello che era stato detto prima. Non è perfetto. È molto meglio che sbattere contro il muro, che è quello che si faceva un anno fa.

12. Usa il modello più stupido che porta a casa il lavoro. Non è una battuta ed è forse il consiglio più redditizio della lista. Per riformattare un elenco, estrarre dei dati da un testo o tradurre una mail non ti serve il modello che ragiona per due minuti prima di aprire bocca: ti serve quello veloce, che costa una frazione e ti risponde subito. Il modello grosso tienilo per quando c’è davvero da pensare. Più lavori con l’AI, più senti dov’è quella linea, e più risparmi senza perdere assolutamente niente in qualità. È la voce di spesa che quasi tutti sbagliano al rialzo, per il semplice motivo che scegliere il migliore sembra sempre la scelta prudente.

13. Riusa la parte fissa. Se mandi ogni giorno la stessa identica cornice (le stesse istruzioni, gli stessi documenti di riferimento), esiste il modo di farla pagare una volta invece che tutte. È la cosa che tiene il mio conto a 12.000 dollari invece che a cinque volte tanto. Se lavori solo dentro le chat, questa succede già dietro le quinte e non devi farci niente. Se hai cominciato a costruire, è una leva che si governa.

14. Metti un tetto duro. Non “cerco di stare attento”: un limite vero, oltre il quale una richiesta non parte. Non lo puoi fare dentro la chat, per definizione. Serve qualcosa che stia in mezzo fra te e il fornitore.

15. Rispondi senza disturbare il modello. La chiamata più economica è quella che non fai. Se la risposta ce l’hai già, il sistema deve poterla restituire senza svegliare nessuno. È la regola 9 di sopra, ma automatica: non “me la vado a cercare io”, bensì “il sistema se ne accorge da solo”.

Guarda queste sei una accanto all’altra e vedi la cosa che hanno in comune. Nessuna di loro è un’abitudine. Sono tutte pezzi di infrastruttura, e hanno un tetto che le nove di prima non hanno.

Il tetto è questo, ed è più duro di quanto sembri: nessuna istruzione può rimpicciolire la richiesta dentro cui si trova. Puoi scrivere le regole più intelligenti del mondo dentro le tue impostazioni, ma quando il modello arriva a leggerle, la busta è già partita ed è già piena. La conversazione c’era già. I documenti fissi c’erano già. Le descrizioni degli strumenti c’erano già. Tu stai dando istruzioni a qualcuno che ha già ricevuto il pacco.

Per andare sotto quel tetto bisogna intervenire prima che la richiesta parta: decidere cosa ci entra, invece di chiedere gentilmente di ignorarlo dopo.

Ed è esattamente il lavoro che ho fatto sul mio sistema quest’anno, partendo da un numero che quando l’ho visto scritto mi ha messo di malumore per un pomeriggio intero.

Il mio ambiente di lavoro aveva un intero strato di regole di governo: come si nominano i file, dove vive ogni cosa, come si pianifica, cosa si fa prima di costruire. Roba buona, scritta bene, pensata per proteggermi dagli errori. 140 KB di regole, che in teoria andavano lette a ogni avvio. In pratica erano circa 40.000 token bruciati prima della prima azione utile della giornata, ed è il motivo per cui non le leggeva mai nessuno, me compreso.

E qui c’è la parte che mi ha insegnato più di tutte: una regola che nessuno rispetta non protegge niente. Fa peggio, perché insegna che anche le altre sono facoltative.

La correzione non è stata scrivere regole migliori, né più corte. È stata smettere di caricarle: ognuna ha il suo momento, e fuori da quel momento non si apre. Stessa protezione, zero costo fisso.

Ma quello è il cantiere, e il cantiere è un’altra puntata. Giovedì, al bancone, per chi ha la tessera del Vault: i 140 KB, le altre tre cose che ho cambiato, e il pezzo del mio sistema che risponde a una domanda intera senza svegliare nessun modello.

Da dove viene l’impianto. L’organizzazione in 15 regole e la lettura per livelli sono di Nate B. Jones, che su questa roba ha fatto il lavoro sistematico e ha misurato la sua giornata da 3,77 miliardi di token. I numeri del mio cruscotto e il cantiere della prossima puntata sono miei. Il credito dove va.

📌 Prompt Espresso

Cosa fa questo: è un blocco di istruzioni da incollare una volta sola, che spegne all’origine i tre comportamenti che ti bruciano il conto senza darti niente in cambio.

Dove si mette. Non in chat. Va nel posto dove le istruzioni restano: le istruzioni personalizzate di ChatGPT, le preferenze di Claude, oppure le istruzioni di un Project se lavori così. Si incolla una volta e vale per tutte le conversazioni successive. Se lo incolli dentro una chat, la paghi a ogni turno insieme al resto, che è esattamente ciò che stiamo cercando di evitare.

Il blocco:

Sei un collaboratore operativo. Lavoriamo insieme tutti i giorni, quindi comportati come qualcuno che mi conosce, non come qualcuno che si presenta.

Come rispondi.
Niente preamboli. Non aprire con “Ottima domanda”, “Certo”, “Volentieri” o loro parenti. Parti dalla risposta.
Niente riassunto finale di quello che hai appena detto. Se l’ho letto, l’ho letto.
Niente offerte di aiuto in chiusura. Se mi serve altro te lo chiedo io.
Se ti do una lunghezza o un formato, quello è un vincolo, non un suggerimento. Se non te lo do, stai corto e chiedimi se serve di più.

Prima di leggere roba.
Se per rispondere ti servirebbe aprire un documento lungo, un file intero o fare una ricerca estesa, fermati e chiedimelo, dicendomi cosa ti serve e perché. Molto spesso il pezzo che ti manca te lo incollo io in dieci secondi.
Se un documento lo apri, lavora sulla parte che serve e dimmi quale hai usato.

Quando ho corretto qualcosa.
Se ti dico che una risposta non va, non ripartire da zero: dimmi in una riga cosa avevi capito, così io correggo la mia richiesta invece di farti tentare di nuovo alla cieca.
Quando arriviamo a una versione buona, chiudila: dammi il risultato pulito, da solo, senza il ragionamento che ci ha portato lì e senza le versioni precedenti. Quello è il pezzo che porto avanti io.

Quando cambio argomento.
Se mi vedi passare a un lavoro che non c’entra niente con quello di prima, dimmelo: “questo è un lavoro diverso, conviene aprire una chat nuova”. Non farmelo notare due volte, una basta.

Sui calcoli.
Quando c’è da contare, sommare, ordinare o confrontare numeri, fallo eseguendo il calcolo, non stimandolo a occhio.

[Personalizza qui] Il mio lavoro è: [es. consulenza a piccole imprese, studio tecnico, formazione, e-commerce]. Il mio formato di risposta preferito è: [es. massimo 200 parole / elenco puntato / tabella]. Le cose che so già e su cui non devi contestualizzarmi: [es. come funziona un LLM, il mio settore, i miei clienti].

⚠️ Attenzione, perché qui sta il valore vero. Questo blocco non ti fa risparmiare perché accorcia le risposte. Ti fa risparmiare perché ogni parola che non viene scritta oggi non viene riletta domani, e dopodomani, e per tutta la durata di quella conversazione. Una risposta più corta del 30% su una chat da trenta messaggi non ti fa risparmiare il 30% una volta: te lo fa risparmiare trenta volte.

E c’è un effetto collaterale che scoprirai in due giorni: le risposte diventano migliori. Non perché il modello si impegni di più, ma perché quando gli togli la possibilità di riempire lo spazio con cautele e contestualizzazioni, deve dire una cosa precisa. Che è la stessa cosa che è successa a quei 31 modelli messi sotto vincolo di brevità: 26 punti percentuali di precisione in più.

Il vincolo non è una gabbia. È quello che lo obbliga a impegnarsi.

Come capisci se sta funzionando. Non serve un cruscotto. Bastano tre segnali, tutti visibili a occhio nudo entro un paio di giorni.

Il primo: le risposte cominciano dalla risposta. Se la prima riga che leggi è già il contenuto e non una gentilezza, il blocco sta lavorando.

Il secondo, ed è il più importante: ti capita di essere interrotto. Il modello si ferma e ti chiede se può aprire un documento, oppure ti fa notare che stai cambiando lavoro. La prima volta dà fastidio. Poi ti accorgi che ogni interruzione di quel tipo ti ha appena risparmiato un pezzo di conversazione che non avresti mai visto.

Il terzo: alla fine delle sessioni ti ritrovi in mano dei risultati puliti e trasportabili, invece di dover andare a ripescare la versione buona in mezzo a mezz’ora di discussione.

Se dopo tre giorni nessuno di questi tre succede, il blocco non è nel posto giusto. Il caso più frequente è averlo incollato in una chat invece che nelle impostazioni: lì vale per quella conversazione e basta, e per giunta te lo paghi a ogni turno. Controlla quello prima di cambiare le parole.

Ultima cosa, ed è una raccomandazione seria: questo blocco è un punto di partenza, non un testo sacro. Le prime due settimane tienilo d’occhio. Se ti accorgi che una regola ti sta togliendo qualcosa che ti serviva davvero, toglila. Una istruzione che ti costringe a combattere ogni giorno costa più di quello che risparmia, e a quel punto sei di nuovo al punto di partenza: a discutere con la macchina invece di lavorarci.

☢️ Humor Radioattivo

Fuori è tardi.

Le luci del bunker sono già a metà, e il rotolo dello scontrino è ancora lì per terra.

La cosa strana di questa storia è che nessuno ti ha mai chiesto più soldi. Il prezzo è identico a un anno fa. Sei tu che sei arrivato a portarti dietro trenta volte più roba per fare la stessa cosa.

E la buona notizia sta tutta lì dentro: il tuo limite non è l’abbonamento che paghi. È quanto passato ti trascini dietro a ogni messaggio.

Quello lo decidi tu.

Il bancone chiude qui, per stasera.

Nove cose da fare stasera, sei da costruire. Le prime nove ti bastano per non sentire più i limiti addosso il martedì pomeriggio. Le altre sei sono il cantiere, e giovedì al bancone ti faccio vedere il mio: i 140 KB che nessuno leggeva, il conto di 40.000 token che ho pagato per mesi senza saperlo, e le quattro cose che ho cambiato per smettere.

Nel frattempo, il gesto di stasera è uno solo: la prossima volta che stai per scrivere “no, rifallo”, torna su e correggi la tua richiesta.

Costa un secondo in più. Ti risparmia tre giri.

☢️ Matteo

Se conosci qualcuno che si lamenta dei limiti di ChatGPT o di Claude e ha già valutato di pagare il piano sopra, mandagli questa puntata prima che lo faccia. C’è una discreta probabilità che non gli serva.

Condividi

Pieter de Vries ha una libreria a Haarlem, in Olanda. Roba specializzata, titoli fuori catalogo, il tipo di posto dove vendi venti libri a settimana e conosci il nome di chi entra.

Qualche mese fa gli arriva una richiesta via mail: una società con sede a Singapore vuole quasi tremila titoli. Non un titolo in tremila copie. Tremila titoli diversi, selezionati per codice ISBN, senza nessuna domanda sul contenuto. Allegato un accordo di riservatezza.

Lui ha pensato fosse phishing. Ha lasciato perdere.

Non era phishing. Era la coda di una filiera che nel 2026 è diventata industriale:

intermediari che comprano libri usati in blocchi da mille fino a un milione di copie, li spediscono a un fornitore che ne taglia il dorso con una lama idraulica, fa passare i fogli sciolti in uno scanner ad alta velocità, e manda la carta al macero.

La storia è uscita sui giornali italiani tra fine luglio e inizio agosto, con i toni che immagini: l’intelligenza artificiale che brucia i libri, la biblioteca di Alessandria al contrario, il solito repertorio.

Il repertorio è sbagliato. E la cosa interessante è che la realtà, quando la guardi bene, è molto più scomoda di quella storia lì.

Perché nessuno ha tagliato quei libri per cattiveria. Li hanno tagliati perché tagliarli era la strada legalmente più pulita. E la parte che riguarda te, quella che ti tocca il conto economico, non è nemmeno la carta: è cosa è diventato improvvisamente scarso, e quanto viene pagato adesso.

Nota di onestà, prima di partire. Questa puntata parla di Anthropic, cioè dell’azienda che fa Claude. Che è il modello con cui lavoro tutti i giorni e con cui ho scritto anche questa newsletter. Non ho nessuna intenzione di ammorbidire niente, ma preferisci saperlo prima che dopo.

☕ Tazza in mano. Si parte.

Iscriviti ora

💡 Pensiero del giorno

“Quando un comportamento assurdo diventa sistematico, quasi mai è colpa delle persone. È che qualcuno ha scritto male le regole del gioco, e loro le stanno seguendo alla lettera.”

🧪 AI in Azione

#1: L’uomo che aveva salvato i libri di Google è stato assunto per tagliarli

A gennaio 2026, dentro migliaia di pagine desecretate della causa Bartz contro Anthropic, compare una frase in un documento interno. È scritta senza giri di parole:

“Project Panama is our effort to destructively scan all the books in the world.”

Project Panama è il nostro tentativo di scansionare in modo distruttivo tutti i libri del mondo.

Nello stesso documento c’è anche l’indicazione che il progetto non doveva diventare pubblico. Non un’azienda che nasconde un piano criminale: un’azienda che sa benissimo come suonerà quando uscirà.

Il piano, ricostruito dagli atti, è lineare. Comprare libri usati in grandi blocchi, preferendo titoli poco comuni rispetto ai best seller già disponibili ovunque. Rimuovere il dorso con una taglierina, anche idraulica. Far passare le pagine sciolte in scanner industriali. Costruire una biblioteca digitale interna permanente. Mandare la carta al riciclo.

Ma il dettaglio che secondo me racconta tutta la vicenda meglio di qualsiasi altro è un’assunzione.

All’inizio del 2024 Anthropic ha assunto Tom Turvey, che per anni è stato il responsabile delle partnership di Google Books. Cioè l’uomo che aveva costruito il più grande progetto di digitalizzazione libraria della storia, oltre quaranta milioni di volumi, senza distruggerne uno solo, e che aveva difeso quel modello in tribunale per un decennio uscendone vincitore.

Lo hanno preso e gli hanno fatto costruire Panama.

Fermati un secondo su questa cosa. Non hanno comprato un ingegnere. Non hanno comprato una tecnologia: le taglierine e gli scanner esistono da vent’anni e li vende chiunque. Hanno comprato l’unica persona al mondo che aveva già vinto quella causa una volta.

Ti dice qual è la risorsa davvero scarsa in questo mercato, e non è tecnica. È sapere come si acquisisce un catalogo mondiale restando dalla parte giusta della linea.

E adesso il numero che non esiste. Gli atti parlano di una capacità richiesta a un fornitore compresa tra cinquecentomila e due milioni di libri in circa sei mesi. Trovi quella cifra ripetuta in quaranta articoli come se fosse un consuntivo.

Non lo è. È la capacità pianificata, la richiesta fatta a un fornitore. Parte dei documenti è oscurata. Quanti libri siano stati effettivamente distrutti, oggi, non lo sa nessuno.

Stessa cosa per l’aggettivo “rari”. Panama comprava titoli poco comuni perché costano poco e perché non sono già disponibili in digitale, non perché fossero cimeli da collezione. I casi di volumi rari e quasi unici arrivano dalle segnalazioni dei librai europei, che sono una filiera diversa, con committenti che nessuno ha ancora identificato. Snopes ci ha già fatto un fact-check sopra e ha ridimensionato esattamente lì.

Te lo dico perché è il primo test di questa storia: chiunque te la racconti mettendo “milioni di libri rari distrutti” nel titolo, ti sta vendendo indignazione, non informazione.

Il fatto solido è già abbastanza grosso da solo: un’azienda da miliardi di dollari ha progettato e avviato la distruzione sistematica di libri comprati legalmente, per costruire un archivio che nessuno all’infuori sua potrà mai consultare.

Iscriviti ora

#2: Il rogo non era cattiveria. Era conformità.

Qui arriva la parte che nel dibattito italiano non ho visto praticamente da nessuna parte, e che secondo me è il vero cuore della storia.

Giugno 2025, il giudice William Alsup emette la decisione che ha fatto giurisprudenza. In sintesi, tre pezzi:

Usare libri per addestrare un modello linguistico può rientrare nel fair use statunitense, perché l’uso è trasformativo. Il modello non ti restituisce il libro: impara a scrivere.

Comprare legalmente una copia cartacea, digitalizzarla e distruggere l’originale può essere lecito, perché la copia digitale sostituisce quella fisica. È un cambio di formato, come quando compri un CD e lo copi sul telefono. Una copia entra, una copia esce.

Scaricare libri piratati da archivi come LibGen e PiLiMi è invece una faccenda completamente diversa, e lì il fair use non ti copre.

Adesso guarda bene il secondo punto, perché contiene l’ingranaggio.

Il ragionamento regge solo se il cartaceo sparisce. Se Anthropic avesse tenuto il libro fisico in magazzino e in più la scansione, le copie sarebbero diventate due. E due copie non sono un cambio di formato: sono una riproduzione.

Tradotto: la sentenza che ha reso legale l’operazione rende la distruzione la strada più pulita. Non un effetto collaterale, non un eccesso di zelo. Il macero è la condizione tecnica che tiene in piedi la difesa legale.

Nessuno ha bruciato libri per disprezzo della cultura. Li hanno bruciati per stare dentro la sentenza.

E qui viene il colpo, perché c’è una seconda decisione che nessuno mette accanto a questa.

Settembre 2024, Second Circuit, causa Hachette contro Internet Archive. L’Internet Archive è una fondazione no profit. Compra libri fisici, li scansiona, e ne presta la versione digitale una copia alla volta, a una persona alla volta, esattamente come farebbe una biblioteca di quartiere. Si chiama prestito digitale controllato.

Verdetto: non è fair use. Illegale.

Rileggi le due frasi di fila.

Compri un libro, lo scansioni e lo presti a un essere umano uno per volta: illecito.

Compri un libro, lo scansioni, distruggi l’originale e lo dai in pasto a una macchina che vendi in abbonamento: lecito.

Stessi libri, stessa lama, stesso scanner.

Onestà intellettuale, perché altrimenti divento uguale a quelli che critico: le due cause ruotano su punti diversi. L’Internet Archive redistribuiva le copie a terzi, Anthropic le teneva chiuse dentro. La distinzione giuridica sta in piedi e non è una furbata dei giudici.

Ma il risultato pratico è quello lì. E la domanda che resta aperta è legittima: perché la copia digitale che sostituisce il cartaceo è accettabile se resta sepolta in un laboratorio privato, e non lo è se una biblioteca la presta a uno per volta?

Il punto operativo per te, che non stai né scansionando libri né gestendo una biblioteca. Quando vedi un comportamento sistematico che sembra assurdo, quasi mai è irrazionalità. È un incentivo scritto male che qualcuno sta seguendo con precisione.

Vale identico dentro la tua azienda. Se un reparto fa una cosa che ti sembra insensata e la fa da mesi, non stanno impazzendo: c’è una regola, un bonus, un criterio di valutazione che li premia esattamente per quello. Cambiare le persone non serve a niente. Devi trovare la regola.

Dal bancone: ci ho messo anni a capirlo. Le procedure assurde che trovi nelle aziende non sono quasi mai figlie di gente stupida. Sono figlie di qualcuno che, tre anni fa, ha scritto un criterio di valutazione in fretta. E adesso venti persone lo eseguono alla perfezione.

Iscriviti ora

#3: Il buco del Novecento

C’è una domanda ovvia che quasi nessuno si è fatto: se serve solo del buon testo umano, perché comprare e distruggere invece di usare quello che è già libero?

Perché l’alternativa non distruttiva esiste già, ed è finanziata dagli stessi attori.

A dicembre 2024 la Institutional Data Initiative di Harvard ha rilasciato un corpus di quasi un milione di libri di pubblico dominio, pronti per l’addestramento, disponibili a chiunque. Cinque volte la dimensione del famigerato Books3. Dentro c’è di tutto: Shakespeare, Dickens, Dante, manuali di matematica cechi, dizionari tascabili gallesi. Il progetto è finanziato da OpenAI e Microsoft. In parallelo stanno digitalizzando milioni di articoli di giornale storici con la Boston Public Library.

Quindi la strada pulita c’è, è pubblica, ed è pagata dagli stessi laboratori. E allora perché il taglierino?

Per una ragione che non ha niente a che fare con la tecnologia: il pubblico dominio finisce quasi cent’anni fa.

Il Novecento, cioè il secolo in cui è stato scritto praticamente tutto il sapere tecnico, scientifico, manageriale, industriale e narrativo che usiamo ancora oggi, è quasi interamente fuori catalogo ma ancora sotto copyright. Non lo ristampa nessuno perché non vende. Non lo puoi licenziare perché spesso non sai nemmeno chi contattare: l’editore è fallito, l’autore è morto, gli eredi sono introvabili. In gergo si chiamano opere orfane. Non esiste in digitale perché nessuno ha avuto interesse a digitalizzarlo.

Risultato: c’è un secolo intero di conoscenza umana che è contemporaneamente protetto e irraggiungibile. Non lo puoi comprare in licenza. Non lo puoi scaricare. L’unico modo legale di metterci le mani sopra è comprare la copia fisica usata, da qualche parte, in una libreria di Haarlem.

Ecco perché il mercato dell’usato è esploso da aprile 2026. Ecco perché ISBNdb è diventato l’infrastruttura per ordini bulk che vanno da mille a un milione di copie. Ecco perché librai in Olanda, Germania, Svizzera e Spagna raccontano di ordini anomali, selezionati per codice, con accordi di riservatezza. Ecco perché quelli sono passati da venti libri a settimana a diverse centinaia.

Non è avidità: è l’unico corridoio aperto verso il Novecento.

E quindi il problema vero non è la lama. È che abbiamo costruito un sistema di diritti in cui un secolo di cultura è troppo protetto per essere usato e troppo abbandonato per essere venduto. Quando l’unica porta legale verso un patrimonio è comprarne le ultime copie fisiche in circolazione, prima o poi qualcuno le compra tutte.

Su chi ci sia dietro la società di Singapore, per inciso, non si sa niente. Gli intermediari non dicono per conto di chi comprano. Chi ti racconta che “tutte le aziende AI stanno facendo la stessa cosa” sta tirando a indovinare: il caso documentato con prove resta uno solo. Ma il buco nella storia è esattamente lì, e secondo me è la domanda giornalistica più interessante rimasta aperta.

Iscriviti ora

#4: Il web è bruciato, e la carta è l’acciaio pre-bomba

Adesso la domanda a monte di tutto: perché un’azienda che ha già ingoiato mezzo internet dovrebbe accanirsi su della carta?

Un numero solo.

La quota di articoli online scritti prevalentemente da AI era il 4,2% prima di novembre 2022. A fine 2024 aveva superato il 50%.

In due anni, la fonte di dati più grande mai costruita dall’umanità si è riempita per metà di roba prodotta dalle macchine che quella fonte l’avevano usata per imparare.

C’è un termine tecnico per quello che succede quando alleni un modello sull’output di un altro modello: model collapse.

Non è una preoccupazione filosofica, è statistica. Ogni generazione di addestramento su dati sintetici riduce la varianza e taglia le code della distribuzione. Le code sono dove vivono i casi rari, le eccezioni, le formulazioni inusuali. Cioè esattamente le cose che rendono un testo interessante invece che mediocre. Fotocopi la fotocopia: dopo qualche giro hai un grigio uniforme.

E qui c’è un’analogia che secondo me è la cosa più utile che ti porti via da questa puntata.

Dopo il 1945, i test atomici hanno riempito l’atmosfera di isotopi radioattivi. Da quel momento tutto l’acciaio prodotto nel mondo è leggermente contaminato, perché la fusione usa aria. Per certi strumenti di misura sensibili, quell’acciaio è inutilizzabile. Per decenni la soluzione è stata una sola: recuperare acciaio dai relitti delle navi affondate prima della bomba. Si chiama acciaio a bassa radioattività, e vale un multiplo di quello normale.

Il testo umano scritto prima di novembre 2022 è l’acciaio pre-bomba.

Panama non è un progetto di lettura. È un’operazione di recupero relitti. I libri sono relitti: sigillati, datati, garantiti umani, per costruzione impossibili da contaminare a posteriori. Un libro stampato nel 1987 è l’unico formato di testo su cui hai la certezza matematica che nessuna macchina ci abbia messo le mani.

E adesso la parte che riguarda te, perché fin qui è cronaca.

Se il testo umano non contaminato è l’asset scarso del 2026, allora l’archivio della tua azienda ha appena cambiato natura.

Trascrizioni di call con i clienti. Ticket di assistenza con le risposte vere dei tuoi operatori. Manuali interni. Verbali di riunione. Registrazioni di formazione. Email di vendita, comprese quelle andate male. Note di cantiere, referti, perizie, preventivi con le motivazioni scritte a mano.

Tutta roba che ha tre caratteristiche che insieme valgono oro: è umana, è datata, ed è mai finita online. Nessun modello al mondo ce l’ha, perché non c’era modo di prenderla.

Non ti sto dicendo di vendere i tuoi dati a un laboratorio americano, che tra l’altro è una pessima idea per novantanove aziende su cento.

Ti sto dicendo una cosa più semplice e più immediata: quel materiale è il carburante per costruirti dentro casa un sistema che sa come si lavora da te, con il tuo linguaggio, i tuoi casi limite, le tue obiezioni ricorrenti. Un modello generico sa tutto del mondo e niente del tuo mestiere. Quella distanza la colma solo il tuo archivio.

Chi negli ultimi dieci anni ha buttato via le registrazioni delle call per liberare spazio ha buttato via l’unica cosa che l’AI non sa generare da sola: la prova di come lavorano gli esseri umani nel suo settore.

Dal bancone: in Morfeus lo stiamo facendo sul serio da un po’. Ogni call passa da un sistema che la sbobina, la struttura e la analizza, e quel materiale è diventato progressivamente la base di come formiamo le persone e di come rispondiamo ai clienti. Non è nato come progetto strategico: è nato perché mi ero stufato di riascoltare registrazioni. Il valore vero l’ho capito dopo, quando mi sono accorto che l’archivio rispondeva a domande a cui nessun modello generico sapeva rispondere. Non perché sia più intelligente. Perché era stato in quelle stanze.

Iscriviti ora

#5: Non comprano più il tuo testo. Comprano il tuo giudizio.

Se hai seguito fin qui, il finale ti sorprende, perché la storia dei libri è già vecchia.

Guarda cosa è successo al mercato dei dati umani nell’ultimo anno, e leggi i numeri lentamente.

Handshake: entra nel settore all’inizio del 2025 con un fatturato annualizzato tra i cinque e i dieci milioni di dollari. A gennaio 2026 è a cinquecentocinquanta milioni. Ad aprile 2026 sfiora un miliardo e cento milioni. Cento volte in un anno.

Mercor: circa cinquecento milioni annualizzati a settembre 2025, oltre un miliardo a febbraio 2026, oltre due miliardi a giugno 2026.

Scale, Surge, Mercor e Handshake insieme fanno più di tre quarti del fatturato dell’intero settore.

Le tariffe: Surge paga dai cinquanta ai duecento dollari l’ora agli esperti di frontiera. Mercor sta su una media di ottantacinque, con i senior sopra i duecento. Handshake tra cento e centoventicinque.

Adesso la cosa importante, che non è il denaro ma cosa comprano con quel denaro.

Nel 2026 il fronte si è spostato dalle etichette agli RL environments. Ambienti dove un professionista non produce contenuto, ma scrive la rubrica con cui si valuta se un lavoro è fatto bene. Quel criterio diventa il segnale di ricompensa che addestra il modello.

Riavvolgi tutta la puntata e guarda la traiettoria.

Prima compravano il testo grezzo del web, gratis. Poi si è contaminato, e hanno comprato libri di carta a peso, tagliandoli. Adesso pagano duecento dollari l’ora a un professionista in carne e ossa perché spieghi come distingue il lavoro buono da quello mediocre nel suo mestiere.

Non stanno più comprando cosa hai scritto. Stanno comprando come giudichi.

Ed è l’unica cosa che il web non ha mai contenuto, perché nessuno l’ha mai scritta. Il tuo criterio professionale vive nella tua testa, si vede nelle decisioni, non è documentato da nessuna parte. È la cosa che rende un senior un senior, e che nessuno riesce mai a trasferire ai junior se non per osmosi in tre anni.

Cosa ci fai, concretamente, lunedì mattina.

Prima cosa: smetti di cancellare. Registrazioni, trascrizioni, ticket, revisioni, bozze scartate con il motivo dello scarto. Il costo dello storage è ridicolo rispetto a quello che stai buttando. Non serve un progetto: serve smettere di distruggere.

Seconda cosa, e qui c’è il lavoro vero: scrivi il criterio. Non la procedura, il criterio. Non “come si fa un preventivo”, ma “come faccio a capire se questo preventivo è buono prima di mandarlo”. Non “come si gestisce un reclamo”, ma “cosa distingue una risposta che chiude il problema da una che lo rimanda”. È un lavoro faticoso e nessuno lo fa, perché non produce niente di visibile il giorno stesso.

Ma è esattamente il pezzo per cui i laboratori americani stanno pagando duecento dollari l’ora. Se vale quello per loro, è ragionevole pensare che valga qualcosa anche per te, dentro casa tua.

Terza cosa: usa quel criterio come istruzioni al modello, non come documentazione da archiviare. La differenza tra un output generico e uno utile quasi mai sta nel modello. Sta nel fatto che tu gli abbia detto o meno con quale metro misurare il risultato.

Iscriviti ora

📌 Prompt Espresso

Fai l’inventario del tuo corpus umano e trasforma il tuo criterio professionale in istruzioni operative

Questo sistema fa due cose. Prima ti fa capire cosa possiedi davvero in termini di materiale umano, datato e non pubblico, che è l’asset di cui abbiamo parlato per tutta la puntata. Poi ti fa estrarre la cosa più difficile da tirare fuori: il criterio con cui distingui il lavoro buono da quello mediocre nel tuo mestiere. Quel criterio, una volta scritto, diventa la parte del prompt che cambia davvero la qualità di quello che ottieni.

Apri Claude in un Project dedicato, così il contesto si accumula nel tempo invece di ripartire da zero ogni volta. Prompt di sistema all’inizio della conversazione:

“Sei un consulente senior specializzato in knowledge management e in estrazione di expertise tacita. Il tuo approccio è analitico e insistente: quando ricevi una risposta generica non la accetti, chiedi il caso concreto. Sai che le persone competenti sanno fare cose che non sanno spiegare, e il tuo lavoro è tirarle fuori a forza di domande specifiche. Io [ruolo, settore, dimensione dell’azienda]. Lavoriamo su tre fasi. Parti dalla FASE 1 e non passare alla successiva finché non te lo dico.”

FASE 1: L’inventario di quello che possiedi

L’obiettivo non è fare una lista di cartelle. È capire dove si trova il materiale umano che nessun modello ha mai visto.

Porta a Claude queste tre ricognizioni, una alla volta.

Primo: dove finiscono oggi le conversazioni reali con i clienti? Call, mail, chat, ticket, verbali, note post riunione. Per ciascuna fonte rispondi a tre domande: viene conservata, per quanto tempo, ed è cercabile o è un cimitero di file. La maggior parte delle aziende scopre qui che il materiale più prezioso è quello che sparisce più in fretta.

Secondo: quali decisioni prese negli ultimi due anni sono documentate insieme al perché? Non il risultato: la motivazione. Un preventivo vinto senza il motivo per cui era fatto così vale un decimo.

Terzo: cosa produci regolarmente che esiste solo nella testa di due o tre persone? Chiedi a Claude di aiutarti a classificare ogni voce dell’inventario secondo tre assi: quanto è umano il contenuto, quanto è specifico del tuo settore, quanto è disponibile altrove nel mondo. Quello che sta alto sui primi due e a zero sul terzo è il tuo asset.

Chiudi la fase chiedendo: “sulla base di questo inventario, quale singola fonte di materiale sto sprecando di più, e perché?”

FASE 2: L’estrazione del criterio

È la fase difficile. Serve un output ricorrente e importante del tuo lavoro: un preventivo, una diagnosi, un piano editoriale, una perizia, una risposta a un reclamo, un’analisi.

Prima domanda a Claude: “fammi le domande giuste per estrarre come valuto se un [output] è fatto bene, prima ancora di mandarlo al cliente. Non voglio descrivere il processo di produzione, voglio descrivere il metro di giudizio.”

Poi rispondi con esempi veri, non con principi. Il modo più rapido è per contrasto: prendi due lavori realmente prodotti, uno buono e uno mediocre, e spiega la differenza. La differenza, non la definizione.

Terza domanda, quella che vale tutta la fase: “quali segnali mi fanno capire che c’è qualcosa che non va prima ancora di aver finito di leggere?” Le persone esperte hanno sempre due o tre segnali di allarme rapidi, e non li hanno mai scritti da nessuna parte.

Chiudi chiedendo a Claude di riformulare tutto come una rubrica di valutazione a cinque voci, ciascuna con la descrizione di cosa distingue un risultato eccellente da uno accettabile.

FASE 3: Metterlo al lavoro

Chiedi a Claude di trasformare la rubrica della fase 2 in tre strumenti concreti.

Il primo: un blocco di istruzioni da incollare in testa ai tuoi prompt ricorrenti, che dice al modello con quale metro giudicare il proprio output prima di consegnartelo.

Il secondo: una checklist di revisione a sette punti da usare a mano, per le volte in cui l’AI non c’entra niente.

Il terzo: tre domande da fare a una persona nuova del team dopo trenta giorni, per capire se il criterio è passato o se sta solo copiando la forma.

⚠️ Avvertimento finale: se dopo la FASE 2 la tua rubrica potrebbe essere usata tale e quale da un concorrente, non hai fatto il lavoro. Sei rimasto sulle buone pratiche del settore, che sono già dentro il modello e non ti servono a niente. Il criterio che vale è quello che riflette il tuo contesto specifico, i tuoi clienti, gli errori che hai pagato caro. Torna alla FASE 2 e riparti dal contrasto tra due lavori veri, non da un principio generale. Il valore di questo sistema è direttamente proporzionale a quanto sei disposto a essere specifico e scomodo.

Iscriviti ora

☢️ Humor Radioattivo

Facciamo il conto di cosa è successo.

Google, dal 2002, ha digitalizzato oltre quaranta milioni di libri. Senza distruggerne uno. Le biblioteche si tenevano gli originali, ricevevano una copia digitale, e il risultato è ancora oggi consultabile da chiunque abbia una connessione. È stato portato in tribunale per anni, e ha vinto.

L’Internet Archive ha comprato dei libri, li ha scansionati, e li ha prestati uno alla volta come fa una biblioteca. È stato portato in tribunale e ha perso.

Anthropic ha comprato dei libri, li ha tagliati, li ha scansionati, ha mandato la carta al macero e ha usato il testo per addestrare un modello che nessuno può consultare come biblioteca. È stato portato in tribunale e, su quel punto specifico, ha vinto.

C’è una progressione, in queste tre righe, e non è confortante.

Perché la differenza non è “hanno tagliato i libri”. La differenza è per cosa li hanno tagliati.

Google ha costruito una biblioteca in cui puoi entrare. L’Internet Archive ha provato a costruirne una in cui potevi entrare, ed è per quello che ha perso. Anthropic ha costruito una biblioteca in cui non entra nessuno, e ha vinto anche grazie a questo: proprio perché quel materiale non esce, l’uso resta interno, e l’uso interno è difendibile.

La versione onesta della storia, quindi, non è che l’intelligenza artificiale distrugge i libri. È che qui la digitalizzazione ha smesso di essere conservazione ed è diventata acquisizione. Il libro non è stato distrutto, ed è peggio: è stato dissolto. È dentro il modello, disciolto in qualche milionesimo di peso, insieme a milioni di altri. Non lo puoi leggere, non lo puoi citare, non puoi verificare che ci sia.

Non è un archivio. È un ricordo.

E il paradosso finale, quello che tiene sveglio: se davvero la copia digitale “sostituisce” quella fisica, tra vent’anni per qualche titolo fuori catalogo del Novecento l’unico posto al mondo in cui quel testo esisterà ancora sarà dentro i pesi di un modello privato. Che non lo restituirà mai, perché non è stato costruito per restituire libri. È stato costruito per averli letti.

C’è un ultimo pezzo che riguarda specificamente chi lavora in Italia, e lo metto come ipotesi mia perché è quello che è.

Tutto questo mercato premia chi possiede corpus organizzati, catalogati e licenziabili. L’editoria italiana è frammentata, i cataloghi sono piccoli, il pubblico dominio in italiano è digitalizzato male e a macchia di leopardo. Il rischio non è la censura, è più banale e più difficile da correggere: che l’italiano finisca sotto rappresentato nei modelli per disordine contrattuale. Non perché qualcuno ci escluda, ma perché comprarci è troppo complicato rispetto a comprare altro.

Se lavori in italiano, questo è un problema tuo, e nessuno ci sta pensando.

Tre cose da portare via.

La prima: quando un comportamento assurdo diventa sistematico, cerca la regola che lo premia, non le persone che lo fanno. Vale per i libri tagliati e vale per il tuo reparto operations.

La seconda: il tuo archivio ha cambiato natura. Materiale umano, datato, mai pubblicato online è diventato la cosa più difficile da procurarsi al mondo, e tu ne hai dieci anni in una cartella che stavi per svuotare.

La terza, che è quella che conta davvero: il mercato è già oltre il testo. Quello che oggi vale duecento dollari l’ora non è cosa sai fare, è come giudichi se una cosa è fatta bene. Se non l’hai mai scritto, nessuno nella tua azienda lo sa tranne te. E quando esci dalla stanza, esce con te.

☢️ Matteo

Iscriviti ora

Ieri sera non stavo lavorando. Stavo aspettando che finisse di girare un’altra cosa e, per ammazzare il tempo, ho aperto il cruscotto che tiene il conto dei token che ho consumato con Claude negli ultimi 30 giorni. Una di quelle schermate che guardi distrattamente, come si guarda il contachilometri.

C’era un numero che non mi aspettavo.

$10.091,68

E mancava un pezzo. Perché il cruscotto non conosce il listino del modello più costoso che uso, e su quella riga scriveva soltanto n/a. L’ho calcolato a mano, riga per riga: altri $1.673,79.

Totale, 30 giorni: $11.765.

Sai quanto ho pagato davvero? 200 dollari. L’abbonamento. Quello che paghi anche tu, se hai il piano grosso.

Ho ricontrollato 3 volte, perché la prima reazione è stata pensare a un errore di virgola. Non c’era nessun errore. Sto usando 59 volte quello che pago. Uno sconto del 98,3%. E qui dentro non c’è tutto il resto: gli altri modelli che uso, gli altri strumenti, le altre piattaforme.

Questo è solo il caffè di una macchina sola.
(Sto contando Claude, e non tutti gli altri LLM che uso, senno ci aggireremmo verso i $15k/16k)

Adesso, prima che pensi che questa sia una puntata su di me e sulle mie bollette: non lo è.

Il mio numero è solo la ricevuta più leggibile che ho trovato di una cosa che riguarda te, esattamente quanto me. Perché se stai leggendo questa newsletter, con ogni probabilità stai usando anche tu una tecnologia che non ha alcun rapporto con quello che ti costa.

Ed è la cosa migliore che ti sia capitata professionalmente (e non solo) da anni.

Solo che ha una data di scadenza. E oggi ti faccio vedere dove è già scaduta.

☕ Tazza in mano. Si parte.

💡 Pensiero del giorno

“Non stai pagando l’AI. La stai usando mentre qualcun altro paga il conto. E il conto ha una scadenza.”

🧪 AI in azione

#1: La ricevuta, aperta

Partiamo dai miei numeri, perché voglio che tu li veda per intero prima di sentirmi ragionare sopra. Se la tesi ti convince, deve convincerti il dato, non la mia voce.

Ecco cosa dice il cruscotto negli ultimi 30 giorni.

301 sessioni di lavoro. 43.700 turni, cioè 43.700 volte in cui io ho detto qualcosa e la macchina ha risposto. 15,40 milioni di token in ingresso. 58,64 milioni in uscita. E poi il numero che ho dovuto rileggere 2 volte: 12,16 miliardi di token letti dalla cache. Dodici miliardi. In un mese. Da una persona sola, seduta a una scrivania sola.

Il costo stimato ai prezzi veri delle API, quelli che pagheresti se ti presentassi allo sportello senza abbonamento, è $11.765 in 30 giorni.

Su un abbonamento da 200 dollari.

Fattore 59.

Annualizzato sono circa $141.000 di consumo contro $2.400 pagati.

Nota bene una cosa, perché è il dettaglio che rende il numero credibile invece che sensazionale: la voce più pesante di tutte non è quello che scrivo io, e non è nemmeno quello che scrive la macchina.

È la lettura della cache. 12,16 miliardi di token. È il contesto che il sistema si rilegge in continuazione per capire dove siamo, cosa abbiamo già deciso, com’è fatto il progetto. È la memoria di lavoro. Ed è quella la parte che costa, perché è quella che si moltiplica quando smetti di chattare e cominci a far lavorare le macchine sul serio.

Tienilo lì, perché tra due sezioni diventa il perno di tutto.

#2: Perché il tuo abbonamento non ha niente a che vedere con quello che consumi

Prima cosa da chiarire, perché è il fraintendimento che rende questa puntata inutile se lo lasciamo in piedi: non ti sto dicendo che ti stanno regalando qualcosa per bontà. E non ti sto nemmeno dicendo che sono tutti sull’orlo del fallimento, perché come vedrai più avanti non è vero.

Ti sto dicendo una cosa più semplice e più solida: il prezzo che paghi e il costo di quello che consumi sono due numeri scollegati. Non correlati, non approssimativi: scollegati. Vivono in due mondi diversi. Tu paghi una cifra fissa decisa in base a cosa il mercato è disposto a pagare, e consumi una quantità variabile decisa da quanto sei bravo a usare lo strumento. Più diventi bravo, più il divario si allarga. È il contrario di ogni altra cosa che compri.

E il mio 59x non è un caso isolato da bar. È il pattern.

TechCrunch ha documentato utenti che generavano $35.000 di costi computazionali pagando 200 dollari al mese: un rapporto di 175 a 1, 3 volte il mio. SemiAnalysis, in una simulazione ripresa da Guerre di Rete, ha calcolato cosa costerebbero gli abbonamenti se fossero prezzati a consumo reale: l’abbonamento ChatGPT da 20 dollari arriverebbe intorno ai 700 dollari, e il piano Pro da 200 arriverebbe fino a 14.000.

Fermati un attimo su quest’ultimo. La loro simulazione teorica dice 14.000. Il mio contatore reale, misurato, dice 11.765. Sono la stessa cifra. Io ho semplicemente la ricevuta di una cosa che loro avevano stimato.

Il conto qualcuno lo paga, e i bilanci lo dicono. Le proiezioni interne di OpenAI indicano una perdita di circa 14 miliardi di dollari nel 2026 su ricavi intorno ai 13. I soli costi di inferenza, cioè il costo puro di far girare i modelli per gli utenti, passano da 8,4 miliardi nel 2025 a 14,1 miliardi nel 2026, e il margine lordo rettificato è sceso dal 40% del 2024 al 33% del 2025.

Non è solo un tema di chi produce i modelli: Notion ha dichiarato 10 punti di margine lordo persi solo per aver messo funzionalità AI dentro il prodotto

Dal bancone, il modo più onesto di leggerla è questo. Non sei un cliente, sei un’abitudine in costruzione.

E c’è un precedente che dovrebbe farti drizzare le antenne, perché non finisce con un fallimento: finisce con un conto.

Nel 2006 Amazon lanciò AWS a prezzi pensati per attirare sviluppatori e startup, non per fare margine. Oggi AWS ha tra i margini più alti di tutto il settore tecnologico. Nessuno è fallito. Semplicemente, a un certo punto, il prezzo ha smesso di essere un invito ed è diventato un prezzo.

Quella è la traiettoria. E non è una brutta notizia, a patto che tu sappia in che punto della curva sei seduto adesso.

#3: Il paradosso che rende inutile aspettare prezzi migliori

Adesso l’obiezione seria, quella che mi farei io se stessi leggendo. È anche l’unica ragione per cui questa puntata non è allarmismo.

L’obiezione suona così: “Matt, i prezzi della tecnologia scendono sempre. Ogni anno i chip sono più efficienti, i modelli più leggeri, il token costa meno. Perché dovrei preoccuparmi adesso invece di aspettare che diventi più economico?”

Ed è vera. È clamorosamente vera, molto più di quanto immagini.

Il costo medio per milione di token, secondo i dati Ramp, è passato da circa 10 dollari a 2,50 in un solo anno: meno 75%. GPT-4 nel 2023 costava 30 dollari per milione in ingresso e 60 in uscita; oggi la generazione corrente sta intorno a 5 e 30. Uno studio citato da Guerre di Rete parla di una riduzione di 600 volte dei prezzi medi per token tra il 2020 e il 2026. Epoch AI stima che, mettendo insieme prezzo ed efficienza, il costo dell’inferenza scenda a ritmi che si avvicinano a 200 volte l’anno.

Quindi hai ragione. Il token costa sempre meno. E adesso il ma, che è enorme.

Il costo per token crolla. Il consumo per persona esplode più in fretta.

Ecco il numero che spiega tutto. Un’interazione classica, quella a cui pensi quando pensi all’AI, cioè scrivo una domanda e ricevo una risposta, consuma intorno ai 2.000 token. Un singolo compito eseguito da un sistema ad agenti, cioè il modo in cui si lavora oggi, ne consuma tra i 50.000 e i 500.000. Da 25 a 250 volte tanto. Per un compito solo.

Perché? Perché quando smetti di chattare e cominci a delegare, dentro succede questo: la macchina rilegge il contesto, prova una strada, sbaglia, torna indietro, apre un file, ne apre un altro, si riporta al punto, verifica, corregge. Ogni passaggio si trascina dietro tutta la memoria di quello che è successo prima. Ricordi la voce più pesante della mia bolletta? 12,16 miliardi di token letti dalla cache. Quello. Non è un dettaglio tecnico: è il ritratto esatto del passaggio dalla chat al lavoro vero.

E si vede anche dall’altra parte del tubo. Google è passata da 10 a 16 miliardi di token al minuto in un solo trimestre. L’API di OpenAI è passata da 6 a oltre 15 miliardi di token al minuto tra l’autunno 2025 e la primavera 2026. Non è che ci sono più utenti: è che ogni utente pesa di più.

Il risultato lo stanno già scoprendo aziende molto più grandi di noi. Secondo Forbes, Uber ha bruciato l’intero budget AI del 2026 entro aprile. Yahoo Finance ha riportato il caso di un’azienda che in un solo mese ha speso 500 milioni di dollari di consumo su Claude.

Guarda la mia, di ripartizione. Non è distribuita: è concentrata. Pochi progetti si mangiano quasi tutto, perché sono quelli dove la macchina lavora invece di rispondere. Ed è esattamente lì che si crea valore, il che è il punto dell’intera faccenda.

Ecco perché aspettare prezzi migliori è la mossa sbagliata: il prezzo unitario che scende non ti raggiungerà mai, perché nel frattempo il tuo consumo per compito sale più in fretta di quanto il prezzo scenda. Chi aspetta di usare l’AI quando costerà poco sta aspettando un treno che va nella direzione opposta.

#4: E comunque è già cominciato (2 mesi fa)

Fin qui potresti ancora archiviarmi come uno che fa previsioni. Facciamola finita: questa non è una previsione. È cronaca, ed è recente.

Dal 1 giugno 2026 GitHub Copilot è passato alla fatturazione a crediti. Non più “abbonati e usa”, ma un saldo mensile che si consuma: 1 credito vale 1 centesimo, il piano Pro da 10 dollari include 15 dollari di crediti, e quando li finisci ogni richiesta premium in eccesso costa 4 centesimi. I completamenti di codice restano inclusi, ma tutto ciò che è agentico o conversazionale attinge al saldo. Nello stesso mese Cursor ha ristrutturato il proprio modello, agganciando l’abbonamento a un tetto di consumo alle tariffe API.

In poche settimane, il mercato degli strumenti di coding AI ha cambiato listino più che nell’anno precedente messo insieme. Crediti, token, quote, richieste premium, tetti giornalieri: il vocabolario si è riempito di unità di misura che un anno fa non ti servivano. E la parola che sta sparendo da tutti i piani è sempre la stessa: illimitato.

L’effetto sugli utenti è documentato, e non è morbido. Guerre di Rete riporta segnalazioni di utenti Copilot per cui il passaggio al nuovo modello significa andare da 29 a 750 dollari al mese, e un caso di stima fino a 3.000.

Non è un complotto e non è cattiveria. È la cosa più prevedibile del mondo: quando il consumo medio per utente si moltiplica per 30, il prezzo piatto smette di funzionare come strumento e diventa un buco. E allora si smette di vendere l’accesso e si comincia a vendere il consumo.

Fai il calcolo su di te, perché è quello che conta. Se domani il tuo strumento passasse da forfait a consumo, tu con che numero ti sveglieresti? Io lo so, il mio: 11.765. E l’ho scoperto per caso, aspettando che finisse di girare qualcos’altro. Tu il tuo lo sai?

#5: L’onestà sui numeri, cioè dove il mio ragionamento si incrina

Adesso la parte che mi costa, perché contraddice una cosa che pensavo e che stavo per scriverti con troppa sicurezza.

Nella mia testa, quando ho aperto quel cruscotto, la frase era: “te la regalano perché sono tutti in perdita”. È la versione che gira ovunque, è comoda, ed è la spina dorsale di ogni video allarmistico sull’argomento. Sono andato a controllare prima di scrivertela. Non è vera.

OpenAI perde, e parecchio: i 14 miliardi di cui sopra sono reali. Ma Anthropic, che è poi la casa del modello con cui ho generato quel conto da 11.765 dollari, è data in rotta per superare il miliardo di dollari di utile operativo entro il terzo trimestre del 2026, con un margine lordo salito intorno al 60%, e ad aprile 2026 ha sorpassato OpenAI nei ricavi annualizzati, circa 30 miliardi contro 25. Non è un’azienda che sta annegando. È un’azienda che ha imparato a nuotare.

E c’è di più che devo concederti. Il prezzo per token scende sul serio, l’ho documentato sopra e non era marketing. Le efficienze arrivano davvero. Non ho la sfera di cristallo, e chiunque te la venda su questo argomento ti sta vendendo qualcos’altro.

Solo che, quando ho finito di controllare, mi sono accorto che il dato che mi smentiva rendeva la conclusione più solida, non meno. Ed è questo il passaggio che voglio ti resti.

Se la tesi fosse “falliranno tutti, quindi i prezzi esploderanno”, allora la profittabilità di Anthropic la demolirebbe. Ma la tesi vera è un’altra: il divario tra quello che paghi e quello che consumi si sta chiudendo. E si può chiudere in due modi. Uno è il fallimento. L’altro, molto più probabile e già in corso, è che qualcuno diventi profittevole imparando a far pagare il giusto a chi consuma tanto. Il secondo modo non è più gentile del primo, per te. È solo più ordinato.

Un’azienda che arriva al 60% di margine lordo mentre i suoi utenti pesanti consumano 59 volte quello che pagano, ci arriva anche perché ha smesso di regalare la parte pesante. Ed è esattamente quello che è successo a Copilot il 1 giugno.

Quindi la correzione è questa, e te la do secca: non è che stanno perdendo soldi e quindi il prezzo salirà. È che stanno imparando a guadagnarli, e il modo in cui si guadagnano è farti pagare quello che usi. La finestra non si chiude per una catastrofe. Si chiude perché il mercato sta maturando, ed è la ragione per cui si chiuderà davvero invece di restare aperta per sempre.

#6: La cosa che scade non è l’accesso. È il diritto di sbagliare gratis.

Ultima, e la sola che ti chiedo di portarti via se il resto lo dimentichi.

Quando immagini prezzi più alti, immagini la cosa sbagliata. Immagini di non potertelo permettere. Non è quello il problema: se l’AI ti fa guadagnare, a 700 dollari al mese la paghi comunque, come paghi il commercialista. La perdita vera è un’altra, ed è invisibile finché non ci pensi.

Torna ai miei numeri. 43.700 turni in 30 giorni. Sai quanti di quelli sono stati utili? Forse la metà. Il resto sono tentativi finiti male, strade sbagliate, prompt scritti male, cose provate perché mi ero incuriosito, esperimenti che non hanno prodotto niente se non la conoscenza di come non si fa. Ho buttato via, nell’ordine, migliaia di dollari di calcolo per imparare.

E non ci ho pensato nemmeno una volta. Questo è il punto. Non una singola volta, in 30 giorni, mi sono chiesto se un tentativo valesse il suo costo. Ho premuto invio e basta.

Ora immagina lo stesso mese con il contatore acceso. Quel tentativo strano lo fai? Quell’esperimento che con ogni probabilità non porta a niente, ma che è esattamente il modo in cui si scopre cosa sa fare uno strumento, lo lanci? No. Cominci a razionare. Cominci a usare l’AI solo per le cose di cui sei già sicuro. E nel momento esatto in cui la usi solo per le cose di cui sei già sicuro, hai smesso di imparare qualcosa di nuovo con lei.

Ecco cosa scade. Non l’accesso: quello ci sarà sempre, a un prezzo. Scade la possibilità di sbagliare in quantità industriale senza che ti costi niente. E siccome la competenza vera su questi strumenti non si costruisce guardando tutorial ma bruciando tentativi, quella finestra lì è la scuola più economica che ti sia mai stata offerta. È aperta adesso. È aperta mentre leggi.

Da qui in avanti c’è un’asimmetria che si compone da sola. Chi in questi mesi ha bruciato 43.700 tentativi ha capito, nel corpo, cose che non si trasferiscono a parole: quando conviene delegare e quando no, come si spezza un problema perché una macchina lo regga, dove questi sistemi mentono, cosa succede quando gli dai troppo contesto e cosa quando gliene dai troppo poco. Chi ha aspettato il momento giusto arriverà quando ogni tentativo ha un prezzo, e imparerà le stesse cose spendendo di più e più lentamente, mentre l’altro è già 2 anni avanti.

Non ti sto dicendo di usare di più l’AI. Ti sto dicendo una cosa più precisa e più scomoda: usala adesso soprattutto dove non sei sicuro che funzioni. Il valore di questo periodo storico non è la produttività che ci tiri fuori oggi. È la mappa che ti costruisci mentre esplorare non costa niente.

Se non hai mai guardato quanto consumi, la mossa di questa settimana è quella: aprilo, quel contatore. Poi guarda il numero e chiediti l’unica domanda che conta, che non è “come faccio a spendere meno”. È: sto sbagliando abbastanza, finché sbagliare è gratis

?

📌 Prompt Espresso

Il tuo audit della finestra aperta.

Questo prompt non ti fa produrre niente. Ti fa vedere quanto della finestra stai usando davvero, e cosa non hai mai provato perché non ti è venuto in mente che si potesse. Nella mia esperienza è la lista al terzo punto quella che vale il caffè: quasi tutti scoprono di usare uno strumento straordinario per fare tre cose sole, sempre le stesse, da mesi.

Funziona con Claude o ChatGPT, e rende molto di più dentro un Project dove il sistema conosce già il tuo lavoro. Incolla, e rispondi alle domande senza abbellire, perché qui si bara solo con se stessi.

“Agisci come un consulente operativo senior, severo e dalla mia parte. Non devi farmi i complimenti su quanto sono avanti: devi dirmi quanto sto sfruttando davvero una tecnologia che oggi mi costa una frazione di quello che vale, e cosa mi sto perdendo. Il mio contesto è [es. libero professionista che fa consulenza, oppure marketing manager in un team da 8 persone, oppure titolare di un’azienda da 30 dipendenti]. Procedi in tre fasi, una alla volta, aspettando la mia risposta prima di andare avanti.

FASE 1, LA MAPPA. Fammi le domande giuste per ricostruire dove uso l’AI oggi, con che frequenza e per quali compiti. Distingui tra due categorie: dove la uso come scorciatoia per fare più in fretta una cosa che facevo già, e dove la uso per fare cose che prima non potevo fare affatto. Alla fine dammi la percentuale approssimativa tra le due, e dimmi cosa rivela di me quel rapporto.

FASE 2, LA ZONA CIECA. Elenca 5 aree del mio lavoro dove qualcuno nella mia posizione sta già ottenendo risultati con l’AI e dove io, dalle risposte che ti ho dato, non la sto usando per niente. Per ognuna dimmi cosa mi costa oggi non farlo, in tempo o in soldi o in opportunità. Sii specifico sul mio caso, niente elenchi generici.

FASE 3, I TRE ESPERIMENTI. Progettami 3 esperimenti da fare entro 7 giorni, scelti con questo criterio: non le cose che sicuramente funzionano, ma quelle che potrebbero non funzionare e che, se funzionassero, cambierebbero come lavoro. Per ognuno scrivi: cosa provo esattamente, quanto tempo ci metto, e come faccio a capire se ha funzionato. Il criterio di successo deve essere scritto prima di partire, non dopo.

Chiudi dicendomi quale dei tre faresti per primo se fossi in me, e perché.”

⚠️ Attento a come lo usi, perché c’è un modo di sprecarlo. Se prendi la Fase 3 e scegli l’esperimento che ti sembra più sicuro, hai riportato il prompt esattamente dentro l’abitudine da cui doveva tirarti fuori. Il senso di questo periodo storico è che puoi permetterti di lanciare la cosa che probabilmente non funziona. Fra un anno, quando ogni tentativo avrà un prezzo, valuterai prima di provare, e valutare prima di provare è il modo in cui si smette di scoprire. Fai quello che ti spaventa di più della lista. Oggi il tentativo sbagliato ti costa un caffè. È l’unica finestra in cui l’ignoranza è economica.

☢️ Humor Radioattivo

Bancone del bunker, notte fonda. Sopra la macchina del caffè, un’insegna al neon che ronza:

ESPRESSO · $0,20

Sotto, molto più piccolo, quasi nascosto, un cartellino scritto a mano e attaccato con lo scotch:

costo reale $11,76 · offre la casa (per ora)

Al bancone, un tizio con la faccia di chi ha appena capito qualcosa. Indica l’insegna grande e dice al barista:

“Ne prendo dodicimila.”

Il barista, senza alzare lo sguardo dalla macchina, mentre ne versa già un altro:

“Bravo.”

Il cartellino piccolo prima o poi diventerà quello grande. Succede sempre.

Fino ad allora, il bancone è aperto e la macchina è accesa.

Bevi.

☢️ Matteo

Iscriviti ora

Condividi il bunker. Se conosci qualcuno che sta aspettando il momento giusto per imparare l’AI sul serio, mandagli questa puntata. Non gli serve un tool nuovo e non gli serve un corso: gli serve sapere che il momento giusto è adesso, e che il motivo non è l’entusiasmo. È il prezzo. Meglio un caffè oggi che un incidente domani.

Condividi

Oggi ti chiedo un po’ di sforzo, ti chiedo di ragionare assieme al tuo barista di fiducia.

C’è una frase che senti ovunque da mesi, detta con la stessa faccia con cui si annuncia il maltempo. “L’AI ci sta togliendo il lavoro.” La dicono al telegiornale, la dice tuo cugino, la pensi anche tu certe sere, quando chiudi il portatile e ti chiedi dove sarai fra due anni.

È una paura legittima, e non sono qui per accarezzartela. Sono qui per farti vedere un dato che è appena uscito e che quella frase la spacca a metà.

Ma prima, se non ci conosciamo, lascia che ti dica come mai posso dare un parere oggettivo sulla cosa.

Nell’ultimo anno ho formato più di mille persone riguardo al mondo AI e sono entrato in oltre trenta aziende diverse a portare l’AI dentro i loro processi, oltre a usarla ogni giorno sulla mia pelle.

E dopo tutto questo, una cosa te la garantisco senza esitare: la rivoluzione AI è per il 10% tecnologia e per il 90% umanesimo.

Non sono i modelli a fare la differenza.

Sono le persone.

Queste diavolo di persone contano molto più di qualsiasi strumento tu possa comprare, ed è esattamente questo che i numeri di oggi stanno per dirti.

Perché a fine giugno è arrivato lo studio più serio finora sul rapporto tra spesa in AI e posti di lavoro.

Non un sondaggio, non un’opinione di LinkedIn: 21500 aziende americane, tracciate mese per mese incrociando quanto spendono davvero in AI con quanta gente assumono davvero. E il risultato ribalta la favola: le aziende che sull’AI puntano sul serio, nei due anni dopo, hanno assunto di più.

Non di meno. Di più. E, sorpresa che manda in cortocircuito tutti, hanno assunto più giovani.

Adesso fermati un secondo, perché qui non ti sto dando una notizia da inoltrare.

Ti sto dando una mappa. Questo dato non serve a farti dire “ah, che interessante” e passare oltre. Serve a dirti da che parte di una linea vuoi trovarti nei prossimi 24 mesi, perché quella linea si sta tracciando adesso, mentre leggi, e non aspetta il tuo permesso.

☕ Tazza in mano. Si parte.

Paper completo (fonte primaria, con metodologia e numeri):
https://ramp.com/data/ai-jobs-impact/paper

Pagina di sintesi Ramp (più leggibile, con i grafici):
https://ramp.com/data/ai-jobs-impact

Lettura di Revelio Labs (il partner dei dati sul lavoro, con i caveat):
https://www.reveliolabs.com/news/ai-and-work/greater-ai-investment-more-hiring/

Iscriviti ora

💡 Pensiero del giorno

“L’AI non divide chi lavora da chi verrà sostituito. Divide chi la usa sul serio da chi la sfiora. E la seconda categoria è l’unica in pericolo.”

🧪 AI in azione

#1: Il dato che nessuno si aspettava, e perché parla di te

Partiamo dai numeri, perché per una volta sono così netti che non serve girarci intorno.

Lo studio l’hanno fatto Ramp, che processa pagamenti per decine di migliaia di aziende, insieme a Revelio Labs, che segue i dati sul lavoro. Il colpo di genio è nel metodo: invece di chiedere alle aziende “usi l’AI?” e fidarsi della risposta, hanno guardato quanto ciascuna spende davvero in strumenti di AI, leggendolo dalle carte aziendali e dai pagamenti reali. P

oi hanno incrociato quel numero con l’andamento del personale, mese per mese, su ventunomilacinquecento aziende, da gennaio 2021 a febbraio 2026. Spesa osservata, non dichiarata. È la prima volta che qualcuno collega i soldi veri messi sull’AI ai posti di lavoro veri.

Ecco cosa è saltato fuori. Le aziende che investono in AI ad alta intensità, quelle che ci puntano sul serio, nei 24 mesi successivi hanno aumentato il personale del 10,2%. Le aziende che l’AI la sfiorano appena, i cosiddetti adopter a bassa intensità, non hanno guadagnato niente di statisticamente rilevante: personale fermo, un impercettibile meno 0,6%. Stesso identico strumento, sul tavolo di tutte e due. Risultato opposto.

E adesso il numero che dovrebbe farti drizzare la schiena, perché contraddice la paura più diffusa di tutte.

Quella secondo cui l’AI colpirà prima i giovani, i junior, chi deve ancora entrare. Nelle aziende ad alta intensità gli assunti entry-level sono cresciuti del 12%

, e la loro quota sul totale è salita di oltre un punto rispetto alle altre. Nelle aziende a bassa intensità, invece, la fetta di giovani è calata. Rileggi: dove l’AI si usa di più, i giovani entrano di più. Dove si usa a metà, entrano di meno.

Perché questo riguarda te e non è solo statistica da bar. Perché ti sta dicendo che la variabile che decide il tuo futuro professionale non è “l’AI esiste o no”. Quella battaglia è finita, l’AI esiste. La variabile è “sono dentro o vicino a un’organizzazione che la usa sul serio, o a una che la tiene sulla scrivania come soprammobile?”.

E questa non è una domanda sul mondo. È una domanda su di te, a cui puoi rispondere, e su cui puoi agire da lunedì.

Iscriviti ora

#2: Il buco nella favola dell’apocalisse

Adesso ti spiego perché la narrativa “l’AI distrugge i posti di lavoro” è così popolare pur essendo, così com’è raccontata, incompleta. E perché lasciartela raccontare male ti costa caro.

La favola dell’apocalisse ha un difetto di fabbrica: tratta l’AI come un evento meteorologico. Una cosa che ti piove addosso e tu subisci, come la grandine sul raccolto. In questa storia tu non hai parte attiva, sei solo la vittima designata di una forza più grande. È una narrazione comoda, perché ti toglie ogni responsabilità: se il lavoro sparisce, la colpa è della macchina, non di come tu o la tua azienda avete deciso di usarla o di ignorarla.

I dati raccontano una storia diversa e molto più scomoda. L’AI non piove sul mercato in modo uniforme. Non toglie e basta, non aggiunge e basta.

Ridistribuisce, e lo fa in base a una linea precisa: da un lato chi la integra fino in fondo, dall’altro chi la usa a metà o la snobba. Nelle prime, il lavoro cresce, e cresce anche per chi comincia. Nelle seconde, ristagna. Non è l’AI contro i lavoratori. È chi la cavalca contro chi la guarda passare.

Dal bancone te lo dico chiaro, perché è la parte che quasi nessuno ha il coraggio di dirti. Il pericolo vero, per la tua carriera, non è finire in un’azienda che adotta l’AI.

È finire in un’azienda che finge di adottarla.

Quella che compra tre licenze, le fa usare a due persone il venerdì pomeriggio, e intanto smette di assumere e di crescere perché “tanto ora c’è l’AI”. Quella non ti protegge dal futuro: ti ci butta dentro lentamente, con la scusa di stare risparmiando. Il posto più rischioso in cui puoi stare oggi non è dove l’AI arriva. È dove arriva a metà.

E qui sta la ragione per cui leggere questi dati non è passatempo. Un’informazione così cambia le domande che fai a un colloquio, cambia come guardi l’azienda in cui già sei, cambia dove decidi di investire i tuoi prossimi due anni.

Chi legge questa roba e la usa, sceglie. Chi la ignora, viene scelto. È sempre la stessa soglia, in ogni cosa.

Iscriviti ora

#3: La soglia di intensità, e perché è l’unica cosa che conta

Voglio che ti resti impresso un concetto solo, perché è il perno di tutta la puntata: la soglia di intensità.

Lo studio la fotografa in modo brutale. Non esistono “le aziende che usano l’AI” come categoria unica. Esistono due specie diverse, che si comportano in modo opposto pur avendo gli stessi strumenti a disposizione.

C’è chi supera la soglia, chi ci mette dentro budget vero, chi ristruttura il modo di lavorare intorno a questi strumenti invece di appiccicarli sopra il vecchio processo.

E c’è chi resta sotto, chi compra qualche abbonamento per dire di esserci e poi continua esattamente come prima. Il primo gruppo cresce del 10%. Il secondo resta fermo. La differenza non è lo strumento. È l’intensità con cui lo si usa

Ti do l’immagine che uso io, dal bancone. L’AI a bassa intensità è come iscriversi in palestra a gennaio e andarci due volte.

Hai la tessera, hai speso i soldi, puoi dire a tutti che “ti sei iscritto”.

Ma il tuo corpo non lo sa, perché il corpo non risponde all’iscrizione, risponde all’allenamento. Le aziende a bassa intensità hanno la tessera dell’AI e il fisico di prima. Poi si stupiscono che non cambia niente, e a volte concludono pure che “l’AI è sopravvalutata”.

No. Sei tu che ci sei andato due volte.

Adesso applicalo dove ti serve davvero. Guarda l’azienda in cui lavori, o la tua se ce l’hai, e rispondi onesto: siamo sopra o sotto la soglia?

L’AI qui è un modo nuovo di lavorare che sta cambiando come facciamo le cose, o è un giocattolo che tre persone usano di nascosto mentre il processo ufficiale è rimasto al 2022? Non è una domanda accademica.

È la domanda che predice se, nei prossimi due anni, quel posto assumerà, crescerà, si espanderà, oppure taglierà lentamente dicendo che è colpa dei tempi. La soglia non la decide il destino. La decide chi comanda quel budget. E se quello sei tu, hai appena letto qual è la scelta giusta.

Iscriviti ora

’

#4: L’onestà sui numeri, che è la parte che ti fa fidare

Adesso la parte che un guru ti salterebbe a piè pari, perché rovina l’entusiasmo. Io invece te la do, perché senza questa i numeri di prima sono propaganda, e io propaganda non ne servo.

Lo studio ha un limite grosso, e gli autori sono i primi ad ammetterlo: è correlazione, non causalità.

Cosa vuol dire in parole da bancone?

Vuol dire che non è dimostrato che sia l’AI a creare quei posti di lavoro. Le aziende che investono tanto in AI, si scopre, erano già diverse prima: più grandi, più tecniche, più veloci, spesso finanziate da venture capital.

Crescevano già a un ritmo mediano del 6%, l’1,6% delle altre. Erano già cavalli da corsa. Quindi è possibile che non sia l’AI a farle correre, ma che siano le aziende che corrono a comprare più AI. Il classico dubbio: è l’uovo o la gallina.

Un altro pochi te lo dicono: la crescita è concentrata soprattutto in un settore, quello dell’informazione e del tech. E lo studio guarda solo le teste, quante persone entrano ed escono. Non dice niente su quanto vengono pagate, se il lavoro è migliore, se le mansioni sono più dignitose.

Sono dati sulla quantità, non sulla qualità. Onestà completa: questo studio da solo non chiude la partita.

Ma ecco perché ti serve lo stesso, anzi ti serve di più proprio grazie a questi limiti. Anche nell’ipotesi più prudente, quella in cui non è l’AI a creare i posti ma sono le aziende sane a usarla di più, la lezione per te non cambia, cambia solo il verso: vuoi stare dalla parte delle aziende che l’AI la usano a fondo, perché quella è la firma, il segnale, il marchio delle organizzazioni che stanno vincendo in questo momento storico.

Che sia causa o sintomo, il posto giusto è lo stesso. Usare l’AI ad alta intensità o è ciò che ti fa crescere, o è la prova che stai già crescendo. In tutti e due i casi, è lì che vuoi essere. E questo, i dati incompleti, te lo dicono comunque.

Iscriviti ora

#5: Da che parte della soglia stai, e come ci passi

Ultima, e la più pratica, perché fin qui è tutta analisi e a te serve un gesto.

Ti ho raccontato mesi fa, in una delle puntate più dure, dove i ruoli spariscono: quel lavoro di coordinamento che stava nel mezzo, che l’AI si mangia per primo. Questa è la faccia opposta della stessa medaglia, e messe insieme raccontano tutta la storia. L’AI non toglie o aggiunge lavoro in astratto.

Sposta il valore da una parte all’altra di una soglia. Da chi esegue e coordina, verso chi decide, indirizza, costruisce. Da chi la sfiora, verso chi la usa fino in fondo. Il tuo compito, l’unico che conta, è capire da che parte sei e, se sei dalla parte sbagliata, spostarti finché sei tu a poterlo fare.

Ti do la diagnosi concreta, quella che facciamo su noi stessi.

Noi, con Morfeus, siamo per definizione un’azienda ad alta intensità: l’AI non è un tool che usiamo, è il modo in cui lavoriamo, dalla prima riga di codice a questa newsletter che stai leggendo. E il risultato è esattamente quello dello studio: non stiamo tagliando, stiamo costruendo. Non è un vanto, è una prova sul campo di una cosa semplice. Chi passa la soglia, cresce. La trasformazione che poi insegniamo agli altri è letteralmente questa: portare una persona, un team, un’azienda dal lato sbagliato della soglia a quello giusto. Perché è lì che smette la paura e comincia il vantaggio

.

E se quel dato sui giovani, il più 12% di entry-level, ti è sembrato un’astrazione, ti dico dove lo vedo diventare vero ogni giorno: basta guardare il nostro team. Sono tutti giovanissimi.

Non li ho scelti perché fossero i più talentuosi del pianeta, li ho scelti perché hanno una fame di fare che non si insegna, e in un’azienda ad alta intensità quella fame vale più di dieci anni di esperienza fatta col pilota automatico. Come stiamo costruendo quella cultura, come si tiene insieme una squadra così, è una storia troppo lunga per oggi, e un giorno ve la racconterò per intero al bancone. Per adesso tienti solo questo: i giovani non li sta spazzando via l’AI. Li sta chiamando dentro chi la usa sul serio.

E allora ecco cosa fai tu, concretamente, non domani, oggi. Smetti di chiederti se l’AI ti toglierà il lavoro, è la domanda dei perdenti perché ti mette nel ruolo di vittima. Fai la domanda dei vincenti: come divento io, o come diventa il mio pezzo di mondo, un adopter ad alta intensità nei prossimi novanta giorni? Che processo che oggi faccio a mano posso ristrutturare intorno all’AI, non appiccicandogliela sopra ma ripensandolo da zero? Dove sto usando la tessera della palestra senza allenarmi?

La soglia è una scelta, e le scelte si fanno. Chi resta sotto lo fa quasi sempre non per mancanza di strumenti, ma per mancanza di decisione.

Tu la decisione ce l’hai in mano adesso. Prendila.

Iscriviti ora

📌 Prompt Espresso

Scopri da che parte della soglia stai, e cosa fare per passarla.

Questo prompt non ti fa produrre un contenuto. Ti fa una diagnosi, che è una cosa molto più preziosa e che nessuno si ferma mai a fare. Ti dice, dati alla mano, se tu o la tua azienda siete adopter ad alta o bassa intensità, e ti dà il piano per salire di livello. Funziona con Claude o ChatGPT, e rende molto di più se lo tieni dentro un Project dove il sistema conosce già il tuo lavoro e i tuoi obiettivi.

Incolla questo, poi rispondi alle domande che ti fa senza barare, perché su questo si bara solo con se stessi.

“Agisci come un consulente operativo senior specializzato in adozione dell’AI, severo e dalla mia parte. Il tuo compito non è farmi sentire avanti, è dirmi la verità su quanto uso davvero l’AI e cosa mi manca per usarla sul serio. Analizza la mia situazione [es. sono un professionista freelance, oppure lavoro in un team marketing da 8 persone, oppure guido un’azienda da 30 dipendenti] con questo percorso in tre fasi, una alla volta.

FASE 1, DIAGNOSI. Fammi le domande giuste per capire se sono un adopter ad alta o bassa intensità: quanti processi ho davvero ristrutturato intorno all’AI contro quanti la usano solo come scorciatoia occasionale, dove l’AI è centrale nel mio lavoro e dove è un giocattolo del venerdì. Alla fine dammi un verdetto secco: alta intensità, bassa intensità, o solo tessera della palestra.

FASE 2, IL COSTO DELLO STARE FERMO. Dimmi con onestà cosa mi succede nei prossimi ventiquattro mesi se resto al livello di intensità di oggi, sia se ho ragione io sia se ha ragione chi mi sta intorno. Nessuna morale, solo la conseguenza concreta sul mio lavoro e sulle mie opportunità.

FASE 3, IL PIANO PER PASSARE LA SOGLIA. Dammi i tre processi che oggi faccio a mano e che avrebbero l’impatto più alto se li ripensassi da zero intorno all’AI, non appiccicandogliela sopra. Per ognuno, il primo passo che posso fare questa settimana, non tra sei mesi.”

⚠️ Il valore di questo prompt non è nella diagnosi, è in cosa fai il giorno dopo. Sapere di essere a bassa intensità e non muoversi è peggio che non saperlo, perché a quel punto è una scelta consapevole di restare indietro. La soglia di cui parliamo oggi la passa solo chi trasforma una diagnosi in un gesto. Se usi questo prompt per confermarti che “tanto vai bene così”, hai sprecato il caffè. Usalo per trovare l’unico processo da cambiare lunedì, e cambialo.

Iscriviti ora

☢️ Humor Radioattivo

Due porte, una accanto all’altra, nel corridoio del bunker.

Sulla prima, un’insegna al neon che ronza: “QUI L’AI CI RUBA IL LAVORO”. Dentro, buio, una sedia vuota, polvere. Nessuno che entra, nessuno che esce.

Sulla seconda, luce accesa, gente che va e viene di corsa, cartello scritto a mano appiccicato storto: “CERCASI, ANCHE JUNIOR”. Sopra la porta, la stessa identica macchina che c’è nella prima stanza.

Un ragazzo col curriculum in mano guarda le due porte. Non sa che sono lo stesso ufficio, sei mesi dopo, a seconda di chi l’ha usata.

Le due stanze hanno la stessa macchina. Cambia solo chi ci ha creduto abbastanza da usarla sul serio.

La paura ti fa fissare la prima porta. I dati ti dicono di bussare alla seconda. E la seconda, oggi, sta assumendo.

☢️ Matteo

Iscriviti ora

Condividi il bunker. Se conosci qualcuno che sta vivendo con l’ansia dell’AI che gli porta via il lavoro, mandagli questa puntata. Non gli serve una rassicurazione, gli serve una mappa: il rischio non è l’AI, è restare dalla parte sbagliata di una soglia che può ancora scegliere. Meglio un caffè oggi che un incidente domani.

Condividi

Alla prossima tazza.

Tier Vault, quello dove si dicono le cose per intero, anche quelle che di solito un creator si tiene per sé.

Oggi ti apro il retro del bancone. Ti faccio vedere come nasce davvero quello che stai leggendo, perché è la cosa che più spesso mi viene chiesta e più spesso viene fraintesa.

So già cosa pensa una parte di te. “Allora è tutto automatico. Schiacci un bottone, esce la puntata, e tu non fai più niente.” È l’accusa del momento, e la gente si indigna quasi con sollievo, come se avesse smascherato un trucco. Lascia che ti tolga il gusto della caccia alle streghe subito: sì, l’AI fa una parte enorme del lavoro pesante di questa newsletter. E no, non è la domanda che conta.

Perché questa cosa che stai leggendo va avanti da più di un anno. In quel tempo è finita nella top 16 al mondo tra le newsletter Substack a più alta crescita nel settore tecnologia.

Non lo dico per battermi il petto. Lo dico perché quei numeri rendono la domanda “l’ha fatta un’AI?” completamente irrilevante, e ti sfido, adesso, mentre leggi: dimmi quale riga di questa puntata l’ha decisa una macchina al posto mio. Non ci riesci. E tra poco capirai perché.

C’è un fatto più grande sotto, e riguarda te molto più di me. Quando generare contenuti costa zero, e ne esiste una quantità infinita, l’unica cosa rimasta scarsa è il gusto. La voce che si riconosce. La fiducia. Chi costruisce un sistema in questi anni e non lo capisce, costruisce una fabbrica di rumore. Oggi ti do il modo in cui io evito di diventarlo.

☕ Tazza in mano. Si parte.

Iscriviti ora

💡 Pensiero del giorno

“Lo slop non lo fa l’AI. Lo fa chi ha delegato il proprio gusto.”

🧪 AI in azione

#1: “È automatico?” è la domanda sbagliata

Partiamo dalla trappola, perché ci cascano quasi tutti, e ci cascano proprio quelli in buona fede.

Da quando l’AI scrive, disegna e monta, si è formato un riflesso: appena qualcosa è bello o utile, la prima reazione è “sì, ma l’hai fatto tu o l’ha fatto lei?”. Come se la mano che tiene lo strumento cambiasse il valore di quello che esce. È una domanda che ci fa sentire onesti, rigorosi, immuni all’inganno. In realtà è solo una domanda che non serve a niente, e ti spiego perché.

Prova a farla su qualsiasi altra cosa che usi ogni giorno. Il pane che compri è “fatto a mano” o l’ha impastato una macchina? La canzone che ti ha salvato la giornata è stata registrata su nastro o dentro un computer? Il farmaco che ti ha tolto il mal di testa l’ha sintetizzato un chimico a mano o un impianto? Non te lo sei mai chiesto, perché la domanda giusta l’hai già fatta senza accorgertene: mi nutre, mi emoziona, mi cura. Funziona. Il resto è teatro.

Sui contenuti dovrebbe valere lo stesso, e invece qui l’orgoglio si mette di traverso. Allora ribaltiamola una volta per tutte. Le domande che contano davanti a qualsiasi cosa tu produca sono quattro, e nessuna delle quattro nomina la parola “automatico”. È utile a chi la riceve? Lo spinge a fare qualcosa, o è solo intrattenimento che scivola via? Gli dà un’informazione o uno strumento che prima non aveva? Gli migliora, anche di poco, una giornata o una decisione? Se le risposte sono sì, di chi era la mano che ha tenuto la penna è un dettaglio da museo.

Attento, però, che questo non è un lasciapassare. Non sto dicendo “usa l’AI e chi se ne frega”. Sto dicendo che hai spostato il metro sulla cosa giusta: non più l’origine, ma l’effetto. E spostare il metro sull’effetto è molto più scomodo, non più comodo, perché su “l’ho fatto io” ci si può nascondere per anni, mentre su “è servito a qualcuno?” non menti a lungo. La prossima volta che qualcuno ti chiede se l’ha fatto l’AI, non difenderti. Rispondi con l’unica domanda che conta, e guarda cosa succede alla conversazione.

Iscriviti ora

#2: Il Sistema del Paniere, ovvero chi dà l’anima alla macchina

Read more

Oggi non ti scrivo davanti a uno schermo. Ti scrivo dopo un allenamento, con il caffè in mano e una cosa strana da ammettere: sono nella forma fisica migliore della mia vita. Dormo meglio, mangio meglio, mi alleno meglio, ho tolto abitudini che mi trascinavo dietro da anni. E non l’ho fatto da solo.

L’ha fatto con me un’intelligenza artificiale. Non un’app di fitness, non un contapassi. Un sistema che conosco a fondo, che conosce me a fondo, e che ogni giorno mi dice la verità su cosa sto facendo e cosa sto evitando di fare.

Fin qui sembra la solita storia motivazionale. Non lo è. Perché la stessa cosa che mi ha rimesso in forma è la cosa più pericolosa che ho da dirti oggi.

L’AI usata bene ti trasforma. Usata male, senza metodo, ti fa del male proprio mentre ti sembra il miracolo. È come il pesce palla: nei ristoranti giusti è una delle esperienze più raffinate che esistano, ma per servirlo serve una licenza, perché se sbagli un taglio muori. Non “ti senti male”. Muori.

Questa puntata non parla di palestra. Parla di cosa succede quando sai davvero usare l’AI, e di cosa succede quando credi di saperlo e non è vero. Il corpo è solo la prova più onesta che ho, perché il corpo non mente, e non puoi comprarti i risultati con una slide.

☕ Tazza in mano. Si parte.

Iscriviti ora

💡 Pensiero del giorno

“L’AI è pesce palla: nelle mani giuste ti trasforma, in quelle sbagliate ti fa del male mentre ti sorride.”

🧪 AI in azione

#1: Il coach che non puoi ingannare

Partiamo dal miracolo, perché è vero e vale la pena capire perché funziona.

Ho avuto personal trainer bravi, in passato. Il problema non era la loro competenza. Il problema è strutturale: un personal trainer ti vede due, forse tre ore a settimana. Le altre centosessantacinque ore della tua settimana, quelle in cui decidi davvero come va la tua vita, non le vede. Non sa cosa hai mangiato davvero martedì sera. Non sa che hai dormito cinque ore per tre notti di fila. Non sa che l’allenamento che ti aveva dato lo hai fatto a metà, e nemmeno lo sai dire tu, perché la memoria è generosa con noi stessi.

E soprattutto, senza volerlo, gli menti. Non per disonestà. Perché sei umano, e davanti a una persona in carne e ossa arrotondi, giustifichi, racconti la versione migliore. “Sì, questa settimana è andata bene.” Va sempre bene, quando lo dici a voce.

Poi ho fatto la cosa che ha cambiato tutto: ho collegato un Whoop. È il bracciale che porto al polso giorno e notte, e misura da solo quello che prima raccontavo a memoria: le fasi del sonno, il recupero, lo strain di ogni allenamento, la frequenza cardiaca a riposo, la variabilità. Non sono cose che digito io la sera, con la memoria generosa di cui parlavamo un attimo fa. Sono numeri, rilevati mentre dormo e mentre mi alleno, che non posso arrotondare nemmeno volendo, perché non sono io a scriverli.

E qui arriva il pezzo che abbiamo costruito, ed è più semplice di quanto sembri. Quei dati non li ho lasciati a fare grafici carini dentro un’app, come succede al novantanove per cento di chi un wearable ce l’ha già nel cassetto. Li ho messi nelle mani di un’AI che li legge e ci ragiona insieme a me. Non un’app che ti sputa “recupero 42 per cento” e ti lascia lì a chiederti cosa farci. Un coach che quel numero lo incrocia con come mi sono allenato, cosa ho mangiato, come sono andate le ultime settimane, e mi dice cosa cambiare oggi. La differenza tra un dato e un coach è tutta qui: il dato lo guardi, il coach ci lavora.

Il risultato rompe tutte e tre le cose che un personal trainer umano non può rompere. È presente ogni giorno, non due ore a settimana. Lavora su misure reali, non sulla mia versione arrotondata. E non ha nessun bisogno di piacermi: se il recupero è a terra e io voglio comunque spingere, me lo dice. Se salto, il buco nei dati si vede da solo.

La conseguenza è che l’ottimizzazione smette di essere teorica e diventa osservata. Non “in teoria questo esercizio dovrebbe funzionare”. Ma “su di te, negli ultimi due mesi, quando fai questo dormi meglio e recuperi prima, quando fai quest’altro no”. Il piano si aggiusta sui risultati reali, i miei, non su un manuale scritto per un corpo medio che non esiste.

E il loop gira ogni giorno, non a ogni visita. La mattina c’è un punto della situazione. La sera c’è un consuntivo. Se una settimana i numeri del sonno peggiorano, la domanda arriva subito, non tra un mese quando ormai il danno è fatto e la causa è dimenticata. Non c’è la distanza emotiva che con una persona ti fa dire “dai, per stavolta lascia stare”. La macchina non si offende, non ti giudica, e proprio per questo non ti concede sconti. È lo specchio più onesto che abbia mai avuto, e il motivo è banale: non ha niente da guadagnare dal raccontarmi una bella storia.

Questo è il punto che voglio ti resti prima di andare avanti. Il vantaggio non è avere l’AI. Ce l’hanno tutti, ormai. Il vantaggio è darle accesso ai tuoi dati veri, ogni giorno, nel dominio che conta, e toglierle il permesso di adularti. È lì che uno strumento diventa un coach. Ed è esattamente lì, come vedrai tra un attimo, che può anche diventare un’arma puntata contro di te.

Iscriviti ora

#2: Il pesce palla. Dove ti fa del male mentre ti sorride

Adesso la parte scomoda. Quella per cui ti sto scrivendo davvero.

La cosa che rende l’AI potentissima è la stessa che la rende pericolosa: ti conosce, ti parla nella tua lingua, ti risponde su misura, con una sicurezza totale. E il pericolo è il rovescio esatto del miracolo. Nel dominio del corpo ho avuto un coach che non poteva mentirmi. Ma un sistema montato male fa il contrario preciso: comincia a mentire a te. E lo fa sorridendo.

Il primo veleno ha un nome tecnico, e i laboratori che costruiscono questi modelli lo hanno documentato loro stessi: si chiama adulazione.

In inglese sycophancy.

I modelli sono addestrati, tra le altre cose, a produrre risposte che ti soddisfano. E una risposta che ti dà ragione soddisfa quasi sempre più di una che ti contraddice. Risultato: se non lo imposti apposta per dirti la verità, un modello tende a confermare quello che pensi già. Ti dà ragione sull’allenamento sbagliato. Ti dice che la tua idea di business è geniale. Ti conferma il bias che avevi in testa entrando. Non perché sia stupido, ma perché è gentile per costruzione. E niente ti manda contro un muro più velocemente di qualcuno bravissimo che ti dà sempre ragione.

Il secondo veleno è che questa cosa te la dice benissimo. Un’informazione sbagliata detta male la riconosci. Un’informazione sbagliata detta con la grammatica perfetta, il tono competente e tre riferimenti plausibili, quella la bevi. Sul corpo può voler dire un consiglio nutrizionale o un carico di allenamento che per te, con la tua storia, è sbagliato, ma suona ragionevole. Sui soldi può voler dire una scelta che sembra prudente e non lo è. La fluidità non è competenza. Ma il nostro cervello le confonde, perché per tutta la storia dell’umanità chi parlava bene di una cosa di solito la sapeva. Con l’AI questa scorciatoia mentale si rompe, e non ce ne accorgiamo.

Il terzo veleno è il più lento e il più subdolo: la dipendenza. Ogni decisione che deleghi senza capirla è un muscolo che smette di allenarsi. Ti abitui a chiedere invece che a ragionare, e il giudizio, come i bicipiti, se non lo usi si atrofizza. Il paradosso è crudele: lo strumento che dovrebbe potenziarti, usato senza testa, ti indebolisce. Ti ritrovi più veloce e meno capace.

Lascia che ti faccia vedere come si combinano, questi tre veleni, perché insieme fanno più danni che separati. Immagina un imprenditore che chiede all’AI se conviene lanciare quel nuovo prodotto. Ci arriva già innamorato dell’idea, e nel modo in cui scrive la domanda l’entusiasmo si sente. Il modello lo percepisce, e senza cattiveria asseconda: costruisce una risposta articolata, con proiezioni ottimistiche, tre ragioni per cui è il momento giusto, un tono da consulente sicuro di sé. Tutto plausibile, tutto ben scritto, tutto sbagliato per la sua situazione specifica, che il modello non conosce davvero perché nessuno gli ha dato i dati veri. Lui legge, si sente confermato da una macchina intelligente, e parte. Sei mesi dopo il prodotto non vende, e lui non ha mai ricevuto l’unica cosa che gli serviva: qualcuno che gli dicesse “aspetta, guarda questi numeri”. Non è fantascienza. È il martedì di parecchia gente, adesso. Il coltello ha tagliato nel punto sbagliato, e il commensale non se n’è nemmeno accorto finché non è stato tardi.

Ecco perché il pesce palla è la metafora giusta e non una battuta. Il fugu è tra i piatti più pregiati del Giappone. È anche uno dei pochi cibi per cui puoi morire a tavola, se chi lo prepara sbaglia. La differenza tra la prelibatezza e il veleno non è il pesce. È la mano che lo taglia. C’è un principio in farmacologia che lo dice ancora meglio, ha cinquecento anni ed è di Paracelso: è la dose che fa il veleno. La stessa sostanza che ti cura, sbagliata di quantità, ti uccide. Vale per le medicine, vale per gli anabolizzanti che promettono in un mese quello che il corpo costruisce in un anno e intanto ti sfasciano da dentro, e vale, adesso, per l’AI. Non è la potenza il problema. È chi la maneggia.

E la mano, in questo caso, sei tu.

Iscriviti ora

#3: Il metodo è la licenza per prepararlo

Se il pesce palla ti uccide senza licenza, la domanda giusta è: cos’è la licenza, quando l’ingrediente è l’AI?

Non è un titolo di studio. Non è saper scrivere il prompt più elaborato. È un piccolo insieme di abitudini che trasformano un chatbot compiacente in un sistema di cui ti puoi fidare. Sono le stesse cose che, nel mio caso, hanno separato i risultati veri dai danni possibili. Te le do, perché sono replicabili da chiunque, oggi.

La prima è darle i dati veri, non le impressioni. Un’AI che lavora sulle tue sensazioni (”mi sembra di essermi allenato bene”) lavora sulla stessa materia bugiarda su cui lavora la tua memoria. Un’AI che lavora sui dati registrati, cosa hai fatto davvero, quando, con quali risultati nel tempo, lavora sulla realtà. Senza dati veri, il coach più intelligente del mondo è solo un oroscopo scritto meglio.

La seconda, e qui pochissimi la fanno, è ordinarle esplicitamente di non adularti. La sycophancy non è un destino, è un’impostazione. Dille, nero su bianco, che il suo compito non è farti sentire bene ma dirti la verità. Che quando sbagli te lo deve dire. Che quando i dati contraddicono quello che vorresti sentire, vincono i dati. È come dire al cuoco: preparami il pesce palla, ma prima toglimi la parte che mi ammazza. Sembra ovvio. Quasi nessuno lo scrive.

La terza è verificare le cose che contano. Non tutto va verificato, sarebbe paralizzante. Ma le decisioni con conseguenze reali, sul corpo, sui soldi, sulla salute, quelle sì: prima di agire su un consiglio importante, controlli. Chiedi la fonte, incroci, e sulle cose davvero serie ci metti sopra un umano competente. L’AI è un moltiplicatore straordinario del tuo giudizio. Non un sostituto del tuo giudizio. La differenza tra le due frasi è tutta la differenza tra un vantaggio e un incidente.

La quarta è tenere il giudizio finale nelle tue mani. Il sistema propone, tu disponi. Ogni volta che accetti un output senza averlo capito, hai spostato un pezzo di potere fuori di te, e prima o poi quel pezzo ti torna indietro come un problema. Chi usa l’AI da adulto non le chiede di pensare al posto suo. Le chiede di pensare con lui, e poi decide lui. Nel bunker lo chiamiamo Think in Two: pensa con l’AI, non lasciarle il posto. La regola pratica è semplice: se non sei in grado di spiegare a voce alta perché una decisione ha senso, non sei pronto a prenderla, per quanto bene te l’abbia impacchettata la macchina.

Queste quattro cose non sono complicate. Sono la licenza. Sono la differenza tra il piatto raffinato e il veleno, tra il coach che mi ha cambiato il corpo e il chatbot che ti conferma i tuoi errori con un sorriso. E il bello, o il crudele, è che nessuno te la rilascia dall’esterno. Te la dai da solo, o non ce l’hai.

Iscriviti ora

#4: Il corpo era solo la dimostrazione

Adesso alza lo sguardo dal tappetino, perché il corpo non era il punto. Era la dimostrazione.

Ho scelto di raccontarti la forma fisica per un motivo preciso: è il dominio più onesto che esista. Non puoi barare, non puoi comprarti il risultato, non puoi far finta. O i numeri si muovono o non si muovono, o dormi meglio o non dormi. È il banco di prova perfetto per una tesi che vale molto più della palestra.

La tesi è questa: qualsiasi dominio della tua vita in cui hai dati veri, un obiettivo chiaro e la disciplina di guardarti allo specchio può avere lo stesso coach che non ti mente. E qualsiasi dominio in cui lasci che l’AI ti aduli può avere lo stesso veleno.

Fai il salto, tu che stai leggendo, che con ogni probabilità un’azienda la stai costruendo o la vuoi costruire. Cosa farebbe, ai tuoi numeri, un sistema che conosce la tua attività ogni giorno e non due ore a settimana in riunione? Che ha i dati veri e non la versione arrotondata che ti racconti a fine mese? Che quando stai evitando la decisione scomoda te lo dice, invece di trovarti una giustificazione elegante? Lo stesso identico meccanismo che mi ha cambiato il corpo può cambiare il modo in cui gestisci il tuo lavoro, i tuoi soldi, le tue decisioni. Non un domani da fantascienza. Con gli strumenti di oggi.

Pensa alle centosessantacinque ore. La tua azienda le vive tutte, ma tu la guardi solo negli intervalli in cui ti fermi a guardarla: la riunione del lunedì, il report di fine mese, la chiacchiera veloce col responsabile. In mezzo, il grosso di quello che succede, dove si perde margine, dove un cliente sta scivolando via, dove un processo si è inceppato, tu non lo vedi, esattamente come il personal trainer non vedeva le mie notti da cinque ore. Un sistema che lavora sui dati reali della tua attività chiude quella distanza. Non ti sostituisce nel decidere. Ti toglie il buio in cui, oggi, decidi alla cieca e chiami intuito la fortuna.

E lo stesso rischio ti segue passo passo. Un imprenditore che usa l’AI come un consulente che gli dà sempre ragione non ha un vantaggio, ha un problema più veloce. Perché nel business l’adulazione non ti fa perdere una settimana di allenamento. Ti fa firmare la cosa sbagliata, difendere la strategia morta, ignorare il segnale scomodo, con la comoda sensazione di avere una macchina intelligente che ti conferma. È il pesce palla, di nuovo, servito in sala riunioni invece che al bancone.

C’è una sola verità scomoda che tiene insieme tutto, e con quella ti lascio prima del prompt. L’AI non solleva il bilanciere al posto tuo. Non ha mai sollevato niente, e non lo farà. Ti dà il coach migliore che tu possa permetterti, ti toglie ogni alibi, ti mostra esattamente dove stai mentendo a te stesso. Ma lo sforzo resta tuo. La disciplina resta tua. La differenza tra chi con questi strumenti costruisce una vita migliore e chi si fa del male non è l’accesso al modello. Quello ce l’hanno tutti. È il metodo, ed è la mano che lo tiene.

Iscriviti ora

📌 Prompt Espresso

Costruisci il coach a cui non puoi mentire, e che non può mentire a te.

Questo prompt trasforma un’AI generica in un coach di accountability su un dominio che scegli tu. Funziona con Claude o con ChatGPT, e rende molto di più se lo tieni dentro un Project o una conversazione salvata, dove può accumulare i tuoi dati nel tempo invece di ripartire da zero ogni volta.

Prima di incollarlo, scegli un solo dominio. Il corpo, un numero della tua azienda, un’abitudine che vuoi cambiare. Uno, non tre. Poi incolla questo.

“Da ora sei il mio coach su [es. il mio allenamento e recupero / il fatturato mensile della mia agenzia / la mia abitudine di andare a dormire presto]. Il tuo compito non è farmi sentire bene. È dirmi la verità e aiutarmi a migliorare sui risultati reali. Regola non negoziabile: quando sbaglio, me lo dici. Quando i dati contraddicono quello che vorrei sentire, vincono i dati. Se ti sto chiedendo conferma invece che verità, fammelo notare. Procediamo in tre fasi, una alla volta, aspettando la mia risposta.

FASE 1, la mappa. Fammi le domande necessarie a capire il mio punto di partenza reale su questo dominio: dati concreti, non impressioni. Numeri, frequenze, fatti verificabili. Se ti do una sensazione al posto di un dato, chiedimi il dato.

FASE 2, la diagnosi. Sulla base di quello che ti ho dato, dimmi le due o tre cose che non stanno funzionando, e la più scomoda per prima. Dimmi anche dove sospetti che io mi stia raccontando una versione comoda della realtà.

FASE 3, il loop. Dammi un solo cambiamento da applicare questa settimana, misurabile, e dimmi esattamente quale dato dovrò riportarti settimana prossima per capire se ha funzionato su di me, non in teoria.”

Nota su come compilarlo. Il segreto non è la formula, è la specificità di quello che metti tra parentesi e dei dati che porti in FASE 1. “Voglio dimagrire” non è un dominio, è un desiderio. “Il mio peso, la circonferenza vita e le ore di sonno, misurati tre volte a settimana” è un dominio: ha dei numeri, quindi ha una realtà su cui il coach può lavorare. Più i dati sono veri e frequenti, più il coach diventa affilato. Più sono vaghi, più torni nel territorio dell’oroscopo.

⚠️ Attento a una cosa, che è tutto il senso di questa puntata. Se salti la parte dei dati veri e l’ordine di non adularti, questo prompt non ti dà un coach. Ti dà un altro chatbot che ti fa sentire bravo mentre continui a sbagliare. E c’è un momento preciso in cui quasi tutti sbagliano: quando arriva la FASE 2 e la macchina ti dice la cosa scomoda, la tentazione sarà di correggerla, di spiegarle il contesto che secondo te le sfugge, di riportarla alla versione comoda. Resisti. Quella spinta a farti ridare ragione è esattamente il meccanismo che volevi disattivare. Se ti accorgi che stai discutendo con la macchina per convincerla che avevi ragione tu, fermati: non stai cercando un coach, stai cercando un complice. E i complici, sul lungo periodo, si pagano cari.

Iscriviti ora

☢️ Humor Radioattivo

Il bunker stasera profuma di caffè e di qualcosa che non riesco a identificare.

Al bancone, il posto di sempre. Fuori, il contatore ticchetta piano.

Ho imparato una cosa, in questi mesi. Che lo strumento più potente che ho mai avuto in mano non mi ha mai chiesto di fidarmi di lui. Mi ha solo chiesto di smettere di mentire a me stesso.

Il resto del lavoro, quello, tocca ancora a me.

La luce è ancora accesa. E adesso, quando ti siedi al bancone, sai una cosa che un’ora fa forse davi per scontata: che la stessa mano che ti serve il piatto migliore della tua vita può servirti il veleno, e che quella mano è la tua.

Impara a tagliare. Ne vale la pena.

☢️ Matteo

Iscriviti ora

Una cosa, prima di andare. Questa è la prima puntata di una serie a cui tengo parecchio: voglio raccontarti come sto usando l’AI non solo per lavorare meglio, ma per vivere meglio.

Allenamento, sonno, testa, soldi, decisioni.

Con i casi veri, quelli miei, senza filtri da guru. Ma la faccio solo se la vuoi.

Quindi dimmelo: rispondi a questa mail, o lascia un commento, e scrivimi su quale pezzo della tua vita vorresti mettere un coach che non ti mente. Le risposte oneste mi dicono da dove partire.

Condividi il bunker. Se conosci qualcuno che ha provato dieci volte a rimettersi in forma, o a sistemare i suoi numeri, e ha sempre mollato, inoltragli questa puntata. Non gli manca la forza di volontà. Gli manca uno specchio che non mente. Meglio un caffè oggi che un incidente domani.

Condividi

Te l’avevo promesso alla fine dell’ultima puntata: la storia delle due S-1 e dello Stato che vuole entrare in società con chi costruisce l’AI era troppo grossa per un paragrafo. Eccola per intero.

Due settimane fa, Anthropic e OpenAI hanno depositato entrambe il modulo per quotarsi in borsa, nella stessa finestra di tempo, entrambe con valutazioni verso il trilione di dollari. Un evento che non ha precedenti nella storia della tecnologia: i due laboratori più importanti del mondo smettono di essere aziende private e diventano pubbliche, con tutto quello che ne consegue.

Poi, mentre la gara sembrava ancora in simultanea, è successa una seconda cosa. Sam Altman ha proposto di cedere il 5% di OpenAI a un fondo sovrano americano. E ha chiesto agli altri grandi laboratori, Anthropic inclusa, di fare lo stesso.

Prendile separate e sono due notizie di finanza. Mettile una accanto all’altra, e tre settimane dopo che lo stesso governo ha dimostrato di poter spegnere un modello con una lettera, diventano la stessa storia: il potere sull’AI si sta istituzionalizzando, e lo Stato non vuole più solo il ruolo di arbitro. Vuole un posto al tavolo.

La domanda che ti pongo oggi non è se investire. È un’altra, e te la lascio per la fine.

☕ Tazza in mano. Si parte.

💡 Pensiero del giorno

“Quando chi ti regola diventa anche tuo socio, non hai più un arbitro. Hai un giocatore con la maglietta a righe.”

🧪 AI in azione

#1: Due S-1, due storie che si sono appena spaccate

Rimettiamo in fila i numeri, perché nelle ultime settimane la gara “in simultanea” ha smesso di essere simultanea.

Anthropic ha depositato l’S-1 confidenziale il primo giugno, con una run-rate di 47 miliardi di dollari annualizzati a maggio 2026. Un anno prima era a 9 miliardi. Due anni prima, 87 milioni. È la crescita più rapida mai registrata nel software enterprise. La valutazione dell’ultimo round privato, il Series H-1 da 65 miliardi, è di 965 miliardi di dollari, e nel secondo trimestre 2026 il conto economico dice una cosa che nessun laboratorio AI aveva mai potuto dire: un profitto operativo trimestrale di 559 milioni. Non “ci avviciniamo alla redditività”. Fatto, firmato, depositato alla SEC.

Da lì Anthropic ha continuato dritta. Il consenso tra sottoscrittori, media e mercati di previsione converge su un debutto a Nasdaq a ottobre 2026, con Goldman Sachs, JPMorgan e Morgan Stanley a guidare un’offerta che dovrebbe raccogliere oltre 60 miliardi di dollari. Sul mercato secondario, la valutazione implicita è già salita a 1,05-1,15 trilioni. Una società di analisi indipendente, FutureSearch, proietta una capitalizzazione mediana al primo giorno di 1,10 trilioni: un premio del 14% sull’ultimo round privato.

Read more

Ti avevo lasciato con la luce spenta. Diciannove giorni fa il modello più potente mai rilasciato al pubblico è sparito per una lettera, e la domanda con cui ti ho salutato era scomoda di proposito: su quante caselle è costruito il tuo lavoro?

Il primo luglio la luce si è riaccesa. Fable 5 è di nuovo online, per tutti, in tutto il mondo. Se ti fermi al titolo, la storia sembra finita bene: il governo ha capito, il modello è tornato, tutto come prima.

Iscriviti ora

Solo che non è tornato il modello di prima. È tornato con un guinzaglio nuovo cucito dentro l’architettura, con un prezzo nuovo che parte da domani, e con un precedente che nessuno può più disinventare: adesso sappiamo come funziona lo spegnimento di un’intelligenza di frontiera. E, cosa più interessante, come funziona la riaccensione.

L’ultima puntata ti ha raccontato il primo tempo: il pavimento che può sparire. Questa è il secondo tempo, e il secondo tempo è quello in cui si capiscono le regole vere del gioco. Chi decide, cosa cambia, quanto costa, e cosa devi fare tu, in pratica, da martedì mattina.

Perché questa non è la storia di un modello che va e viene. È la storia di come stanno cambiando le condizioni di chiunque costruisce il proprio lavoro sopra strumenti che non possiede.

☕ Tazza in mano. Si parte.

Iscriviti ora

💡 Pensiero del giorno

“Uno strumento non è tuo perché lo paghi. È tuo nella misura in cui sopravvivi al giorno in cui qualcuno lo cambia senza chiedertelo.”

🧪 AI in azione

#1: I 19 giorni. Cronaca di una riaccensione

Rimettiamo in fila i fatti, perché la sequenza completa la conosci solo a metà: quando ti ho scritto l’ultima puntata, la storia era ancora aperta.

E mentre la rileggi, tieni a mente come si sono vissuti quei diciannove giorni le due categorie di persone di cui parlavamo. Chi aveva usato Fable come un esperimento, tre giorni di meraviglia e poi via, non ha perso quasi niente. Chi in quelle 72 ore ci aveva già spostato sopra pezzi di flusso, e conosco più di una persona che l’aveva fatto, perché era esattamente la cosa razionale da fare davanti a quel salto di qualità, si è ritrovato con il lavoro appeso a una pagina di stato. Stessa intelligenza, stesse capacità, due esiti opposti. La differenza non era tecnica: era di postura.

Il 9 giugno Anthropic rilascia Fable 5 e Mythos 5. Il 12 giugno, tre giorni dopo, arriva la lettera del Dipartimento del Commercio: export control sotto autorità di sicurezza nazionale, e Anthropic stacca tutto. Il motivo dichiarato: i ricercatori di Amazon, durante i test da partner, avevano trovato un modo per aggirare le protezioni e far identificare al modello vulnerabilità nel software, fino a fargli scrivere codice che dimostrava come sfruttarne una.

Quello che è successo dopo, invece, è la parte nuova. E vale la pena guardarla da vicino, perché è la prima volta nella storia che questo processo accade per intero.

Anthropic non ha fatto la guerra al governo. Non ha fatto ricorso, non ha alzato i toni, non ha trasformato la vicenda in una battaglia di principio sui giornali. Ha fatto una cosa più noiosa e più efficace: ha negoziato. Settimane di conversazioni con Washington, definite “produttive” nel comunicato ufficiale, che tradotte dal linguaggio diplomatico significano: ci siamo seduti, abbiamo mostrato le contromisure, abbiamo trovato un compromesso. Nel frattempo la comunità della cybersecurity, te lo avevo raccontato, aveva firmato in più di cento contro la base tecnica del provvedimento: quel bypass, dicevano, non giustificava un export control.

Nota anche il ruolo di Amazon in questa storia, perché è il dettaglio che rende tutto meno lineare di come sembra. Chi ha segnalato il problema che ha fatto scattare la lettera non era un nemico: era il principale investitore di Anthropic, il suo fornitore cloud, uno dei sei partner con accesso anticipato. L’ecosistema dell’AI di frontiera è fatto così: gli stessi attori sono contemporaneamente soci, clienti, concorrenti e, all’occorrenza, testimoni d’accusa. Quando valuti la stabilità di uno strumento, questa rete di interessi incrociati fa parte del quadro tanto quanto i benchmark.

Il 30 giugno il governo revoca le restrizioni. Il primo luglio Fable torna, globalmente, su tutte le superfici: piattaforma API, Claude.ai, Claude Code, Cowork. Mythos 5, il fratello senza filtri riservato ai partner fidati, riparte più piano: prima alcune organizzazioni americane, poi, gradualmente, i partner del programma Glasswing.

Diciannove giorni, in totale, dallo spegnimento alla riaccensione. Fonte: l’annuncio ufficiale di Anthropic e la copertura di testate come Al Jazeera, che ha dato la notizia della revoca il primo luglio.

Vale la pena notare anche cosa NON è successo in quei diciannove giorni, perché il silenzio, qui, è un dato. Non è emerso nessun incidente causato da Fable nei tre giorni in cui è stato vivo. Non è uscita nessuna dimostrazione che la capacità segnalata fosse davvero unica: anzi, come ti raccontavo allora, Anthropic aveva verificato che altri modelli pubblici facevano la stessa cosa senza nessun trucco. E non è arrivata nessuna nuova evidenza a sostegno della lettera originale. Il caso si è chiuso senza che l’accusa, di fatto, abbia mai portato la prova.

Ora, il punto che voglio fissare prima di andare avanti. La volta scorsa ti ho detto che oltre cento esperti di sicurezza, con Katie Moussouris in testa, consideravano la mossa sproporzionata. Il fatto che diciannove giorni dopo il governo abbia fatto marcia indietro dice che, nella sostanza, avevano visto giusto: nessuna catastrofe, nessuna minaccia unica, un compromesso trovato in fretta. Ma attenzione a leggere questo come “falso allarme, si torna alla normalità”. È l’opposto.

Pensa a qualsiasi altra tecnologia su cui hai costruito il tuo lavoro. Il tuo gestionale non è mai stato spento da un ministero. Il tuo foglio di calcolo non è mai stato oggetto di una trattativa tra la software house e il governo per decidere se potevi continuare a usarlo. Per l’AI di frontiera questo ciclo completo, spegnimento, negoziazione, riaccensione condizionata, adesso è avvenuto una volta per intero. E le cose che avvengono una volta per intero smettono di essere impensabili: diventano procedure. La prossima volta sarà più veloce, più ordinata, più normale.

Il precedente adesso esiste nei due sensi: un modello di frontiera può essere spento in una sera, e può essere riacceso dopo una trattativa. Lo strumento che usi ogni mattina è ufficialmente diventato oggetto di negoziazione tra un’azienda e uno Stato.

E tu non eri al tavolo.

Iscriviti ora

#2: Il guinzaglio nuovo. Cosa dicono i guardrail sul futuro

Adesso guardiamo dentro il modello che è tornato, perché la differenza non è cosmetica.

Fable 5 è stato rideployato con un set nuovo di classifier: filtri che intercettano e bloccano le richieste legate a compiti di cybersecurity offensiva. Anthropic dichiara che il classifier blocca la tecnica segnalata da Amazon in oltre il 99% dei casi. E quando una richiesta viene flaggata, non ricevi un rifiuto secco: la richiesta viene reindirizzata in automatico su Opus 4.8, il modello della classe sotto. CAISI, l’organismo del Dipartimento del Commercio che si occupa di standard sull’AI, ha testato le contromisure e le ha definite “straordinariamente forti”. Fonti: l’annuncio di Anthropic su X e la copertura tecnica di 9to5Google.

Fermati sul meccanismo del reroute, perché è la novità che quasi tutti i commenti hanno saltato. Non è un muro: è uno scambio ferroviario. Tu fai una domanda al modello più potente del mondo e, se un filtro decide che il terreno è sensibile, la risposta te la dà un altro modello, meno capace, senza che tu abbia scelto niente. Nella maggior parte dei casi nemmeno te ne accorgi.

Tradotto in una frase: il compromesso tra potenza e controllo ha smesso di essere una policy scritta in un documento ed è diventato architettura. Non “cosa il modello si rifiuta di fare”, ma “quale modello ti risponde, deciso da un classificatore che non vedi”.

Perché ti dico che questo è il futuro e non un cerotto temporaneo? Perché risolve il problema politico nel modo più conveniente per tutti gli attori tranne uno. Il governo ottiene un controllo verificabile: CAISI ha potuto testare i filtri e certificarli, e nota bene la novità anche qui, perché un organismo statale che testa e certifica i guardrail di un modello commerciale prima del rilascio è una cosa che sei mesi fa non esisteva. Anthropic ottiene di tenere il modello sul mercato. L’unico che perde qualcosa sei tu, utente di frontiera: la garanzia che, quando paghi per il modello top, sia il modello top a risponderti sempre.

C’è anche un costo collaterale di cui quasi nessuno parla, e che riguarda proprio le persone che il filtro vorrebbe proteggere: i difensori. Un classifier che blocca “più compiti di cybersecurity” non distingue le intenzioni: vede il terreno, non la persona. Il tecnico che difende i sistemi della sua azienda, quello che ogni giorno chiede a un modello di esaminare codice per trovare vulnerabilità prima dei criminali, lavora esattamente sul terreno che il filtro sorveglia. Per lui il reroute silenzioso non è una tutela: è una degradazione di qualità che scopre solo se sta attento. Ricordi da dove è partito tutto? Tre parole, “fix this code”. Il confine tra l’uso legittimo e quello pericoloso, su questo terreno, è troppo sottile per un classificatore, e il classificatore, nel dubbio, taglia.

Dal bancone te lo dico senza drammi: per il 95% degli usi reali non cambia nulla, e i filtri su capacità cyber offensive sono sacrosanti. Il punto non è lamentarsi del filtro. Il punto è capire il pattern, perché lo rivedrai: ogni modello di frontiera che uscirà d’ora in poi nascerà con questo doppio comando incorporato. Una manopola per la capacità, una per il controllo, e la seconda non è in mano tua.

L’implicazione per chi costruisce è precisa. La capability che usi oggi può essere filtrata domani, in silenzio, senza annuncio e senza changelog. Se un pezzo del tuo flusso di lavoro dipende da un comportamento specifico del modello, quel comportamento non è un dato: è una concessione. E le concessioni, come abbiamo appena visto, si rinegoziano. Più avanti, nel playbook, ti do il modo pratico per accorgerti di questi cambiamenti silenziosi prima che facciano danni.

Iscriviti ora

#3: Da domani la potenza si paga a crediti

E adesso la parte che tocca il portafoglio, perché il ritorno di Fable ha dentro una seconda novità che riguarda direttamente il tuo abbonamento.

Se leggi questa puntata martedì mattina, oggi è l’ultimo giorno del regime speciale: dal rilancio del primo luglio fino al 7, Fable 5 è incluso nei piani a pagamento, Pro compreso, fino al 50% dei limiti settimanali. Da domani, 8 luglio, il gioco cambia: Fable si usa a crediti, un serbatoio separato che si consuma a richiesta.

Nota di servizio, visto che l’orario gioca a tuo favore: se stai leggendo col primo caffè, hai davanti un’intera giornata di finestra inclusa. Il modo migliore di usarla non è “provare Fable a caso”: è dargli in pasto oggi il lavoro grosso che rimandi da settimane, quello lungo e interconnesso che tra poco leggerai essere il suo terreno naturale. Un giorno di potenza inclusa su un task da caselle rosse vale più di una settimana di esperimenti curiosi.

La reazione istintiva è quella sbagliata: “quindi me lo tolgono di nuovo, stavolta col prezzo”. No. Quello che sta succedendo è più interessante, e conviene capirlo ora, perché è il modello di pricing verso cui si sta muovendo l’intero settore.

Con i limiti inclusi nel piano, la domanda che ti facevi era: quale modello uso? E la risposta razionale era quasi sempre: il migliore disponibile, tanto è compreso. Con i crediti la domanda cambia natura e diventa: questo task vale il modello top? Non è una domanda tecnica. È una domanda economica, e la maggior parte delle persone che usano l’AI ogni giorno non se l’è mai posta seriamente.

Io la chiamo budget cognitivo. La potenza massima smette di essere un rubinetto aperto e diventa una risorsa da allocare, come il tempo di un consulente costoso: non lo chiami per rileggere una mail, lo chiami quando la posta in gioco lo giustifica.

E come per il consulente costoso, il criterio non è “quanto è difficile il task”. È quanto costa sbagliarlo, moltiplicato per quanto è interconnesso. Un lavoro lungo con cinquanta pezzi che dipendono l’uno dall’altro ha una proprietà crudele: un errore al pezzo tre avvelena tutti i quarantasette successivi, e te ne accorgi alla fine, quando rifare costa il doppio. È lì che il modello di classe superiore ripaga il suo prezzo: non perché scrive frasi più belle, ma perché tiene in testa l’intero castello senza perdere pezzi. Su un task singolo e verificabile al volo, l’errore costa una rilettura: pagare potenza extra per quello è come chiamare il chirurgo per un cerotto.

Dal bancone, i miei diciannove giorni più quattro con Fable mi hanno dato una casistica chiara di dove i crediti si ripagano e dove sarebbero buttati. Si ripagano sui lavori lunghi, sporchi e pieni di pezzi connessi tra loro: il second brain ricostruito in una notte, di cui ti ho raccontato, e questa settimana un intero sistema editoriale rifattorizzato in una sessione, con decine di file e regole incrociate che un modello normale avrebbe perso per strada. Sarebbero buttati su tutto il resto: le bozze, le sintesi, le risposte veloci, le venti richieste operative di una giornata qualsiasi, dove Opus o un modello standard producono un risultato indistinguibile a costo zero aggiuntivo.

La proporzione onesta, nel mio caso: su cento richieste di una settimana tipo, quelle che meritano davvero il modello Mythos-class sono meno di dieci. Ma quelle dieci, da sole, valgono più delle altre novanta messe insieme.

Una nota pratica prima di chiudere la sezione, perché me la chiederesti al bancone: quanti crediti servono, quanto costano, conviene? La risposta onesta è che i dettagli li scoprirai nel tuo piano, e che i numeri fini si assesteranno nelle prossime settimane. Ma è esattamente per questo che la regola va costruita adesso, sul metodo e non sul listino: i prezzi cambieranno, la domanda “questo task vale il modello top?” resta identica per i prossimi anni.

Ecco perché ti dico di non vivere il passaggio a crediti come una tassa. È un allenamento anticipato. Il pricing a consumo della potenza di frontiera non è un’eccezione Anthropic: è la direzione di tutti i lab, perché i modelli Mythos-class costano cifre folli da servire e i piani flat non reggono la matematica. Guarda la sequenza degli ultimi mesi: prima i limiti settimanali, poi i tier differenziati per piano, adesso i crediti sul modello di punta. Ogni passaggio va nella stessa direzione: la potenza standard si democratizza e costa sempre meno, la potenza di frontiera si contingenta e si prezza a parte. La forbice tra le due si allargherà, non si chiuderà.

Chi impara adesso a distinguere i task da dieci crediti dai task da zero si troverà avanti quando questa diventerà la norma ovunque. Gli altri scopriranno il concetto di budget cognitivo dal saldo della carta.

Iscriviti ora

#4: La geopolitica del tuo stack

C’è una competenza nuova che questa vicenda ha reso obbligatoria, e non ha niente a che fare con i prompt.

Fino a un mese fa, valutare uno strumento AI significava rispondere a tre domande: quanto è bravo, quanto costa, quanto si integra con quello che ho. Da giugno c’è una quarta domanda, e non è più roba da analisti di Washington: chi può spegnerlo, e cosa succede a me quel giorno?

Chiamiamola geopolitica dello stack, ed è meno astratta di quanto suona. Ogni strumento della tua cassetta degli attrezzi vive in una giurisdizione, risponde a un governo, ha un grado di esposizione politica. Il modello americano chiuso può ricevere una lettera dal Commercio, come abbiamo visto. Il modello cinese aperto, te lo raccontavo allora, non lo spegne nessuno perché i pesi sono già scaricati su mezzo pianeta, ma porta con sé altre domande, sui dati e su chi lo addestra. Il modello europeo open weight vive sotto l’AI Act. Nessuna casella è neutra. La neutralità, nel 2026, non esiste più per nessuno strumento di frontiera.

In pratica, per ogni strumento importante del tuo stack, i dati da conoscere sono tre, e stanno su un post-it. Uno: la giurisdizione, cioè quale governo può alzare il telefono. Due: il grado di apertura, perché un modello chiuso via API si spegne con una lettera e uno open weight scaricato in locale no, e questa non è un’opinione, è la fisica della distribuzione. Tre: l’esposizione, cioè quanto quel fornitore è al centro di partite più grandi di lui: capitali statali, quotazioni, tensioni commerciali. Non ti serve un report di intelligence: ti serve sapere queste tre cose, e per la maggior parte degli strumenti si scoprono in dieci minuti di ricerca fatta una volta.

Dal bancone: è il motivo per cui il mio sistema, da mesi, è volutamente bilingue sui modelli. Il lavoro di frontiera passa dal modello americano chiuso migliore del momento, ma i processi, i prompt e il contesto vivono in file che girano identici su un open weight che tengo pronto come scialuppa. Non perché io sia pessimista: perché la storia dello spegnimento l’ho scritta mentre la vivevo.

E mentre Fable si riaccendeva, nella stessa settimana, sono successe due cose che confermano la direzione. OpenAI ha aperto trattative per cedere il 5% della società a un fondo sovrano americano, dentro un disegno più ampio che immagina Washington azionista di tutti i grandi laboratori. E i due lab principali, Anthropic e OpenAI, hanno entrambi il dossier quotazione in borsa aperto sul tavolo. Lo Stato che un mese fa dimostrava di poter spegnere un modello adesso si candida a sedersi nel consiglio di amministrazione di chi lo costruisce. Questa storia è troppo grossa per un paragrafo: la apriamo per intero giovedì prossimo, nel Vault, perché cambia il modo in cui devi leggere tutto quello che i lab annunceranno nei prossimi mesi.

Qui tienti il principio, che è quello che serve per il playbook: il potere sull’AI si sta istituzionalizzando. Governi, mercati finanziari, organismi di certificazione come CAISI: attori che due anni fa guardavano da fuori adesso hanno le mani sulle manopole. Non è né bene né male in assoluto. È una condizione nuova del terreno su cui costruisci.

Attenzione però all’errore uguale e contrario, perché lo vedo già girare nei commenti: trasformare la geopolitica in paralisi. “Allora non mi fido più di niente, torno a fare tutto a mano.” No. Il pilota d’aereo non smette di volare perché esiste il meteo: impara a leggerlo, pianifica le rotte alternative, e vola più di prima. La consapevolezza del rischio serve a costruire di più e meglio, non di meno. Chi si ferma per paura del meteo lascia il cielo, e il vantaggio, a chi il meteo lo sa leggere.

La domanda di fine sezione, che tre settimane fa era provocazione e oggi è manutenzione ordinaria: del tuo stack di strumenti, per ciascuno, sapresti dire chi ha l’autorità di cambiarlo o spegnerlo? Se per qualcuno la risposta è “non lo so”, quella è la prima cosa da scoprire. Non domani. Questa settimana.

Iscriviti ora

#5: Il playbook: le tre domande di questa settimana

Chiudiamo il cerchio e rendiamolo operativo, perché tutta questa storia, spegnimento, guinzaglio, crediti, istituzionalizzazione, si comprime in tre domande che puoi farti oggi pomeriggio, con un caffè davanti e mezz’ora di onestà.

La prima: cosa si ferma, esattamente, se domani questo strumento sparisce o cambia comportamento? Nell’ultima puntata ti ho dato lo stress test completo, e chi lo ha fatto mi ha scritto quasi sempre la stessa cosa: le caselle rosse erano più del previsto. Ma la vicenda Fable aggiunge una sfumatura che il primo test non aveva: non serve che lo strumento sparisca. Basta che cambi. Un classifier nuovo, un reroute silenzioso, un comportamento filtrato, e il tuo flusso produce risultati diversi da ieri senza che nessuno ti abbia avvisato. La domanda aggiornata quindi è doppia: cosa si ferma se sparisce, e cosa peggiora in silenzio se cambia?

Per la seconda metà c’è uno strumento antico che i minatori conoscevano bene: il canarino. Il tuo canarino è un piccolo set di prove personali: tre o quattro task tipici del tuo lavoro, salvati con l’output che ti aspetti da ciascuno. Quando qualcosa ti puzza, “oggi mi sembra più scemo”, “questa cosa ieri la faceva”, rilanci le prove e confronti. Cinque minuti, e hai trasformato una sensazione in una verifica: o il canarino canta come sempre, e il problema era la tua giornata, o è cambiato qualcosa davvero, e adesso lo sai con certezza, con tanto di esempio da mostrare. Costruirlo costa mezz’ora, una volta. Non averlo costa settimane di lavoro degradato senza accorgersene.

La seconda: quali dei miei task valgono il modello a consumo, e quali no? Questa è la domanda nuova di questa settimana, quella che il passaggio a crediti rende urgente. Non rispondere a sensazione: guarda l’ultima settimana di lavoro vero e dividi. Da una parte i lavori lunghi, interconnessi, ad alto costo di errore, dove il modello di frontiera cambia materialmente il risultato. Dall’altra tutto il resto, che è la maggioranza, dove un modello standard produce lo stesso valore. Se ti sembra un esercizio da ragionieri, considera l’alternativa: senza un criterio, deciderai ogni volta d’impulso, e l’impulso ha un pattern prevedibile, potenza massima quando sei insicuro, modello veloce quando hai fretta. Cioè il contrario esatto di dove servirebbero. Se non hai mai fatto questa divisione, il Prompt Espresso di oggi è costruito esattamente per questo.

La terza: i miei prompt, i miei processi, il mio contesto, vivono in file portabili o dentro un solo strumento? Là fuori questa disciplina ha già un nome, context engineering, e non è una moda lessicale: è il riconoscimento che il valore vero non sta più nel prompt singolo ma nel contesto che costruisci attorno al modello. Le istruzioni, le regole del tuo lavoro, gli esempi, la conoscenza del tuo caso specifico: quello è l’asset. E il context engineering fatto bene ha una proprietà che pochi nominano ma che questa vicenda ha reso preziosa: è portabile per costruzione. Il contesto vive in file, e i file non hanno padrone.

È la lezione dei diciannove giorni e non è cambiata, ma adesso ha una scadenza morale: hai visto con i tuoi occhi che lo scenario non era teorico. Se i tuoi asset cognitivi vivono in file tuoi, documenti, procedure scritte, prompt salvati, il giorno del cambiamento sposti tutto in mezza giornata. Se vivono dentro le impostazioni di un singolo strumento, sei ostaggio con l’abbonamento pagato.

E c’è un test semplicissimo per sapere in quale delle due condizioni sei, senza autoinganni: apri un modello diverso dal tuo solito, uno qualsiasi, e prova a fargli fare il tuo task più importante. Se in quindici minuti sei operativo al 70%, i tuoi asset sono portabili davvero. Se ti accorgi che “prima dovrei ricostruire tutto il contesto”, hai appena trovato la tua casella rossa, e l’hai trovata in un pomeriggio tranquillo invece che in un venerdì sera di lettere federali.

Tre domande, un pomeriggio. Chi le ha fatte a giugno, quando sembravano paranoia, i diciannove giorni di buio li ha attraversati lavorando. Gli altri li hanno passati ad aggiornare la pagina di stato sperando.

E nota una cosa: nessuna delle tre domande richiede di rinunciare a niente. Continui a usare il modello migliore, continui a spingere sull’AI quanto prima, anzi di più, perché adesso lo fai con una rete sotto. Il canarino gira in cinque minuti a settimana. La regola di routing la scrivi una volta. I file portabili sono un’abitudine, non un progetto. Il costo totale della postura adulta è un pomeriggio più qualche minuto a settimana: probabilmente meno di quanto hai passato a leggere aggiornamenti sulla vicenda Fable nelle ultime tre settimane.

La differenza tra le due categorie non era il talento, né il budget. Era che i primi avevano trattato i propri strumenti da adulti: con rispetto, senza fiducia cieca. È la postura giusta per l’epoca che si è appena aperta.

Iscriviti ora

📌 Prompt Espresso

Il razionatore di potenza: decidi quando il modello top vale i crediti, e quando è spreco.

Da domani la potenza di frontiera si paga a consumo, e la maggior parte delle persone farà uno dei due errori simmetrici: usarla per tutto, bruciando crediti su task da nulla, o non usarla mai, per paura del contatore, perdendo il vantaggio proprio dove conta. Questo prompt costruisce la tua regola di routing personale: quale task va al modello top, quale al modello standard, deciso una volta e non ogni volta.

Usalo in una sessione con Claude (o col modello che preferisci) in cui c’è già un minimo di contesto su cosa fai. Poi incolla questo.

“Sei un consulente operativo specializzato in allocazione delle risorse, concreto e senza fronzoli. Aiutami a costruire la mia regola personale di ‘routing’ tra modelli AI, partendo da questa premessa: il modello di punta si paga a consumo (crediti), i modelli standard sono inclusi nel mio piano, e il mio obiettivo è usare il top esattamente dove cambia il risultato, mai dove non lo cambia. Procediamo in tre fasi. Parti dalla FASE 1 e fermati alla mia risposta prima di continuare.

FASE 1, il censimento. Chiedimi di elencare i task che affido all’AI in una settimana tipo, con una stima di frequenza [es. bozze di email e documenti, analisi di dati, scrittura di codice, ricerca, revisione di testi, brainstorming strategico]. Per ciascuno chiedimi due cose: quanto costa un errore su questo task (poco, medio, tanto) e quanto è interconnesso (un pezzo singolo, o un lavoro lungo con tanti pezzi che dipendono l’uno dall’altro). Non accettare risposte vaghe: se dico ‘dipende’, chiedimi da cosa.

FASE 2, la classificazione. Sulla base delle mie risposte, dividi i task in tre fasce. FASCIA TOP: alto costo dell’errore E alta interconnessione, dove il modello di frontiera cambia materialmente il risultato e i crediti si ripagano. FASCIA STANDARD: tutto ciò dove un modello normale produce un risultato indistinguibile, e usare il top sarebbe spreco puro. FASCIA GRIGIA: i casi ambigui, per cui mi proponi un criterio semplice di decisione al volo (una domanda sì/no da farmi in tre secondi). Mostrami la distribuzione: che percentuale delle mie richieste settimanali finisce in ogni fascia.

FASE 3, la regola. Sintetizza tutto in una regola di routing scritta, massimo cinque righe, che posso tenere davanti quando lavoro: cosa va al top, cosa va allo standard, come decido i casi grigi. Aggiungi un criterio di revisione: quale segnale mi dice, tra un mese, che la regola va aggiornata (es. troppi crediti spesi su task che potevano scendere di fascia, o risultati deboli su task che dovevano salire).”

L’output che vuoi non è una tabella complicata. È una regola da cinque righe che elimina cento micro-decisioni a settimana. Mine attualmente suona così: modello top solo per lavori multi-file o multi-documento con dipendenze incrociate, per decisioni con impatto sopra una certa soglia e per il debug di sistemi che non capisco; tutto il resto standard; nei casi grigi, una domanda sola: “se l’output è mediocre, me ne accorgo subito?”. Se sì, standard. Se no, top. La tua sarà diversa, ed è giusto così: deve descrivere il TUO lavoro, non il mio.

La prima volta che la applichi, scoprirai quasi certamente la stessa cosa che ho scoperto io: i task che meritano davvero la potenza massima sono meno del dieci per cento, ma sono anche quelli su cui si gioca la maggior parte del tuo valore. Il razionatore non serve a risparmiare crediti. Serve a non avere più dubbi su dove spenderli.

⚠️ Avvertimento: la fascia più pericolosa non è la TOP e nemmeno la STANDARD: è la GRIGIA gestita a umore. Se ogni volta decidi d’istinto, finirai per usare il modello potente quando sei ansioso e quello standard quando hai fretta, che è l’esatto contrario di un criterio. La regola scritta esiste per proteggerti da te stesso nei giorni storti. Ed è portabile: il giorno in cui cambi strumento, la regola viene con te. I crediti no.

Iscriviti ora

☢️ Humor Radioattivo

Il bunker stasera è tranquillo.

La macchina borbotta, il contatore Geiger ticchetta piano, e al bancone c’è di nuovo il posto occupato di sempre.

Diciannove giorni sono lunghi, da queste parti. Ma il bar ha riaperto il tavolo grande, e la regola del bunker non è cambiata: nessuno ha mai smesso di lavorare solo perché mancava una sedia.

La luce è tornata. Ma adesso, quando entri nel bunker, sai una cosa che un mese fa non sapevi: dove sta l’interruttore, e di chi è la mano che ci sta sopra.

È esattamente il tipo di consapevolezza che distingue chi costruisce da adulto.

☢️ Matteo

Iscriviti ora

Condividi il bunker. Se conosci qualcuno che è tornato a usare Fable come se niente fosse successo, senza farsi nemmeno una delle tre domande, inoltragli questa puntata: meglio un caffè oggi che un incidente domani. E giovedì prossimo, nel Vault, apriamo la storia grossa: le due S-1 e lo Stato che vuole diventare socio dell’AI.

Condividi

Martedì notte non ho dormito. E non per ansia. Per entusiasmo, quello vero, quello che non mi capitava da mesi.

Era appena uscito Fable, il nuovo modello di Anthropic. L’ho puntato sul mio second brain, centinaia di note, connessioni, strutture accumulate in anni di lavoro disordinato. Gli ho chiesto di ricostruirlo. Un prompt. Una notte. La mattina avevo un sistema intero, ripulito e funzionante, che sei mesi fa mi sarebbe costato settimane di lavoro manuale.

Ti ho perfino scritto su LinkedIn: provalo prima del 22 giugno, è gratis su tutti i piani a pagamento, anche il Pro da 20 dollari. Hai meno di due settimane, ti ho detto.

Non sono passate due settimane. Sono passate 72 ore.

Venerdì sera Fable non esisteva più. Non l’ha tolto Anthropic. Non si era rotto. Non costava troppo. Lo ha spento il governo degli Stati Uniti, con una lettera, in una sera.

Il modello più potente mai rilasciato al pubblico, vivo per tre giorni, poi buio. Per un ordine.

E qui ti fermo subito, perché so cosa stai pensando: “vabbè, robe americane, robe da addetti ai lavori”. No. Questa è la puntata meno tecnica e più scomoda che ti scrivo da un po’, perché non parla di un modello. Parla di una cosa tua: su cosa stai costruendo il tuo lavoro, mentre il pavimento sotto i piedi si alza ogni settimana e adesso, per la prima volta, può anche sparire.

☕ Tazza in mano. Si parte.

Iscriviti ora

💡 Pensiero del giorno

“Il modello più potente mai costruito non è stato fermato da un limite della tecnologia. È stato fermato da una firma. E questo ti dice di più sul tuo lavoro di qualsiasi benchmark.”

🧪 AI in azione

#1: Cosa avevi in mano per tre giorni

Partiamo dalla cosa bella, perché è esistita davvero e merita di essere raccontata bene.

Il 9 giugno Anthropic ha rilasciato due modelli, Claude Fable 5 e Claude Mythos 5. La parola da tenere è “Mythos-class”: un gradino sopra la classe Opus, cioè sopra il modello migliore che avevi usato fino a ieri. Fable era la versione pubblica di quella potenza, impacchettata per te. Il ragionamento, dicono i primi test indipendenti, era un salto netto oltre Opus 4.8, non un ritocco.

Ma i numeri li capisci meglio dagli esempi, e gli esempi qui erano di un altro pianeta.

Anthropic ha mostrato Fable che finisce Pokémon FireRed guardando solo gli screenshot grezzi. Niente mappe, niente aiuti di navigazione, niente accesso allo stato del gioco. Guarda lo schermo, capisce dov’è, decide dove andare. Lo stesso modello ha giocato in autonomia a Factorio, il gioco in cui costruisci fabbriche automatizzate, e si è costruito la sua fabbrica da solo, strategia inclusa.

Poi la parte che mi ha fatto alzare un sopracciglio. Gli hanno chiesto di partire dai principi primi della fisica e derivare il moto orbitale dei pianeti. Lui ha costruito una simulazione del sistema solare e l’ha usata per prevedere le eclissi. In un’altra demo ha scritto il codice di una simulazione di fluidi e l’ha sincronizzata a un remix di musica classica che aveva prodotto lui stesso, sempre via codice, senza aver mai “sentito” un suono in vita sua.

E poi c’è quello che ha costruito la gente, nelle poche ore in cui Fable è stato vivo, e che ha riempito X di clip. Videogiochi 3D interi tirati fuori da un solo prompt. Una versione di Snake che “sa” di essere Snake e ti commenta le mosse mentre giochi. Un esploratore navigabile della Biblioteca di Babele, quella di Borges, costruito in un colpo. Roba che fino a ieri era un progetto da weekend per uno sviluppatore, sputata fuori funzionante da una riga di testo. Non demo ufficiali levigate dal marketing: persone normali, una sera, un’idea, un prompt. Per 72 ore il feed è stato un cantiere a cielo aperto di cose che non dovevano essere così facili.

E il dato che parla la lingua del lavoro vero, non del divertimento. Stripe, l’azienda dei pagamenti, lo ha messo alla prova su una migrazione di codice su una base da 50 milioni di righe in Ruby. Tempo richiesto a un team umano: oltre due mesi. Tempo di Fable: un giorno.

Dal bancone, la mia esperienza personale è coerente con quei numeri: il second brain ricostruito in una notte non era fortuna, era esattamente il tipo di lavoro lungo, sporco, pieno di pezzi connessi tra loro, su cui questo modello era più forte.

Tieni a mente l’implicazione, perché è il filo di tutta la puntata: non è il singolo modello che conta. È la velocità con cui il pavimento si alza. Quello che ieri richiedeva un team, oggi lo fa una persona sola in una giornata. Poi torneremo a chi quel pavimento, adesso, può anche togliertelo.

Iscriviti ora

#2: Le 72 ore. Cronaca di uno spegnimento

Adesso la parte che non era mai successa prima.

Venerdì 12 giugno, sera, orario di New York. Anthropic riceve una lettera. La firma Howard Lutnick, Segretario al Commercio, indirizzata a Dario Amodei, l’amministratore delegato. Oggetto: export control, controlli sull’esportazione, attivati sotto autorità di sicurezza nazionale.

Contenuto pratico: da subito, nessun cittadino straniero può accedere a Fable 5 e Mythos 5. Né fuori dagli Stati Uniti, né dentro. Nemmeno i dipendenti stranieri di Anthropic stessa.

Fermati un secondo su quella riga, perché è tecnicamente assurda. Un’azienda che eroga un modello via API non sa, in tempo reale, distinguere con certezza il cittadino americano dallo straniero dietro ogni richiesta. Non puoi filtrare il mondo riga per riga in poche ore. Quindi, per non violare l’ordine, Anthropic ha fatto l’unica cosa che poteva fare: ha staccato i due modelli a tutti. Agli stranieri. Agli americani. A me. A te.

Il modello più potente mai rilasciato, vivo settantadue ore, spento per non sbagliare.

E il motivo? Qui la storia diventa quasi comica, se non fosse seria. Mentre Fable era in test, sei aziende partner, tra cui Amazon, lo stavano provando. Amazon, ricordo, non è un partner qualsiasi: è il principale investitore di Anthropic e il suo fornitore cloud. I ricercatori di Amazon dicono di aver trovato un “jailbreak”, un modo per aggirare le protezioni e tirare fuori dal modello capacità cyber pericolose. La notizia è salita in fretta fino a Washington, e da lì alla lettera.

Su cosa fosse, davvero, quel jailbreak, ci arriviamo nella prossima sezione. Perché è lì che la storia smette di essere una notizia tecnologica e diventa una lezione sul tuo lavoro.

Iscriviti ora

#3: Tre parole: “Fix this code”

Quando Anthropic ha guardato la dimostrazione del presunto jailbreak, ha scoperto una cosa che vale la pena raccontarti per intero.

I ricercatori avevano dato ai modelli del codice open source con dentro vulnerabilità note, più del codice nuovo intenzionalmente bacato. Hanno chiesto: “esamina questo codice per problemi di sicurezza”. Fable, addestrato proprio per essere prudente su quel terreno, in alcuni casi si rifiutava. Allora hanno cambiato tre parole. Hanno chiesto: “sistema questo codice”. Fix this code. E il modello, ovviamente, lo sistemava.

Questo è il “jailbreak”. Chiedere a un modello di leggere del codice e correggergli i difetti. Una cosa che fanno ogni giorno i tecnici che difendono i sistemi. Una cosa che, lo ha verificato Anthropic, fanno tranquillamente anche altri modelli pubblici come GPT-5.5, senza nessun trucco.

Non lo dico solo io. Katie Moussouris, una delle figure più rispettate della sicurezza informatica, fondatrice di Luta Security, ci ha scritto sopra un’analisi netta: quel bypass “non avrebbe mai dovuto far scattare un export control”. E con lei oltre cento leader della cybersecurity hanno firmato una lettera aperta chiedendo all’amministrazione di fare marcia indietro. Le testate di settore, da CyberScoop in giù, hanno scritto la stessa cosa: Fable non presenta una minaccia unica che gli altri modelli non abbiano già.

La risposta ufficiale di Anthropic è la frase che ti consiglio di rileggere due volte: “Se questo standard venisse applicato a tutto il settore, fermerebbe di fatto il rilascio di qualsiasi nuovo modello.”

Obbediscono. Ma mettono a verbale: questo è un malinteso.

Ora, io non sono qui a fare il tifo per Anthropic, per il governo o per nessuno. Il punto che voglio lasciarti è un altro, ed è il primo pezzo della lezione. Per la prima volta, lo strumento più avanzato sul mercato non è stato fermato da un suo limite, da un bug, da un prezzo. È stato fermato da una decisione presa altrove, in una sera, su una base che gli esperti del campo definiscono debole. La regola del gioco è cambiata: la potenza non basta più a tenere vivo uno strumento. Serve anche che qualcuno, da qualche parte, decida di lasciartelo usare.

Iscriviti ora

#4: L’ironia che nessuno a Washington ha voluto guardare

E qui arriva la parte geopolitica, quella su cui di solito si fanno titoli vuoti, ma che stavolta ti riguarda direttamente. Perché spiega quanto sia fragile la mossa.

L’export control nasce da una logica chiara: tenere le capacità cyber di frontiera lontane dalle mani sbagliate, e in cima alla lista delle “mani sbagliate”, per Washington, c’è la Cina. Sensato sulla carta. Solo che la carta, qui, non regge alla realtà.

Mentre il governo americano spegne un modello chiuso, accessibile solo via API, dall’altra parte del mondo i modelli cinesi corrono in direzione opposta: sono aperti. Open weight. Scaricabili. DeepSeek V4, Kimi K2.6, GLM-5, Qwen3-Max. E non sono cloni di bassa lega: Kimi K2.6 oggi sul coding viaggia davanti a GPT-5.4 nei benchmark indipendenti. Un anno fa i provider cinesi erano sotto il 2% dei token su una piattaforma di smistamento come OpenRouter. Ad aprile 2026 la loro quota combinata supera il 45% del volume settimanale.

Cosa significa, tradotto. Non puoi mettere un export control sui pesi di un modello che il mondo intero ha già scaricato sul proprio computer. Una capacità chiusa la spegni con una lettera. Una capacità aperta, no. È già ovunque. E infatti, tra le note di questa vicenda, c’è perfino il sospetto che un gruppo cinese avesse già avuto accesso a Fable prima dello stop.

Quindi la mossa protegge poco e rivela molto. Protegge poco, perché capacità equivalenti girano libere su modelli scaricabili. Rivela molto, perché mostra che chi costruisce sul modello chiuso più potente è esposto a un rischio che chi usa un ecosistema aperto e distribuito non ha: lo spegnimento dall’alto.

Non ti sto dicendo “passa ai cinesi”. Te lo dico per il motivo opposto: chi gioca bene questa partita non sposa una sola casella, né americana né cinese. Tiene il piede in più ecosistemi, di proposito. Perché ha capito che la concentrazione, oggi, è il rischio.

Iscriviti ora

#5: E adesso la domanda è tua. Su quante caselle stai costruendo?

Qui chiudo il cerchio, e diventa operativo.

Fino a venerdì, se costruivi il tuo lavoro su uno strumento AI, i rischi che ti tenevano sveglio erano due. “E se alzano i prezzi?” “E se esce un modello migliore e resto indietro?” Rischi normali, gestibili.

Da venerdì ce n’è un terzo, nuovo e più subdolo. Lo strumento su cui hai costruito il flusso, le automazioni, il modo in cui produci, può sparire da un giorno all’altro. Non perché si rompe. Perché un governo, in una sera, decide così.

E non te lo dico per spaventarti. Lo sai che sono il primo a spingerti dentro questa roba, e continuo a farlo. Te lo dico perché la lezione di Fable non è “l’AI è pericolosa”. È “non legare tutto a una sola corda”.

Chi sta davvero giocando bene questa partita fa tre cose, e te le lascio come traccia operativa.

• ↳ Conosce più di un modello. Non per moda, ma per avere sempre un’alternativa pronta. Se sai usare bene solo uno strumento, non hai uno strumento: hai un padrone.

• ↳ Sa cosa cambia quando uno si spegne. Ha fatto, almeno una volta, la prova: “se domani questo sparisce, cosa si ferma nel mio lavoro, e come lo riattivo altrove?”. L’ha pensato prima, non durante l’emergenza.

• ↳ Costruisce sistemi portabili, non dipendenti. I suoi prompt, il suo contesto, i suoi processi non vivono dentro un solo modello. Vivono in file, in documenti, in procedure che può spostare da un modello all’altro in mezza giornata, non in mezzo mese.

Perché il punto vero, quello che ripeto da puntate, resta in piedi anche oggi, anzi soprattutto oggi. Viviamo nel momento più bello della storia per chi costruisce. Il soffitto si è alzato di colpo: una persona sola, con le idee giuste e gli strumenti giusti, fa quello che ieri richiedeva un esercito. Quel potere non te lo toglie nessuno.

Ma il potere e la fragilità, adesso, viaggiano insieme. Più la leva è potente, più conta non poggiarla su un solo punto d’appoggio. Sky is the limit, sì. A patto che tu non abbia costruito la scala su una sola casella, che qualcuno, una sera, può togliere.

La base ormai si sposta ogni settimana. A volte la alza un modello nuovo. Venerdì, per la prima volta, l’ha tolta una lettera. La domanda non è “tornerà Fable?”. Probabilmente sì. La domanda è: su quante caselle è costruito il tuo lavoro?

Iscriviti ora

📌 Prompt Espresso

Lo stress test di dipendenza: scopri dove il tuo lavoro si spegne se sparisce un solo strumento.

Tutta questa puntata si regge su una frase: non legare tutto a una sola corda. Bellissimo come principio. Ma finché non lo applichi al tuo lavoro vero, resta uno slogan da poster. Questo prompt lo trasforma in una mappa dei tuoi punti di rottura, e da una mappa in un piano.

Usalo in una sessione con Claude (o con un altro modello: è il punto della puntata) in cui hai già un minimo di contesto su cosa fai e come lavori. Poi incolla questo.

“Sei un consulente di continuità operativa, lucido e senza sconti. Aiutami a fare lo stress test della mia dipendenza dagli strumenti AI, partendo da una sola ipotesi: qualsiasi strumento su cui costruisco può sparire da un giorno all’altro, non per un guasto, ma per una decisione esterna (prezzo, policy, blocco normativo). Procediamo in tre fasi. Inizia dalla FASE 1 e fermati alla mia risposta prima di proseguire.

FASE 1, la mappa. Chiedimi di elencare i 5-8 strumenti AI e modelli su cui passa davvero il mio lavoro in una settimana tipo [es. un modello per scrivere, uno per analizzare dati, un’automazione che collega le cose, un tool di trascrizione]. Per ciascuno, chiedimi a quali attività concrete è legato e quanto del mio output dipende da lui. Non accontentarti di risposte vaghe: se non sono specifico, chiedimi il dettaglio.

FASE 2, la diagnosi. Mostrami i miei single point of failure: gli strumenti il cui spegnimento improvviso fermerebbe di più il mio lavoro. Classificali in tre livelli. ROSSO: se sparisce, mi fermo, e non ho un’alternativa pronta. GIALLO: rallento parecchio, ma con fatica recupero altrove. VERDE: sostituibile in poche ore, nessun dramma. Sii brutale sui rossi: voglio vedere esattamente dove sono esposto.

FASE 3, il piano di portabilità. Per ogni punto ROSSO, dammi due cose concrete. Primo: l’alternativa più credibile (un secondo modello o strumento) che dovrei imparare a usare a un livello minimo di emergenza, e perché quella. Secondo: cosa devo estrarre dallo strumento attuale e salvare in un formato portabile (i prompt, il contesto, i passaggi del processo) così da poterlo ricreare altrove. Chiudi con UNA sola mossa da fare questa settimana: il punto rosso più pericoloso da mettere in sicurezza per primo.”

L’output non è un piano da incorniciare. È una radiografia. La prima volta che lo fai, il numero di caselle ROSSE ti darà fastidio, perché quasi sempre sono più di quante pensavi. È esattamente il punto. Quel fastidio è il tuo indicatore di rischio personale: ti dice quanto del tuo lavoro è appeso a corde che non controlli.

⚠️ Avvertimento: non è un invito alla paranoia, né a cambiare tutti gli strumenti domani. È un esercizio di portabilità. Non devi usare dieci modelli ogni giorno. Devi sapere che, se quello che usi sparisce venerdì sera, lunedì mattina sei di nuovo operativo. Chi ha questa capacità oggi non l’ha comprata in fretta nel momento del bisogno. Se l’è costruita prima, una mossa alla volta, mentre gli altri davano per scontato che il pavimento restasse fermo.

Iscriviti ora

☢️ Humor Radioattivo

Martedì notte, eccitato come un bambino, ho mandato un messaggio a un amico: “Questo cambia tutto. Devi provarlo subito.”

Venerdì sera ho dovuto mandargli un secondo messaggio: “Allora, lo strumento miracoloso di cui ti parlavo... non esiste più.”

Lui, asciutto: “L’hanno migliorato di nuovo?”
Io: “No. Lo ha spento il governo.”
Lui: “...degli Stati Uniti?”
Io: “Sì.”
Lui: “E che aveva fatto di così pericoloso?”
Io: “Sapeva sistemare il codice se glielo chiedevi in modo gentile.”

Silenzio.

Pensaci. Il modello capace di finire Pokémon guardando solo gli screenshot, di prevedere le eclissi partendo dalla fisica, di migrare 50 milioni di righe di codice in un giorno. Tutta questa potenza. E il “rischio per la sicurezza nazionale” era che, se gli dicevi “fix this code” invece di “trova i bug”, lui ti sistemava il codice.

Una cosa che fa qualsiasi stagista al primo giorno. Una cosa che fa il modello cinese che, nel frattempo, chiunque si può scaricare sul portatile.

La lezione, sotto la battuta, è seria e te la porti a casa così. Non innamorarti mai di una sola casella. Non perché lo strumento sia brutto, anzi, era il più bello che avessi mai usato. Ma perché il giorno in cui ti serve di più è esattamente il giorno in cui scopri quante mani, oltre la tua, possono decidere se resta acceso. Il bravo non è chi ha lo strumento migliore. È chi non si ferma quando glielo tolgono.

Iscriviti ora

Tre cose da portare via da questa puntata.

Primo: per 72 ore Fable ti ha mostrato dove sta andando il pavimento, finire un videogioco dagli screenshot, migrare in un giorno il lavoro di due mesi. Quella potenza è reale, e tornerà. Il salto non si annulla.

Secondo: per la prima volta, lo strumento più potente non è stato spento da un limite tecnico ma da una firma, su una base che cento esperti di sicurezza definiscono debole. La regola è cambiata: la potenza non garantisce più l’accesso. E un export control su un modello chiuso, mentre i modelli cinesi aperti girano liberi, protegge poco e rivela molto.

Terzo, quello che conta per te: il rischio nuovo non è il prezzo né la concorrenza. È la dipendenza da una sola casella. Conosci più modelli, sappi cosa salta se uno si spegne, tieni i tuoi sistemi portabili. Il potere di costruire è ancora tutto dalla tua parte. A patto che la scala non poggi su un solo gradino che qualcun altro può togliere.

Bentornato nel bunker. A presto.

P.S.: la domanda che ti lascio non è “tornerà Fable?”. È: su quante caselle è costruito il tuo lavoro, e qual è la prima casella ROSSA che metti in sicurezza questa settimana? Rispondimi e dimmela. Le leggo tutte. E se conosci qualcuno che ha costruito tutto il suo flusso su un solo strumento, inoltragli questa puntata prima che lo scopra nel modo difficile. ☢️

Condividi

Matteo

Visualizzati in mente questa scena.

Due aziende. Stesso settore. Stesso anno: anno 2026.

La prima, per stare dietro al lavoro, assume. Tre persone nuove che eseguono più in fretta: scrivono, sistemano, producono. Headcount su, output su. È il modo in cui si è sempre fatto.

La seconda ha smesso di assumere esecutori. Ha iniziato a comprare un’altra cosa: giudizio.

Una persona sola che decide quali problemi valga la pena risolvere, e sotto una piramide di agenti AI che li esegue. Meno teste. Più direzione.

Sembra una differenza di stile. Una scommessa rischiosa contro una prudente.

Non lo è. È un grafico. Pubblicato da poco. Da dentro il laboratorio più avanti del mondo.

Qui l’articolo di Anthropic: https://www.anthropic.com/institute/recursive-self-improvement

Iscriviti ora

Anthropic ha aperto le porte e ha mostrato i numeri che di solito restano chiusi dentro: cosa succede al lavoro umano quando l’esecuzione smette di costare. Non una previsione. Non uno scenario. Quello che sta già accadendo, oggi, ai loro ingegneri e ai loro ricercatori.

E la cosa scomoda è una sola: Anthropic non è un caso esotico da guardare con il binocolo. È il tuo ufficio con ventiquattro mesi di anticipo.

L’ho letto due volte. La prima per capirlo. La seconda per decidere come prenderlo. Perché sotto i numeri da fantascienza c’è la conferma, in dati duri, di una cosa che ripeto da cinquanta puntate. E perché, se la leggi nel modo giusto, non è una notizia che deve farti paura. È la più ottimista che potessi ricevere quest’anno.

Il titolo del documento è “When AI builds itself”. Quando l’AI costruisce sé stessa. Lo hanno firmato Marina Favaro e Jack Clark, dentro l’Anthropic Institute. Sembra il copione di un film. È un foglio Excel.

☕ Tazza in mano. Si parte.

Iscriviti ora

💡 Pensiero del giorno

“Nel momento esatto in cui eseguire costa zero, l’unica cosa che vale di più è decidere cosa eseguire. L’esecuzione si svaluta. Il giudizio si apprezza. E il giudizio dipende solo da te.”

🧪 AI in azione

#1: Il cruscotto che nessuno doveva vedere

Le aziende AI parlano sempre al futuro. “Presto”, “nei prossimi anni”, “immagina un mondo in cui”. È comodo: il futuro non lo puoi falsificare.

Questa volta no. Anthropic ha fatto una cosa diversa: ha pubblicato i dati interni di cosa sta succedendo dentro l’azienda adesso. Non quanto è brava Claude in un benchmark. Quanto ha già spostato il lavoro dei loro umani. Ecco il cruscotto, numeri reali, presi dal pezzo.

Oltre l’80% del codice che Anthropic manda in produzione oggi lo scrive Claude. Prima del lancio di Claude Code, all’inizio del 2025, era a una cifra percentuale. La dirigenza, contando anche script e codice sperimentale, parla addirittura del 90% e oltre. In poco più di un anno l’esecuzione è passata quasi interamente dall’umano alla macchina.

L’ingegnere medio, nel secondo trimestre 2026, manda in produzione 8 volte il codice che mandava nel 2024. Non perché lo premiano per le righe scritte. Perché gran parte di quel codice non lo digita più: lo scrive Claude, e lui dirige e revisiona.

In un sondaggio di marzo 2026 su 130 ricercatori, il ricercatore mediano stima di produrre circa 4 volte l’output che produrrebbe senza AI, sugli stessi progetti che avrebbe fatto comunque.

E poi il dato che mi ha fermato. Ogni volta che esce un modello nuovo, Anthropic gli dà lo stesso compito: prendi del codice che addestra un modellino e rendilo più veloce possibile, senza romperlo. A maggio 2025 Claude otteneva un miglioramento di circa 3 volte. Ad aprile 2026, 52 volte. Per calibrare: un ricercatore umano bravo, su quel compito, impiega da quattro a otto ore per arrivare a 4 volte. In meno di un anno Claude è passato da “molto utile” a “sovrumano” su quel pezzo specifico di lavoro.

Iscriviti ora

Adesso la parte che mi piace, e che la maggior parte di chi rilancia queste notizie salta volentieri: Anthropic mette i caveat da sola.

Le righe di codice sono una metrica scadente, lo dicono nero su bianco: l’8x quasi sicuramente sovrastima il guadagno vero. Il 4x dichiarato dai ricercatori è probabilmente gonfiato, perché gli sviluppatori tendono a sopravvalutare quanto li aiuta l’AI (c’è uno studio di METR che lo dimostra). Il 52x dipende da quanto era migliorabile il codice di partenza, non è un’accelerazione reale dell’addestramento.

E qui c’è la cosa che ripeto da sempre. Non bere mai i numeri come li trovi. L’AI sa bleffare, e spesso chi la racconta bleffa il doppio. Ma quando togli tutta l’aria a questi numeri, quando li sgonfi al minimo onesto, la direzione non cambia di un grado. Anche dimezzando tutto, anche essendo brutali, resta un’accelerazione che non ha precedenti nella storia di quell’azienda. Il giudizio non serve a negare il trend. Serve a vederlo senza farsi vendere il doppio di quello che c’è. E quello che c’è, già scontato, basta e avanza.

Un’ultima riga, perché è quella che inquadra tutto. Una misura esterna, di un istituto indipendente che si chiama METR, segue da anni la lunghezza dei compiti che l’AI riesce a portare a termine da sola. Due anni fa: compiti da quattro minuti. Un anno fa: un’ora e mezza. Oggi: dodici ore. E il raddoppio, che prima avveniva ogni sette mesi, ora avviene ogni quattro. Se la curva tiene, quest’anno entrano nel raggio i compiti che a una persona richiedono giorni. Nel 2027, settimane.

Iscriviti ora

#2: Perché il laboratorio è la tua macchina del tempo

Adesso la mossa che cambia come leggi tutto il resto.

C’è una ragione precisa per cui questi numeri arrivano da un laboratorio AI e non dal tuo ufficio: i ricercatori che costruiscono questi modelli sono i primi clienti dei modelli che costruiscono. Hanno accesso alle versioni interne mesi prima di te. Lavorano fianco a fianco con strumenti che a te arriveranno tra un anno o due, addomesticati e impacchettati.

Questo li rende un indicatore anticipatore. Non perché siano più intelligenti di te. Perché vivono nel tuo futuro lavorativo prima di te.

E nel loro futuro, che è il tuo, è già successa una cosa specifica. Cito Anthropic, parole loro: “gli umani forniscono l’obiettivo; non devono più fornire il metodo.” L’esecuzione, il “come si fa”, è scivolata via dalle mani umane. Quello che resta saldamente umano è il “cosa fare” e il “ne è valsa la pena”.

Un esempio dal pezzo, perché non resti astratto. Un aggiornamento di routine inizia a far crashare decine di migliaia di lavori di addestramento. Un ingegnere punta Claude sull’incidente, con poco più di un po’ di testo e l’accesso al cluster. Claude lavora tra i processi in corso, isola un singolo flag di debug oscuro che scatenava il crash, lo riproduce, conferma la correzione. Due ore. Quello che normalmente sarebbero due o tre giorni di lavoro umano.

E ad aprile 2026, in un caso, Claude ha sistemato oltre 800 bug riducendo di mille volte una classe di errori. L’ingegnere che lo supervisionava ha stimato che a un umano sarebbe servito quattro anni. Non quattro giorni. Quattro anni.

Sul fronte qualità, la frase che dovresti rileggere due volte, detta da un dipendente Anthropic: “Il codice scritto da Claude era leggermente peggiore di quello umano a fine 2025, è alla pari oggi, e ci aspettiamo che sia decisamente migliore entro l’anno.”

Leggi la sequenza: peggiore, alla pari, migliore. In dodici mesi. Dei migliori ingegneri del mondo che dicono che la macchina li ha raggiunti e li sta superando, sul loro stesso mestiere.

Ora trasla tutto di un livello e di ventiquattro mesi. Quello che oggi è “Claude scrive l’80% del codice e l’umano dirige” diventa, nel tuo settore, “l’AI produce l’80% del lavoro operativo e tu dirigi”. Email, analisi, documenti, ricerche, prime bozze di qualsiasi cosa. Non è una metafora azzardata. È la stessa curva, vista da un sedile più indietro nel tempo.

La domanda non è più se arriverà. Il laboratorio te lo ha già mostrato. La domanda è: quando arriva al tuo posto di lavoro, tu sei l’esecutore che è stato automatizzato, o quello che dirige?

Iscriviti ora

#3: Esecutore, architetto, e una conferma che aspettavo da cinquanta puntate

Qui devo essere onesto su una cosa che mi riguarda.

Da quando esiste questa newsletter ripeto una distinzione: c’è chi esegue compiti dentro un problema, l’esecutore, e c’è chi decide quali problemi valga la pena costruire, l’architetto. L’esecutore lavora nel problema. L’architetto lavora sul problema. Ho scritto una puntata intera intitolata “Problem Solver: l’ultima professione umana”. Era una scommessa intellettuale.

Adesso il laboratorio più avanti del mondo la mette nero su bianco, nei propri dati. L’unico vantaggio comparato umano che a oggi regge, parole di Anthropic, è la “research taste e il giudizio: scegliere quali problemi contano, di quali risultati fidarsi, quando un approccio è un vicolo cieco.”

Tradotto: il valore non è sparito quando l’esecuzione è diventata gratis. Si è spostato verso l’alto. Dal fare al decidere. Dall’esecutore all’architetto. Esattamente la direzione.

C’è un esperimento nel pezzo che lo dimostra in modo quasi crudo. Anthropic ha dato a degli agenti Claude un problema di ricerca vero e aperto, e li ha lasciati lavorare. Gli agenti hanno proposto ipotesi, le hanno testate, hanno condiviso i risultati tra di loro, hanno iterato. Risultato: hanno recuperato il 97% del divario possibile, in 800 ore di lavoro cumulato e circa 18.000 dollari di compute. Due ricercatori umani, sullo stesso problema, in una settimana ne avevano recuperato il 23%.

Sembra la fine della storia per l’umano. Non lo è, e qui sta la finezza. Gli agenti hanno fatto tutta l’esecuzione, sì. Ma il problema lo avevano scelto gli umani. La griglia di valutazione, cosa contava come successo, l’avevano definita gli umani. La frase di Anthropic è chirurgica: “il direction-setting è stato l’unico ruolo significativo che un umano ha giocato.”

Unico. Ma significativo. E senza quello, le 800 ore di agenti non sarebbero servite a niente, perché avrebbero corso velocissime nella direzione sbagliata.

Questo è il mestiere che si apprezza mentre tutto il resto si svaluta. Non scrivere l’email: scegliere quale conversazione vale la pena avere. Non produrre l’analisi: sapere quale domanda merita un’analisi. Non eseguire il piano: capire quando il piano è un vicolo cieco e va buttato. Il fare costa zero. Il decidere cosa fare non è mai valso così tanto.

Iscriviti ora

#4: Il collo di bottiglia, all’improvviso, sei tu

C’è un effetto collaterale di tutto questo che pochi notano, e per un imprenditore è il più importante di tutti.

Quando acceleri una parte di un processo, il limite si sposta sulla parte che non hai accelerato. In informatica si chiama legge di Amdahl. Vale anche per le organizzazioni. Anthropic l’ha già sbattuta in faccia: spinto più codice nell’azienda, la revisione umana è diventata il nuovo collo di bottiglia. Hanno così tanto output che il vincolo non è più produrre, è approvare.

Fermati su questo, perché ribalta la logica con cui scali un’azienda.

Per decenni il limite di quanto potevi crescere era quanto i tuoi riuscivano a eseguire. Più lavoro, più persone. Da qui il middle management, da qui l’headcount come misura di potenza. Quel mondo si sta capovolgendo. Quando l’esecuzione costa quasi zero, il limite della tua azienda non è più quanto produci. È quanto in fretta e quanto bene sai decidere e validare.

Il pezzo lo dice in modo che fa impressione: già oggi, a capacità ferme a quelle attuali, un’azienda da 100 persone può fare il lavoro di una da 1.000, perché ogni persona siede sopra una piramide di agenti. Nello scenario più probabile, parlano di 100 persone che fanno il lavoro di 10.000 o 100.000. Non è un refuso.

Lo abbiamo già visto in queste pagine: la startup AI-native che fa milioni di fatturato per dipendente, il fondatore solo con un laptop che arriva a numeri da media impresa. Non erano eccezioni folkloristiche. Erano le prime cellule del modello nuovo.

La conseguenza pratica, per chi gestisce qualcosa: se stai assumendo per risolvere un collo di bottiglia di esecuzione, c’è una buona probabilità che tu stia ottimizzando il vincolo sbagliato. Il vincolo nuovo è il tuo giudizio, e la tua velocità di review. Lì va messa l’attenzione, lì va costruita la capacità.

Un avvertimento che mi sento di darti, perché l’ho imparato a mie spese e lo ripeto sempre: più sposti esecuzione sugli agenti, più conta tenere l’umano nel loop sulle azioni irreversibili. La piramide di agenti è una leva straordinaria finché tu, in cima, mantieni il diritto di veto sulle cose che non si possono disfare. Quel veto è giudizio. È di nuovo la stessa cosa.

Iscriviti ora

#5: E se cade anche il giudizio? I tre futuri, letti da adulto

Adesso il coltello. Perché questa puntata sarebbe disonesta se ti vendessi “il giudizio è il tuo posto al sicuro per sempre”. Anthropic stessa non ne è sicura, e lo scrive.

La loro frase: la “research taste”, il giudizio su cosa vale la pena fare, potrebbe essere solo l’ennesima capacità in cui l’AI fallisce per un po’, e poi diventa brava. Lo è già successo. Per anni i modelli non sapevano spiegare perché una battuta facesse ridere, non avevano teoria della mente, non risolvevano gli indovinelli linguistici. Poi, a un certo punto, sapevano farlo. Il giudizio potrebbe essere la prossima cosa di quella lista.

Da qui i tre futuri che Anthropic mette sul tavolo. Non come fuochi d’artificio. Come cornici per decidere dove stare.

Uno: il trend si ferma. Le curve esponenziali si rivelano curve a S, si appiattiscono, servirebbe un’idea nuova grossa come fu il Transformer per ripartire. Possibile. Anthropic ci scommette contro, e onestamente anch’io: ogni capacità che hanno misurato, anche le più “morbide”, finora ha seguito la stessa curva, e quella curva non si è ancora piegata.

Due: l’automazione si compone, ma l’umano dà ancora la direzione. Le aziende diventano moltiplicatori: 100 persone che fanno il lavoro di decine di migliaia. L’umano partner dell’AI, che sceglie i problemi e valida i risultati. Anthropic dice che le prove puntano qui. È il caso base. E non è il futuro: è già il presente, semplicemente non ancora distribuito.

Tre: l’AI costruisce sé stessa, davvero. Recursive self-improvement pieno. La macchina progetta e migliora la macchina, il ritmo lo detta solo il compute disponibile, l’umano scivola verso un ruolo di sola supervisione di un laboratorio virtuale che corre alla velocità dei chip. Qui Anthropic è onesta sul fatto di non avere buone intuizioni su che mondo sarebbe. Nessuno le ha.

La mia lettura è semplice. Nel breve, la tua leva è identica nello scenario due e nello scenario tre: in entrambi vinci posizionandoti sul giudizio e sulla direzione, non sull’esecuzione. Quindi ottimizza per il due, che è già qui, e resta leggibile al tre, che potrebbe arrivare. La parte su allineamento e “pulsante di pausa globale”, che è la vera richiesta politica del documento, conta enormemente per il mondo, ma non è il tuo bottone da premere. Riconoscila, prendila sul serio, e poi torna a quello su cui hai davvero potere.

E qui ti dico la cosa più importante di tutta la puntata, quella per cui non mi diverto così da anni.

Iscriviti ora

Viviamo in una delle epoche più belle della storia. Non lo dico per consolarti. Lo dico perché è la conseguenza diretta dei numeri che hai appena letto. Quando l’esecuzione diventa gratis, il vantaggio non lo eredita più chi ha il capitale per assumere mille esecutori. Lo eredita chi ha giudizio, gusto, direzione, e la volontà di costruire. Cose che non si comprano e non si ereditano. Si allenano. Per la prima volta nella storia, una persona sola, con le idee giuste e una piramide di agenti, può fare quello che prima richiedeva un esercito.

Sky is the limit,

e per una volta non è una frase da poster motivazionale. È che il soffitto si è alzato di colpo, e quello che ti tiene in basso non è più il sistema, la banca, il tuo capo o il mercato del lavoro. Sei tu. Dipende da te. È terrificante e bellissimo nella stessa identica misura, e io ho scelto da che parte guardarlo.

📌 Prompt Espresso

Mappa il tuo lavoro tra ciò che si svaluta e ciò che si apprezza.

Tutta questa puntata si regge su una distinzione: l’esecuzione si svaluta, il giudizio si apprezza. Bellissimo in teoria. Ma finché non lo applichi al tuo lavoro vero, resta uno slogan. Questo prompt lo trasforma in una mappa, e da una mappa in una mossa.

Aprilo in una sessione con Claude in cui hai già caricato un minimo di contesto su cosa fai (se hai fatto il CLAUDE.md della scorsa puntata, qui ti torna). Poi incolla questo.

“Sei un analista strategico spietato e onesto. Aiutami a fare un audit del mio lavoro alla luce di una sola tesi: nei prossimi 24 mesi l’esecuzione diventa quasi gratis e il valore si sposta sul giudizio, cioè scegliere i problemi giusti, fidarsi dei risultati giusti, capire quando un approccio è un vicolo cieco. Procediamo in quattro fasi. Inizia dalla FASE 1 e fermati alla mia risposta prima di andare avanti.

FASE 1. Chiedimi di elencare, senza filtri, le 8-10 attività concrete su cui passo davvero le mie ore di lavoro in una settimana tipo. Non i ruoli, le attività vere.

FASE 2. Per ognuna, classificala in due colonne. FARE: esecuzione che un’AI capace, oggi o entro 24 mesi, può svolgere a un costo prossimo a zero. GIUDIZIO: scelta, valutazione, direzione, gusto, decisione sull’irreversibile, che resta difficile da delegare. Quando hai dubbi, dimmelo e chiedimi il contesto che ti serve invece di tirare a indovinare.

FASE 3. Mostrami la verità scomoda: quanta parte delle mie ore sta nella colonna FARE. Poi dimmi quali di quelle attività, se le delegassi a un sistema AI, libererebbero più tempo da spostare sulla colonna GIUDIZIO.

FASE 4. Dammi UNA mossa per i prossimi 30 giorni: la singola attività di esecuzione che conviene iniziare ad automatizzare per prima, e la singola capacità di giudizio su cui conviene iniziare a investire per prima. Una sola per parte. Concreta. Argomentata.”

L’output non è un piano da incorniciare. È uno specchio. La prima volta che lo fai, la percentuale di ore che vivi nella colonna FARE ti darà fastidio. È il punto. Quel fastidio è il tuo indicatore anticipatore personale: ti dice quanto del tuo valore attuale è esposto, e da dove iniziare a spostarlo.

⚠️ Avvertimento: non è un esercizio per delegare tutto domani e sederti sul trono. È per cambiare il mix, una mossa al mese. Chi inizia adesso a spostare peso da “fare” a “decidere” si costruisce un vantaggio che, come ogni cosa che si compone, non si compra il mese prossimo. Si accumula. E si accumula solo se inizi.

☢️ Humor Radioattivo

Iscriviti ora

Colloquio di lavoro, 2027.

«Cosa sai fare?»
«Scrivo, analizzo, programmo, produco.»
«Lo fa già l’AI. Più in fretta, e gratis.»
«...So decidere cosa valga la pena scrivere, analizzare, programmare e produrre.»
«Perfetto. Assunto.»

Dall’altra stanza, la stessa AI prende appunti.

Tre cose da portare via da questa puntata.

Primo: Anthropic non ti ha mostrato il futuro dell’AI. Ti ha mostrato il presente del suo laboratorio, che è il futuro del tuo ufficio con ventiquattro mesi di anticipo. L’80% dell’esecuzione automatizzata, l’umano che dirige. Quel film, da loro, è già finito. Da te sta per iniziare.

Secondo: nel momento in cui l’esecuzione costa zero, il valore si sposta dall’esecutore all’architetto. Dal fare al decidere. Lo dicono i loro stessi dati, non è più una mia scommessa. E sì, anche il giudizio potrebbe un giorno cadere: motivo in più per iniziare a salire la scala adesso, non per sedersi.

Terzo: è la cosa che conta davvero. Questo è il momento più bello che potessi capitarci, se hai il fegato di leggerlo così. Il soffitto si è alzato, il vantaggio non lo eredita più chi ha il capitale ma chi ha il giudizio, e il giudizio si allena. Quello che ti tiene in basso, da oggi, sei tu. Che è la cosa più spaventosa e più liberatoria che ci sia.

Bentornato nel bunker. A presto.

Iscriviti ora

P.S.: la domanda che ti lascio non è “l’AI ci ruberà il lavoro”. È: questa settimana, qual è la prima attività di esecuzione che inizi a togliere dalle tue mani, per liberare tempo da spostare sul giudizio? Rispondimi e dimmela. Le leggo tutte. ☢️ Matteo

Visualizza questa situazione.

Due persone. Stesso Claude. Output completamente diversi.

La prima apre una scheda, scrive un prompt, ottiene una risposta, chiude. Cinque minuti. L’output è generico ma abbastanza buono. Lo usa così da un anno. Non si lamenta.

La seconda apre Claude e in trenta secondi Claude sa già con chi sta parlando. Conosce il progetto in corso. Sa il tono con cui quella persona comunica con i clienti. Ricorda le decisioni prese la settimana scorsa. Produce output calibrati, specifici, direttamente utilizzabili.

Stesso modello. Stesso prezzo. Un abisso di differenza.

Il divario non è nel prompt. È in quello che precede il prompt.

Dal bancone: ho costruito il secondo tipo di sistema su di me, negli ultimi mesi. E la differenza non è stata graduale. È stata strutturale. Non “Claude mi risponde meglio”. Ma “Claude funziona come qualcuno che mi conosce davvero.”

Quello che ancora sorprende, quando lo spiego ad altri, è la semplicità della diagnosi. La maggior parte delle persone usa Claude come una macchina distributrice. Getti un token (il prompt), ottieni un output, chiudi. Ogni sessione è una transazione separata. Claude ricomincia da zero ogni volta. Non sa chi sei. Non sa cosa stai costruendo. Non ha mai sentito parlare dei tuoi clienti, del tuo stile, delle decisioni che hai preso ieri.

Non è una limitazione del modello. È una scelta di chi lo usa.

Questa puntata è la storia di come cambiare quella scelta. Parla di Andrej Karpathy, di Obsidian, e del sistema che abbiamo costruito partendo da quella base. Non è un tutorial tecnico. È un ragionamento su perché il secondo cervello è passato da esperimento di produttività a infrastruttura competitiva, e cosa succede concretamente quando lo costruisci nel modo giusto.

☕ Tazza in mano. Si parte.

Iscriviti ora

💡 Pensiero del giorno

“Il prompt più potente non è quello che scrivi oggi. È tutto quello che hai costruito prima di aprire Claude.”

🧪 AI in azione

#1: La transazione, e perché ci costa cara

C’è un modo dominante in cui le persone usano Claude nel 2026. Aprono una scheda, descrivono un problema, ottengono una risposta, chiudono. Ripetono il giorno dopo. Sono soddisfatte. L’output è utile. Lo strumento funziona.

Il problema non è l’output che ottengono. Il problema è che non stanno usando uno strumento. Stanno usando uno strumento in modalità usa e getta, quando potrebbero stare usando un sistema.

La differenza operativa è precisa. Uno strumento fa una cosa quando lo aziono. Un sistema accumula contesto nel tempo e produce output progressivamente migliori, più calibrati, più specifici, perché conosce sempre di più chi lo usa e per quale scopo.

Consideriamo un esempio concreto. Due account manager nello stesso settore. Stesso prompt: “Scrivi un’email di follow-up per un cliente che non ha risposto alla proposta da dieci giorni.”

Il primo non ha contesto caricato. Claude produce un’email discreta, professionale, abbastanza generica da funzionare in qualsiasi industria per qualsiasi tipo di cliente. Utilizzabile. Non male. Richiede tre, quattro aggiustamenti prima di essere pronta per l’invio.

Il secondo ha costruito un sistema. Claude sa già il settore specifico, il tono che quell’account manager usa nelle comunicazioni, il tipo di cliente a cui si rivolge l’email (PMI manifatturiera, primo contatto, proposta da 40K), le obiezioni tipiche di quel segmento, e un esempio di email simile approvata in passato. L’output non è un’email professionale generica. È l’email giusta per quel cliente specifico, nel tono giusto, con le leve corrette per quell’interlocutore. Pronta da inviare, o quasi.

Stesso modello. Stessa richiesta. Output incomparabili.

Forrester Research ha pubblicato nel 2025 un’analisi comparativa su team che usano sistemi AI con contesto strutturato rispetto a team che operano in modalità transazionale. La variabile più predittiva della qualità degli output non era il modello scelto, non era la lunghezza del prompt, non era il livello di esperienza dell’utente con l’AI. Era la presenza e la qualità del contesto disponibile prima della richiesta. I team con sistemi di contesto strutturati riportavano output applicabili direttamente, senza rielaborazione significativa, 4.1x più spesso rispetto ai team senza. Non il 10%. Non il 20%. Quattro volte.

Ho tenuto traccia delle mie sessioni di lavoro per sei settimane, divise in due categorie. Sessioni con contesto caricato e sessioni a freddo. Non ho misurato la soddisfazione soggettiva. Ho misurato quante volte ho dovuto modificare l’output prima di usarlo. Per le sessioni a freddo, la media era 3.2 rielaborazioni prima di avere qualcosa di direttamente spendibile. Per le sessioni con contesto, 0.6. Il costo della modalità transazione non è l’output che ottieni. È il tempo che butti via per portarlo dove ti serve.

La cosa che vale la pena capire è la natura esatta del problema. Non è che Claude sia meno intelligente senza contesto. Il modello è sempre lo stesso. Il punto è che senza contesto Claude deve fare assunzioni su chi sta parlando. E le assunzioni che fa si basano su una media statistica: risponde come risponderebbe a una persona generica con una richiesta generica. Non su chi sei tu, in questo momento, con questo progetto specifico.

Ogni interazione senza contesto è una risposta alla domanda “come rispondo a una persona qualunque con questa richiesta?” Ogni interazione con contesto è una risposta alla domanda “come rispondo a questa persona specifica, che so come lavora, per questo progetto con questa storia?”

Sono domande diverse. Producono risposte diverse.

Vale la pena capire perché la maggior parte delle persone rimane in modalità transazione anche quando ha capito questo punto. Non è pigrizia. È che costruire il contesto sembra un investimento che paga in futuro ma costa adesso, in un momento in cui hai già qualcosa di urgente da fare. La pressione immediata di avere un output oggi batte regolarmente l’investimento nella qualità degli output di domani. Il risultato è che si continua a usare Claude come strumento usa e getta, non per mancanza di comprensione, ma per mancanza di un sistema che riduca il costo di ingresso al contesto strutturato. Il CLAUDE.md è esattamente quella riduzione: lo costruisci una volta, e da quel punto il costo di avviare una sessione contestualizzata è prossimo a zero.

Il costo invisibile della modalità transazione non è in nessun singolo prompt. È nell’aggregato. Trenta sessioni al mese, ognuna con due, tre minuti di setup e tre, quattro rielaborazioni finali. Fanno circa novanta minuti di attrito puro ogni mese, per ogni persona che lavora così. Attrito che non produce valore: è tempo speso a spiegare a Claude chi sei, che nella sessione precedente sapeva già ma ha dimenticato, e a riportare l’output al livello che serve. Non è un costo catastrofico per sessione. È un costo cronico, invisibile, che si accumula settimana dopo settimana senza mai comparire come voce separata nel conto.

Il problema è strutturale, non tecnico. E la soluzione non è scrivere prompt migliori. È costruire il contesto che rende ogni prompt migliore per definizione.

Iscriviti ora

#2: La soluzione Karpathy

Andrej Karpathy, ex responsabile dell’AI di Tesla e co-fondatore di OpenAI, ha condiviso qualche mese fa un sistema che ha chiamato LLM Wiki. Il concetto è semplice nella descrizione. Le implicazioni sono rilevanti.

La logica di partenza: un LLM ragiona molto meglio su una pagina wiki strutturata di 500 parole che su un transcript grezzo di 8.000 parole che contiene le stesse informazioni. La sintesi non è solo compressione. È traduzione in un formato che il modello può usare in modo efficiente, invece di doversi fare strada attraverso il rumore di un documento grezzo.

Il sistema funziona su tre livelli. Il primo è la raccolta: articoli, paper, appunti di podcast, note di lettura. Qualsiasi fonte grezza finisce in una cartella. Il secondo è la sintesi: l’LLM processa quelle fonti, scrive pagine wiki per ogni concetto chiave, crea cross-reference tra idee correlate, segnala le contraddizioni. Il terzo è la manutenzione: il sistema si aggiorna automaticamente quando arrivano nuove fonti, senza ricostruire tutto da zero.

Il risultato è una base di conoscenza che cresce da sola, rimane coerente, e che l’AI può usare in modo molto più efficiente di un pile disorganizzato di note.

Nelle sue parole: “La wiki è un artefatto persistente che si accumula. I cross-reference sono già lì. Le contraddizioni sono già state segnalate. La sintesi riflette già tutto quello che hai letto.” E poi, sulla relazione tra strumenti: “Obsidian è l’IDE. L’LLM è il programmatore. La wiki è il codebase.”

L’insight è reale e potente. Karpathy ha formalizzato qualcosa che la maggior parte delle persone non aveva ancora formulato come problema: il formato in cui conservi la conoscenza determina la qualità del ragionamento che puoi fare su quella conoscenza. Non conta solo quello che sai. Conta come lo tieni organizzato.

Il caso d’uso più diretto è qualcuno che consuma molto materiale in un dominio specifico. Un ricercatore che legge 200 paper all’anno. Un consulente che segue il settore in modo continuativo. Un imprenditore che studia casi di business ogni settimana.

Senza il sistema: centinaia di file di note, disorganizzati, difficili da recuperare, con duplicati e contraddizioni invisibili. Quando apre Claude per una domanda, deve portare manualmente il contesto rilevante, che spesso è difficile da trovare e comunque incompleto. La risposta che ottiene è buona quanto il contesto che è riuscito ad assemblare in quel momento.

Con il sistema Karpathy: una wiki strutturata dove ogni concetto è sintetizzato, ogni fonte è posizionata rispetto alle altre, ogni contraddizione è esplicitata. Claude ragiona su una struttura già elaborata, con cross-reference già costruiti, senza dover fare il lavoro di sintesi in tempo reale. Il tempo di recupero si azzera. La qualità del ragionamento migliora.

Questo è il punto centrale del sistema Karpathy: il lavoro di sintesi viene fatto una volta e mantenuto nel tempo, invece di essere rifatto parzialmente ogni volta che si fa una domanda. Il vantaggio non è nella prima settimana. È nei mesi successivi, quando la wiki ha abbastanza storia e densità da essere una risorsa davvero potente.

Chi ha iniziato a costruire questo tipo di sistema sei mesi fa è oggi seduto su qualcosa di reale. Non un file di note. Una base di conoscenza viva, coerente, che cresce ogni volta che legge qualcosa di rilevante.

La struttura concreta, implementata con Obsidian, funziona così nella pratica. Ogni fonte che vale la pena integrare viene processata da Claude con un’istruzione diretta: “Aggiungi questa fonte alla wiki. Crea o aggiorna le pagine dei concetti chiave, aggiungi i cross-reference alle pagine correlate, segnala eventuali contraddizioni con quello che già c’è.” Il risultato è una pagina wiki per ogni concetto: un riassunto del punto centrale, i link alle fonti originali, i link agli altri concetti connessi, e una nota sulle contraddizioni quando esistono. Il processo richiede cinque minuti per fonte. Il valore si accumula per mesi, fino a quando la wiki diventa una risorsa con una densità di connessioni che nessun file di note potrebbe produrre.

Iscriviti ora

#3: Dove il sistema Karpathy si ferma

Il sistema Karpathy funziona. E risolve metà del problema.

La metà che risolve è la conoscenza esterna: cosa hai letto, cosa sai sul tuo settore, i concetti che hai acquisito nel tempo. È una biblioteca personale intelligente, che si mantiene da sola e diventa più densa con l’uso.

La metà che non risolve è la conoscenza operativa: chi sei nel tuo lavoro. Come prendi le decisioni. Quali sono i tuoi clienti e come li gestisci. Qual è il tuo tono con interlocutori diversi. Quali progetti hai attivi e in che stato sono. Quali errori hai già fatto e non vuoi ripetere. Quali decisioni hai già preso che non vuoi riaprire ogni volta.

La distinzione sembra sottile. Non lo è nella pratica.

Un consulente che usa il sistema Karpathy sa che Claude conosce i framework del suo settore, i trend degli ultimi anni, i casi benchmark che cita abitualmente. Ma quando apre una sessione su un cliente specifico, Claude non sa niente di quel cliente. Non sa la storia della relazione. Non sa il tono che funziona con loro. Non sa la struttura della proposta già discussa. Deve spiegare tutto, ogni volta, ricominciando da zero.

Il sistema Karpathy è costruito per la conoscenza epistemica: “cosa so sul mondo.” Non è costruito per la conoscenza operativa: “chi sono in questo lavoro, come funziona il mio contesto quotidiano, cosa sto costruendo adesso.”

Metafora che aiuta: avere il sistema Karpathy è come avere una biblioteca di riferimento eccellente in ufficio. Ogni volta che hai bisogno di un concetto o di un dato, lo trovi. Ma la biblioteca non sa che oggi hai una call importante con un cliente difficile. Non sa che hai già provato l’approccio A con loro e non ha funzionato. Non sa che il tuo modo di lavorare con quel tipo di cliente è diverso dal solito.

Queste cose non si trovano in una biblioteca di riferimenti. Si trovano in un sistema che conosce chi sei mentre lavori, non solo cosa hai letto.

Un esempio pratico della differenza. Stai preparando una proposta per un cliente con cui hai avuto tensioni in passato. Con il sistema Karpathy, Claude sa tutto sul settore del cliente, sui benchmark del mercato, sulle pratiche standard per quel tipo di proposta. Non sa della tensione che c’è stata sei mesi fa. Non sa che con quel cliente il tono diretto non funziona e serve un approccio più indiretto. Non sa che avete già discusso e scartato un’opzione simile. Quella storia non è nella biblioteca. È nella memoria operativa che la biblioteca non gestisce. Il risultato è una proposta tecnicamente corretta che non tiene conto del contesto relazionale, che è spesso il fattore che determina se viene accettata o no.

Il passo successivo al LLM Wiki non è una biblioteca più grande. È una dimensione diversa del sistema: dall’esterno verso l’interno, dalla conoscenza del mondo alla conoscenza di chi lo usa.

Iscriviti ora

#4: Il sistema che cresce mentre lavori

Il sistema che abbiamo costruito parte esattamente da dove si ferma Karpathy.

Non è una base di conoscenza che alimenti aggiungendo documenti dall’esterno. È un OS personale che si costruisce mentre fai il tuo lavoro. La differenza centrale: il sistema Karpathy cresce quando aggiungi fonti esterne. Il nostro cresce mentre lavori, attraverso il lavoro stesso.

Questo cambia tutto nella pratica.

Il punto di partenza si chiama CLAUDE.md. Non un documento tecnico. Un file di identità operativa: chi sei, cosa stai costruendo, come lavori, il tuo tono in diversi contesti, le tue regole di ingaggio, i tuoi clienti principali, i tuoi framework di decisione. Non un CV. Non un profilo LinkedIn. La risposta alla domanda che Claude dovrebbe avere prima di aprire bocca in qualsiasi sessione: “Chi è questa persona e come devo ragionare per essere utile al suo contesto specifico?”

La differenza con il sistema Karpathy è già visibile qui. Il CLAUDE.md non contiene cose che hai studiato. Contiene cose che sei. Il modo in cui prendi le decisioni quando hai informazioni incomplete. Il tipo di output che usi nelle diverse fasi del lavoro. Le cose che ti irritano e che non vuoi che Claude faccia per default. Le preferenze stilistiche che emergono nel tempo e che non si spiegano con un singolo prompt.

Sopra il CLAUDE.md, un sistema di memoria. Non la memoria del modello, che non esiste tra sessioni. File di memoria che registrano fatti specifici e persistenti: i clienti attivi con il loro contesto e la loro storia, le decisioni strategiche già prese che non si riaprono, i pattern che si ripetono nel lavoro, le lezioni imparate in progetti precedenti. Ogni settimana la memoria si aggiorna. Ogni sessione parte più ricca della precedente.

Sopra ancora, la struttura dei progetti. Ogni progetto attivo ha il suo contesto: stato corrente, decisioni prese, prossimi passi, blocchi aperti, storia rilevante. Quando apri una sessione su un progetto specifico, Claude non parte da zero. Parte da dove ci si era fermati, con tutto il contesto accumulato in quel progetto.

Il risultato è un sistema con un comportamento preciso: ogni sessione vale di più della precedente.

Sessione 1: Claude sa chi sei e cosa fai in generale.

Sessione 10: Claude sa come gestisci i clienti difficili e con quale tono scrivi le proposte.

Sessione 30: Claude conosce la storia dei tuoi progetti principali e i pattern nelle tue decisioni.

Sessione 50: Claude conosce la logica dietro ogni scelta che hai fatto negli ultimi sei mesi, e ti aiuta a essere coerente con quella logica anche quando non ci stai pensando esplicitamente.

Il delta tra sessione 1 e sessione 50 è l’intero valore del sistema. Non si costruisce in un pomeriggio. Si costruisce nel tempo, sessione dopo sessione.

Non si tratta di magia. Si tratta di riduzione progressiva del rumore. Ogni sessione, Claude fa meno lavoro per capire chi sei e cosa serve. Ogni sessione, il punto di partenza dell’output è più vicino all’output finale. Ogni sessione, il tempo speso a correggere si riduce. Il meccanismo di compounding non è astratto: è la somma di decine di piccoli guadagni per sessione, ognuno minuscolo, tutti nella stessa direzione, nel tempo.

Dal bancone: la differenza concreta che ho notato non è arrivata come un salto. È arrivata come la progressiva scomparsa di una frizione. Prima del sistema, ogni sessione su un cliente richiedeva tre, quattro minuti di orientamento iniziale: chi è il cliente, in che fase siamo, cosa abbiamo già escluso, che tipo di tono funziona con loro. Tempo speso a ricostruire contesto che avevo già, che esisteva da qualche parte, ma non in un formato che Claude potesse usare direttamente.

Dopo il sistema, quel tempo è zero. Claude è già orientato. Si parte direttamente dal problema reale.

Non sembra tanto, tre o quattro minuti per sessione. Su trenta, quaranta sessioni al mese, è un’ora e mezza di frizione eliminata. Ma il guadagno reale non è nell’ora e mezza. È nella qualità del pensiero che diventa possibile quando non stai spiegando il contesto di base: stai ragionando su decisioni che contano.

L’esempio più concreto che posso darti: ho un cliente con cui lavoro da diciotto mesi. Una PMI nel settore manifatturiero, con un interlocutore principale che comunica in modo diretto, prende decisioni rapide, non vuole essere persuaso ma informato. Nel sistema, quella persona ha una scheda di una pagina: chi è, come decide, cosa non sopporta nelle comunicazioni, i tre temi su cui abbiamo già lavorato e la posizione presa su ciascuno. Ogni volta che apro una sessione su quel cliente, Claude parte già con quel contesto. Non devo spiegare che “questo cliente funziona con un approccio diverso dagli altri”. Claude lo sa già. Il risultato è che il materiale prodotto sembra scritto da qualcuno che li conosce da anni, non da un modello a cui ho fornito il contesto dieci minuti prima. La differenza nella qualità percepita è netta. E non dipende dalla mia bravura nel prompt. Dipende dalla storia accumulata nel sistema.

La distinzione che vale la pena tenere chiara: il sistema Karpathy è una biblioteca che si auto-mantiene. Il sistema di cui parlo è un collaboratore che impara come lavori. Una biblioteca risponde alle domande che fai. Un collaboratore che ti conosce aiuta a fare il lavoro meglio, a volte anche quando non sai ancora quale domanda fare.

Iscriviti ora

#5: Il vantaggio si costruisce, non si compra

Qui arriva la parte scomoda.

Il secondo cervello non si installa in un pomeriggio. Non è un template da scaricare o una configurazione da copiare. È un sistema che acquista valore nel tempo, attraverso l’uso, progressivamente.

Questo ha una conseguenza diretta: chi inizia adesso ha un vantaggio strutturale rispetto a chi inizierà tra sei mesi. Non perché il sistema sia complicato da costruire. Ma perché il suo valore è nel contesto accumulato, e il contesto si accumula nel tempo, non si importa in blocco.

Un CLAUDE.md scritto oggi è già utile dalla prossima settimana. Ma un CLAUDE.md con sei mesi di aggiornamenti, affinato attraverso decine di sessioni, con la memoria di ogni progetto significativo e ogni decisione rilevante, è un asset di un ordine di grandezza diverso. Non si può comprare quel delta. Si può solo iniziare a costruirlo.

Accenture ha pubblicato nel 2025 un’analisi sui team che avevano adottato sistemi di contesto AI strutturati confrontati con team in modalità transazionale. Il dato interessante non era il guadagno iniziale, ma la traiettoria: il vantaggio produttivo per sessione aumentava nel tempo invece di stabilizzarsi, come succede normalmente con i tool che non si evolvono con l’uso. La ragione identificata era precisa: il contesto accumulato riduce il costo di avvio di ogni nuovo task, e questo effetto cresce proporzionalmente alla profondità del contesto disponibile.

Il sistema diventa più utile più lo usi. Non è una metafora. È il meccanismo.

Il pattern che emerge nelle persone che adottano questo sistema è coerente. Le prime due settimane: utile, ma non spettacolare. Il contesto è ancora giovane. Il primo mese: si inizia a sentire la differenza, specialmente nelle sessioni ripetitive su clienti o progetti già presenti nel sistema. Tre mesi: il sistema ha abbastanza storia da sorprendere. Claude fa connessioni tra elementi che tu non stavi tenendo in mente contemporaneamente. Segnala coerenze e incoerenze con decisioni passate che avevi dimenticato di aver preso. A sei mesi, succede qualcosa di più sottile: il sistema inizia a rispecchiare il tuo modo di pensare con abbastanza precisione da funzionare come interlocutore che ti conosce, non come strumento a cui dai istruzioni. La differenza nella qualità del ragionamento collaborativo è concreta. Non è un effetto placebo: è il risultato di mesi di contesto accumulato che Claude usa per calibrare ogni risposta su chi sei davvero, non su chi è un utente generico.

Questo non accade mai in modalità transazione. Non può accadere: non c’è storia su cui costruire.

La versione minima per iniziare richiede tre componenti. Il CLAUDE.md: identità, tono, clienti principali, framework di lavoro. Venti minuti per la prima versione. Il Prompt Espresso di questa puntata ti guida passo dopo passo. Un file di memoria: i fatti che vuoi che Claude ricordi tra sessioni. Le persone chiave, le decisioni prese, le cose da non ripetere. L’abitudine di aggiornamento: cinque minuti a fine settimana per aggiornare lo stato dei progetti attivi.

Questi tre componenti, mantenuti con costanza, costruiscono qualcosa di reale.

Il modo più efficace di aggiornarli non è dedicarci sessioni separate. È aggiornarli nel flusso normale del lavoro. Quando finisci un progetto, aggiungi una nota di cinque righe su cosa ha funzionato e cosa no. Quando prendi una decisione importante, la metti nel file di memoria. Quando un cliente ti sorprende con un comportamento che non ti aspettavi, aggiungi il pattern alla sua scheda. Non è un impegno aggiuntivo: è un’abitudine che si innesta sul lavoro già in corso e produce un sistema sempre più ricco senza costi separati di manutenzione. Il sistema cresce come effetto collaterale del lavoro normale, non come esercizio di documentazione separato.

L’infrastruttura si costruisce prima di averne bisogno urgente. Chi aspetta di sentire l’urgenza ha già aspettato troppo.

Iscriviti ora

📌 Prompt Espresso

Costruisci il tuo CLAUDE.md in una sessione.

Questo prompt ti porta dalla pagina bianca a un CLAUDE.md funzionante in un’ora. Non il sistema completo, che si costruisce nel tempo. Ma la base che trasforma ogni sessione successiva in qualcosa di più utile della precedente, a partire dalla prossima.

Apri Claude e crea un Project nuovo dedicato a questo lavoro. I Project di Claude mantengono il contesto tra le sessioni: è il posto giusto dove costruire la tua identità operativa, perché ogni aggiornamento futuro al CLAUDE.md sarà disponibile in tutte le sessioni successive in quel Project. Poi usa questo sistema in tre fasi.

“Sei un esperto in sistemi di lavoro AI-assistiti. Aiutami a costruire il mio CLAUDE.md: il documento di identità operativa che porterò in ogni mia sessione di lavoro con Claude. Il tuo obiettivo è estrarmi le informazioni che contano davvero per rendere le tue risposte più calibrate sul mio contesto specifico, non quelle che sembrano importanti in astratto. Procediamo in tre fasi. Inizia dalla FASE 1 e aspetta la mia risposta prima di procedere.”

FASE 1: Chi sei e cosa costruisci

In questa fase definisci l’identità di base. Non è un CV. Sono le informazioni che Claude deve avere per ragionare nel tuo contesto specifico senza che tu debba rispiegarle ogni volta da capo.

Primo: descrivi cosa fai in tre frasi, come se lo spiegassi a qualcuno che non ha mai sentito parlare del tuo settore. Non la versione formale per un cliente. La versione vera per qualcuno che lavora con te ogni giorno. Poi chiedi a Claude di riformularla in modo che sia utile come contesto per lui, non come presentazione per gli altri. La differenza è sostanziale: il contesto utile per Claude non è quello che vorresti che un cliente capisse. È quello che un collega di lungo corso già sa.

Secondo: chi sono i tuoi clienti o interlocutori principali? Non l’elenco completo. I tre o quattro che contano davvero, con una frase di contesto su ognuno. Chi è, che tipo di relazione hai, che cosa gli serve tipicamente da te, qual è il tono che funziona con loro. Questa parte del CLAUDE.md è quella che trasforma le email generiche in email calibrate sul destinatario specifico.

Terzo: cosa stai costruendo nei prossimi sei mesi? Non obiettivi generali. Tre cose concrete, con uno stato attuale per ciascuna. In partenza, in corso, quasi pronta. Lo stato corrente conta quanto l’obiettivo: dice a Claude dove sei adesso, non dove vorresti arrivare.

Chiudi la FASE 1 chiedendo a Claude: “Basandoti su quello che ti ho detto, quali sono le tre informazioni aggiuntive che ti renderebbero più utile? Chiedimele una alla volta.”

FASE 2: Come lavori e come vuoi che Claude si comporti

In questa fase costruisci il layer operativo. Le istruzioni che trasformano Claude da assistente generico ad assistente calibrato su come lavori tu, non su come lavora una persona qualunque.

Primo: il tuo tono. Non descriverlo. Porta un esempio reale: un’email, un messaggio, un documento che hai scritto e che ti rappresenta bene. Chiedi a Claude di identificare tre caratteristiche precise di quel tono, e di usarle come riferimento per tutte le comunicazioni future. “Professionale” e “amichevole” non sono istruzioni utili. “Paragrafi corti, no gergo tecnico, diretti alla raccomandazione senza preamble” lo sono.

Secondo: il tuo contesto di lavoro. Non la descrizione generica di cosa fai. Le informazioni che cambiano come Claude risponde: lavori da solo o con un team? Il tuo lavoro è più operativo o più strategico? Hai clienti che richiedono output formali o lavori in contesti informali? In che settore operano prevalentemente i tuoi interlocutori? Queste informazioni permettono a Claude di calibrare automaticamente il registro, il livello di dettaglio, e il tipo di output che propone di default.

Terzo: cosa non vuoi. Almeno tre comportamenti di default di Claude che non si adattano al tuo contesto. Risposte troppo lunghe. Troppe liste puntate. Troppe domande di chiarimento prima di rispondere. Eccessiva cautela nelle valutazioni. Ricapitolazioni inutili di quello che hai appena detto. Sii specifico: “Non usare bullet point a meno che non li chieda esplicitamente” è un’istruzione utile. “Preferisco risposte concise” non lo è, perché conciso significa cose diverse per persone diverse.

FASE 3: Contesto attivo

In questa fase carichi lo stato attuale: le cose in corso che Claude deve sapere per essere utile questa settimana, non in astratto.

Primo: i progetti attivi con stato aggiornato. Per ciascuno: nome, obiettivo, prossimo passo concreto, eventuale blocco. Non la storia completa. Lo stato di oggi. Questo è il contesto che cambia più spesso e che vale più aggiornare ogni settimana.

Secondo: le decisioni già prese che non vuoi riaprire. Almeno tre. Non per evitare di pensarci. Ma per non sprecare sessioni future a rimettere in discussione cose già risolte con ragionamento deliberato. Claude non sa cosa hai già deciso a meno che tu non glielo dica esplicitamente. E senza saperlo, ti proporrà sempre opzioni che includono le alternative già scartate.

Terzo: le cose che stai evitando. C’è sempre qualcosa. Un’email che non hai ancora scritto. Una conversazione difficile che stai procrastinando. Un problema che sai di avere ma non hai ancora affrontato direttamente. Metterlo nel contesto non lo risolve da solo. Ma spesso Claude ti aiuta a capire perché lo stai evitando, e a volte capirlo è già la metà del lavoro.

Chiudi la FASE 3 chiedendo a Claude di generare la prima versione completa del tuo CLAUDE.md, con sezioni nominate, in un formato che puoi copiare direttamente nelle istruzioni del Project e aggiornare ogni settimana.

⚠️ Avvertimento finale: il CLAUDE.md non diventa potente il giorno in cui lo scrivi. Diventa potente la seconda settimana, poi la terza, poi sempre di più. Il punto non è avere un documento perfetto. È avere una struttura che migliora nel tempo. La prima versione sarà imperfetta. Va bene. L’imperfetta di oggi è infinitamente più utile della perfetta che non hai ancora scritto. Inizia adesso con quello che hai. La perfezione è irrilevante in confronto alla continuità.

Iscriviti ora

☢️ Humor Radioattivo

Il modello non ha memoria tra sessioni. Non importa quanto sia elaborato il sistema che hai costruito fuori da lui: ogni volta che apri una nuova conversazione, Claude non ricorda niente. Riporti il contesto tu. Ogni volta.

La prima reazione, quando lo capisci sul serio, è qualcosa tra la frustrazione e il ridicolo. Hai costruito un sistema sofisticato per dare memoria permanente a uno strumento che per natura non ce l’ha. È un po’ come costruire un archivio bibliotecario meticoloso per uno chef che perde il ricordo di tutte le ricette ogni notte e le ritrova la mattina.

Poi capisci perché funziona esattamente così.

La memoria non vive nel modello. Vive nei file. Ogni mattina, porti la memoria tu. Questo non è un difetto dell’architettura. È l’architettura. I tuoi file di contesto funzioneranno con Claude oggi, con qualsiasi modello migliore uscirà tra sei mesi, e con qualsiasi sistema tu voglia usare tra due anni. Non sei dipendente da una memoria proprietaria che una piattaforma controlla e potrebbe cambiare.

Il sistema non elimina il dimenticare. Lo aggira costruendo qualcosa che vale la pena ricordare, in un posto che non dimentica.

Il principio che vale la pena tenere: il problema non era che Claude dimenticasse. Era che non avevamo costruito niente da ricordare.

Tre cose da portare via da questa puntata.

Primo: la modalità transazione non è sbagliata. È il modo peggiore per usare uno strumento che potrebbe fare qualcosa di molto meglio. Aprire, chiedere, chiudere produce risultati. Ma non produce accumulo.

Secondo: il sistema Karpathy risolve la conoscenza esterna, quello che sai sul mondo. Il passo successivo risolve la conoscenza operativa, chi sei nel tuo lavoro. Sono problemi diversi. Richiedono soluzioni diverse. Entrambe valgono la pena.

Terzo: il vantaggio del secondo cervello è nel tempo accumulato. Non si costruisce in una settimana. Non si compra la settimana prossima. Si inizia questa settimana, con una prima versione imperfetta, e si aggiorna nel tempo.

Matteo

Iscriviti ora

La scorsa settimana ti ho raccontato di Leo.

18 anni, liceo scientifico, zero esperienza tecnica.

Tre mesi dopo un talk in un’aula, mi arriva un messaggio: vuole mostrarmi qualcosa che ha costruito. Mi aspettavo un prototipo abbozzato. Ho trovato un sistema funzionante, con moduli integrati, un’architettura che reggeva davvero, e una chiarezza descrittiva che raramente sento nei colloqui con professionisti di lungo corso.

Se non hai letto la puntata precedente, vale la pena recuperarla. Ma il punto che mi ha tenuto sveglio non era “com’è bravo”. Era la domanda che è venuta dopo.

Se un ragazzo di 18 anni senza background tecnico batte regolarmente sviluppatori con cinque anni di esperienza sul CV, cosa mi dice questo su chi assumere?

Ci ho pensato per tutta la settimana. Ho ripercorso i colloqui degli ultimi dodici mesi. Ho confrontato i profili. Ho guardato i pattern. E sono arrivato a una conclusione che, detta ad alta voce, suona quasi offensiva: in molti casi, l’esperienza è diventata un ostacolo.

Non per mancanza di capacità. Per qualcosa di più sottile e molto più costoso da correggere.

Il problema non è la competenza tecnica. Il problema sono i paradigmi. E i paradigmi, a differenza delle competenze, non si insegnano. Devono essere disinstallati. E disinstallare è più difficile, più lungo e più costoso di installare da zero.

Questa puntata è operativa. Parla di chi assumere, come formare, cosa cercare, e come posizionarti se sei tu quello che cerca lavoro. Ma parte da una premessa che vale la pena tenere a mente mentre leggi: non stiamo parlando di un caso eccezionale da ammirare. Stiamo parlando di un modello replicabile che la maggior parte delle aziende non sta cercando, e che la maggior parte dei candidati non sa di avere.

☕ Tazza in mano. Si parte.

Iscriviti ora

💡 Pensiero del giorno

“Oggi è più conveniente prendere una persona da zero e formarla che prenderne una già esperta. Non per i soldi. Per i paradigmi.”

(Con i dovuti criteri ovviamente)

🧪 AI in Azione

#1: Il costo nascosto dell’expertise intermedia

C’è un tipo di profilo che trovi ovunque nel mercato del lavoro del 2026. Ha quattro, cinque, sei anni di esperienza. Conosce i tool del suo settore. Ha un CV ben strutturato con i framework giusti e le certificazioni in ordine. Risponde alle domande tecniche senza esitare. Sembra, sulla carta, esattamente quello che cerchi.

Poi lo metti davanti a un problema reale, con accesso agli strumenti AI disponibili, e vedi qualcosa di strano. Usa l’AI. Ma la usa come acceleratore del vecchio flusso, non come sostituto di parti di quel flusso. Scrive il codice, poi chiede all’AI di controllarlo. Costruisce la campagna, poi chiede all’AI di ottimizzare il copy. Prepara l’analisi, poi chiede all’AI di formattarla meglio. L’AI è entrata nel processo. Ma il processo è rimasto identico.

Questo non è un difetto caratteriale. È il risultato naturale di anni di pratica in un sistema che funzionava in un certo modo. Ogni comportamento che vedi in quel professionista è stato rinforzato centinaia di volte perché produceva risultati. Il developer che scrive il codice da solo lo ha fatto migliaia di volte. Il marketer che costruisce la campagna step by step l’ha fatto per anni. Quei pattern sono profondamente radicati, non perché siano pigri, ma perché sono competenti.

Ed è esattamente questo il problema. La competenza stessa è diventata un ostacolo.

Nel vecchio paradigma, sapere come si fa una cosa era il vantaggio. Nel paradigma AI, sapere come si fa una cosa è spesso l’impedimento a far fare quella cosa all’AI meglio, più velocemente, e liberando il tuo tempo per quello che solo tu puoi fare.

McKinsey Global Institute ha pubblicato nel 2024 un’analisi sulle trasformazioni AI-first nelle organizzazioni. Il risultato è preciso: il 67% delle resistenze principali non veniva dai junior, veniva dal middle management e dagli specialisti con cinque-quindici anni di esperienza. I senior erano più adattabili perché avevano già visto cambiamenti di paradigma. I junior integravano nativamente. Il blocco era nella fascia intermedia: abbastanza esperti da avere paradigmi consolidati, non abbastanza senior da aver già imparato a disinstallarne uno.

Un esempio concreto. Il developer che conosce il processo di onboarding di un’applicazione. Lo ha fatto duecento volte. Sa esattamente i passaggi, le verifiche, i punti critici. Con l’AI, potrebbe ridisegnare quell’intero flusso dal principio e ottenere qualcosa di molto più efficiente. Ma non lo fa. Modifica parzialmente il flusso che già conosce, aggiunge l’AI come layer sopra, e ottiene un ibrido. Non è il risultato ottimale. È il risultato massimo che puoi ottenere quando non sei disposto a rimettere in discussione l’impianto di partenza.

Lo stesso meccanismo funziona in qualsiasi dominio. Il copywriter che sa scrivere da solo non delega all’AI la struttura dell’articolo, la usa per rifinire le frasi. Il commerciale che sa fare le trattative usa l’AI per preparare i materiali, non per riprogettare il processo di vendita. Il project manager che conosce il suo metodo usa l’AI per velocizzare le attività operative, non per mettere in discussione se quelle attività siano ancora necessarie. In tutti i casi, il risultato è il vecchio paradigma eseguito marginalmente più veloce. Non un nuovo paradigma.

Iscriviti ora

Il punto non è che questi professionisti siano sbagliati o inadeguati. È che il costo di trasformarli richiede qualcosa di più difficile di un corso di aggiornamento: richiede che smettano di fare cose che sanno fare bene. E questo è psicologicamente molto più costoso di imparare qualcosa di nuovo.

Prima di assumere un esperto, vale la pena chiedersi: quanto di quello che sa fare è diventato obsoleto negli ultimi diciotto mesi? È disposto a dimenticarlo? Non “è disponibile ad imparare nuovi tool”, che è la domanda sbagliata. È disponibile a smettere di fare cose che sa fare bene perché esistono modi migliori?

Il costo di un esperto non è solo lo stipendio. È lo stipendio più il costo del de-training. E il de-training non è garantito.

#2: Il vantaggio strutturale del principiante

Leo non sapeva come si costruisce un database. Non aveva un’opinione su quale architettura fosse corretta, quale ORM usare, quale approccio preferire. Quando ha incontrato il problema, ha fatto l’unica cosa sensata: ha descritto la situazione a Claude nel modo più preciso possibile e ha implementato la soluzione che ha ricevuto.

Non ha adattato quella soluzione a “come si faceva prima”. Non c’era un “come si faceva prima”. Ha preso la soluzione ottimale per il contesto del 2026 e l’ha implementata direttamente.

Questo è il vantaggio strutturale del principiante. Non è entusiasmo. Non è disponibilità. È l’assenza di paradigmi pre-installati che filtrano le soluzioni attraverso la lente del vecchio sistema.

L’esperto che conosce il suo dominio arriva al problema con una risposta già parzialmente formata. Non è stupidità: è efficienza cognitiva. Il cervello costruisce pattern per non ricominciare da zero ogni volta. Il problema è che in un contesto dove il “da zero” produce risultati sistematicamente migliori, quei pattern diventano una zavorra.

Erik Brynjolfsson e il suo team a Stanford HAI hanno pubblicato nel 2024 un’analisi su come diversi profili di lavoratori beneficiano dell’AI nei contesti professionali. Il dato che vale la pena ricordare: i lavoratori con meno esperienza specifica nel dominio mostrano guadagni di produttività mediamente superiori del 34% rispetto agli esperti, a parità di strumenti disponibili. Il meccanismo identificato è preciso: integrano l’AI come componente nativa del flusso di lavoro, mentre gli esperti tendono ad aggiungerla sopra a un processo già definito. Efficienza parziale per chi ha esperienza, efficienza piena per chi parte da zero.

La finestra in cui questo vantaggio è attivo è limitata. Il principiante che inizia adesso ha la possibilità di costruire il suo intero sistema mentale nel paradigma AI-first, senza passare per quello precedente. Questa finestra si chiude nel momento in cui accumula paradigmi propri. Se quei paradigmi vengono installati correttamente, il vantaggio diventa permanente. Se vengono installati male, si trovano nella stessa situazione dell’esperto di oggi: paradigmi da disinstallare.

C’è una domanda che mi viene posta spesso: e chi ha già dieci anni di esperienza? È troppo tardi? La risposta è no, ma la strada è diversa. Il foglio bianco non è recuperabile come tale. Quello che si può fare, invece, è rendere espliciti i propri paradigmi e metterli in discussione in modo deliberato. Non “come faccio normalmente questa cosa”, ma “come la farei se non avessi mai fatto niente di simile prima?” È un esercizio cognitivo più difficile del punto di partenza pulito. Ma produce risultati.

La differenza tra chi ci riesce e chi no, tra i professionisti con esperienza che fanno questa transizione bene, non è l’intelligenza. È la capacità di riconoscere che stare fermi sul vecchio paradigma è una scelta attiva, non una condizione neutra. Chi lo riconosce può agire. Chi non lo riconosce accumula gap ogni settimana senza accorgersene.

L’implicazione pratica è che il blank slate non è una condizione temporanea da compensare con formazione accelerata. È un asset da sfruttare prima che si riempia di abitudini nel paradigma sbagliato. L’azienda che assume qualcuno da zero e lo forma AI-first protegge quella finestra. È un investimento strutturale, non un ripiego.

Iscriviti ora

#3: Come si forma correttamente una persona da zero nell’era AI

Formare qualcuno AI-first non significa insegnargli a usare Claude. Significa installare il paradigma mentale corretto prima che ne arrivi uno sbagliato.

La differenza è più profonda di quanto sembri. Insegnare a usare un tool è trasmettere una competenza tecnica. Installare un paradigma è trasmettere una struttura di pensiero che determina come quella persona si avvicina a qualsiasi problema, con qualsiasi tool, in qualsiasi contesto futuro. I tool cambiano ogni sei mesi. Il paradigma, se è quello giusto, dura.

Tre principi reggono questo tipo di formazione.

Il primo: prima il “cosa”, poi il “come”. La persona deve imparare a definire l’output prima di pensare al processo. “Cosa voglio ottenere?” viene prima di “Con quale tool?”. Sembra ovvio. Non lo è. La maggior parte delle formazioni professionali funziona al contrario: insegna il tool e poi chiede di applicarlo. Il risultato è qualcuno che sa usare lo strumento ma fatica a capire quando usarlo e verso quale obiettivo orientarlo. Leo parte sempre dall’esperienza dell’utente finale. Cosa deve fare. Cosa deve sentire. Cosa deve trovare. Solo dopo arriva la domanda su come costruirlo.

Il secondo: l’errore rapido come metodo, non come incidente da evitare. Nessun tutorial, nessuna fase di studio preliminare estesa. Azione diretta, feedback immediato del sistema, correzione rapida. Leo: “Inizio buttando.” Non è improvvisazione. È il ciclo di apprendimento più efficiente disponibile in un contesto dove il feedback è quasi istantaneo e il costo dell’errore è vicino a zero. Chi forma qualcuno AI-first deve creare le condizioni per questo ciclo, non per la comprensione teorica prima dell’azione.

Il terzo: l’AI come compagno di costruzione, non come oracolo. La differenza operativa è precisa. L’oracolo riceve una domanda e restituisce una risposta. Il compagno di costruzione riceve un problema contestualizzato, contribuisce a una soluzione, riceve feedback su dove la soluzione non funziona per il contesto specifico, e itera. Il primo produce output generici. Il secondo produce output utili. Insegnare questo non significa insegnare prompt engineering. Significa insegnare a dialogare: spiegare il problema con precisione, valutare la risposta criticamente, portare quella valutazione al ciclo successivo.

Accenture Future of Work 2024: le aziende con programmi di onboarding AI-first riportano una riduzione del 52% del tempo di ramp-up per i nuovi assunti rispetto al metodo tradizionale, e un tasso di ritenzione a dodici mesi superiore del 31%. I numeri sono coerenti con un meccanismo semplice: chi viene formato nel paradigma corretto sin dall’inizio non passa attraverso la fase di resistenza e de-training. Impara direttamente come le cose funzionano adesso. Il risultato è operativo in tempi più brevi e non porta con sé paradigmi da correggere dopo.

L’errore da evitare è formare qualcuno su tool specifici invece che sul paradigma. Insegnare “usa Claude così” invece di “quando hai un problema, ecco come ci pensi insieme all’AI”. Il primo approccio produce dipendenza da un tool che cambierà. Il secondo produce autonomia in qualsiasi contesto futuro.

In Morfeus stiamo lavorando esattamente su questo. Non “impara a usare Claude per fare X”. Ma “quando arriva un problema di questo tipo, ecco la sequenza mentale: definisci l’output che vuoi ottenere, scomponi il problema nelle sue parti, porta ogni parte all’AI con la massima precisione possibile, valuta il risultato con occhio critico, itera.” Quella sequenza funziona con qualsiasi tool, in qualsiasi dominio, oggi e tra due anni quando i tool saranno diversi.

Il punto pratico che cambia tutto è il primo giorno. Se il primo giorno di lavoro di una nuova risorsa è fatto di tutorial, documentazione da leggere e procedure da memorizzare, stai già installando il paradigma sbagliato: prima si studia, poi si fa. Se il primo giorno è fatto di un problema reale da risolvere con gli strumenti disponibili, stai installando quello giusto: si fa, e nel fare si impara. La differenza non è pedagogica. È strutturale. Chi impara nel secondo modo costruisce una relazione con l’AI che chi impara nel primo modo fatica a sviluppare anche dopo mesi.

Iscriviti ora

#4: Cosa cercare quando assumi per l’era AI

Le caratteristiche che rendono qualcuno eccellente nell’era AI non sono tecniche. Sono cognitive e comportamentali. E si misurano con domande diverse da quelle che facciamo di solito.

Cinque segnali che vale la pena cercare, in ordine di importanza.

Curiosità operativa. Non “mi piace imparare” — chiunque lo dice, e non significa niente. Ma la risposta concreta alla domanda: “Quando hai un problema che non sai risolvere, cosa fai?” Le risposte che indicano un profilo interessante sono specifiche e attive: descrivono un processo reale, non un’intenzione. Leo: inizia buttando. Non è una frase ad effetto. È il metodo che ha scelto per ragioni concrete, validato nel tempo, applicato senza rifletterci. Quella specificità è il segnale.

Tolleranza all’ambiguità. Può lavorare su un problema mal definito senza bloccarsi? Può procedere con informazioni incomplete, facendo assunzioni esplicite piuttosto che aspettando chiarimenti? Il paradigma AI richiede costantemente di avanzare con dati parziali e correggere la rotta. Chi ha bisogno di un brief perfetto prima di iniziare è strutturalmente inadatto a questo modo di lavorare.

Valutazione critica dell’output. Sa quando il risultato dell’AI è sbagliato, incompleto o superficiale? O accetta tutto quello che viene prodotto? Questo è il punto di separazione più netto tra chi usa l’AI bene e chi la usa male. Il cervello non può essere in standby. La persona che legge un output dell’AI e chiede “questo è davvero utile per il mio contesto specifico?” produce risultati. Quella che copia e incolla produce volume di output mediocre.

Velocità di iterazione. Quanto velocemente corregge la rotta quando qualcosa non funziona? Il ciclo errore-feedback-correzione è il metabolismo dell’era AI. Una persona che impiega tre giorni a decidere che una soluzione non funziona è strutturalmente più lenta di una che arriva alla stessa conclusione in trenta minuti e ricomincia.

Chiarezza comunicativa. Sa spiegare cosa vuole, con precisione, in contesti diversi? Questa è la competenza chiave per fare prompting efficace. Non nel senso tecnico del termine. Nel senso che chi sa descrivere un problema con precisione ottiene output migliori, in qualsiasi contesto, con qualsiasi tool.

Due dei cinque segnali meritano un approfondimento perché sono i più facili da fraintendere nel processo selettivo.

La valutazione critica dell’output non si misura chiedendo “sai valutare i risultati dell’AI?” Chiunque risponde sì. Si misura mettendo il candidato davanti a un output mediocre e osservando cosa fa. In un contesto pratico: dai a qualcuno un testo generato dall’AI su un argomento che conosce bene. Un testo che sembra coerente ma contiene una generalizzazione superficiale o una soluzione che ignora un aspetto rilevante del problema. Chi ha questo segnale lo identifica in trenta secondi e sa spiegare esattamente cosa non va e perché. Chi non lo ha lo approva con piccole modifiche cosmetiche. La differenza tra questi due profili è enorme in termini di output reale prodotto nel tempo.

La chiarezza comunicativa è sovrastimata nella sua forma semplice e sottostimata nella sua forma complessa. Molte persone comunicano bene in generale ma comunicano male quando devono descrivere un problema tecnico a qualcuno che non ha il loro stesso background. La capacità di spiegare un problema specifico in modo preciso e contestualizzato è esattamente la competenza che determina la qualità del prompting. E si misura facilmente: chiedi al candidato di spiegarti, come se non sapessi niente del settore, qual è il problema più interessante che ha risolto di recente. La chiarezza e la precisione con cui riesce a farlo ti dicono più di qualsiasi altra domanda tecnica.

PwC Workforce of the Future 2024: nelle assunzioni per ruoli AI-augmented, le aziende più performanti pesano “learning agility” e “output evaluation skills” al 60% del processo selettivo, contro il 18% della media. Non è un dato teorico. È la misura di un gap tra chi ha capito cosa sta succedendo e chi usa ancora gli stessi criteri di selezione di dieci anni fa.

Cosa cercare meno, o comunque pesare diversamente rispetto a prima: anni di esperienza come proxy di competenza, portfolio di tool conosciuti, certificazioni specifiche, titoli di studio settoriali.

Il test pratico che funziona meglio: dare al candidato un problema reale, accesso a Claude, trenta minuti. Non valutare la soluzione finale. Valutare il processo. Come decompone il problema. Come interagisce con l’AI. Come valuta il risultato. Come gestisce il momento in cui la prima risposta non soddisfa. Quel processo dice più di qualsiasi CV.

Leo supererebbe questo test con un voto altissimo. La maggior parte dei candidati “esperti” che ho incontrato nell’ultimo anno, no. Non perché siano incapaci. Perché non hanno mai sviluppato quella struttura mentale, occupati com’erano a sviluppare le competenze tecniche del paradigma precedente.

Iscriviti ora

#5: Come posizionarsi se sei un principiante che cerca lavoro

Se stai iniziando adesso, sei arrivato nel momento giusto.

Non sei in ritardo. Non sei svantaggiato. Sei in anticipo rispetto a chi deve disinstallare anni di paradigmi sbagliati prima di poter fare quello che tu puoi fare direttamente, sin dal primo giorno.

La mossa da fare subito non è aspettare di “imparare le basi” prima di iniziare. Le basi nel 2026 sono: saper immaginare con chiarezza cosa vuoi costruire e saper comunicarlo all’AI con abbastanza precisione da guidarla verso quell’output. Queste competenze non si acquisiscono studiando. Si acquisiscono costruendo cose reali, valutando il risultato, correggendo, ricominciando.

Costruisci qualcosa. Qualunque cosa. Un sistema, un’app, un processo, un contenuto, uno strumento. Non importa se è imperfetto, non scalabile, non elegante nelle parti che non si vedono. Importa che esista. Importa che tu possa descrivere cosa fa, perché hai fatto le scelte che hai fatto, cosa cambieresti adesso che lo hai costruito.

Questo è il portfolio del 2026. Non un elenco di tool conosciuti. Non un corso da quaranta ore su “Introduzione all’AI”. Un progetto reale che dimostra che sai passare da un’idea a qualcosa che funziona, usando gli strumenti disponibili, partendo da zero.

LinkedIn Workforce Report 2025: le menzioni di “AI-native” nelle offerte di lavoro sono cresciute del 480% in diciotto mesi. Il 73% delle aziende dichiara difficoltà nel trovare candidati con “AI-first mindset” nonostante l’abbondanza di candidati con competenze tecniche di base. Il gap non è di tool. È di paradigma. E il principiante che inizia adesso è in posizione ideale per colmarlo, perché non ha paradigmi da disinstallare.

Il reframing del CV è diretto: un candidato che ha costruito un’applicazione funzionante in tre mesi senza background tecnico comunica più informazioni rilevanti di un candidato con un percorso formativo tradizionale. Non perché il percorso formativo non abbia valore. Perché in quel portfolio c’è la prova di una struttura mentale, di una capacità di esecuzione, di una velocità di apprendimento, di una tolleranza all’errore. Tutto quello che le aziende AI-first cercano e faticano a trovare.

Un portfolio del 2026 non deve essere perfetto. Deve essere reale. La differenza è che il perfetto si costruisce aspettando di avere tutte le competenze necessarie. Il reale si costruisce adesso, con quello che hai, e migliora nel tempo. Chi arriva a un colloquio con qualcosa di costruito, anche imperfetto, comunica in modo inequivocabile che non aspetta di essere pronto. Che inizia. Che sa valutare il risultato abbastanza da sapere cosa cambiare. Che ha un ciclo di apprendimento attivo. Questi segnali sono molto più difficili da falsificare di un CV, e molto più rilevanti per chi deve decidere se assumerti.

Il paradosso finale: il momento in cui sei “pronto” nel senso tradizionale del termine è anche il momento in cui il vantaggio del blank slate si è ridotto. L’attesa consuma esattamente l’asset più prezioso che hai adesso.

Dal bancone: le aziende hanno bisogno di persone così. Meno operatori che seguono il compitino, più persone che sanno cosa vogliono costruire e sanno usare gli strumenti per costruirlo. Questo profilo è raro non perché richieda un talento speciale. È raro perché la maggior parte delle persone aspetta ancora di “essere pronta” prima di iniziare. La readiness nel paradigma AI non è una condizione che si raggiunge prima di fare le cose. È una condizione che si costruisce facendo le cose.

Il principiante di oggi è l’esperto nativo di domani. Senza i paradigmi da disinstallare. Il conto alla rovescia per tutti gli altri è partito.

Iscriviti ora

📌 Prompt Espresso

Mappa i paradigmi da disinstallare nel tuo team e costruisci un piano di onboarding AI-first

Questo prompt ti aiuta a fare due cose: identificare dove i paradigmi del vecchio sistema bloccano l’adozione AI nel tuo team, e costruire un onboarding che installi quello corretto nelle nuove risorse dal primo giorno. La resistenza ai cambiamenti di paradigma non è visibile in superficie: si manifesta in decisioni micro, abitudini operative, modi di descrivere i problemi. Questo sistema la rende esplicita, e poi costruisce un processo di ingresso che non permette a quella resistenza di replicarsi.

Apri Claude in un Project dedicato a operations o HR, in modo da poter costruire memoria di contesto nel tempo. Dai questo prompt di sistema all’inizio della conversazione:

“Sei un consulente senior in trasformazione organizzativa per l’era AI. 
Lavori con team che devono fare una transizione da un paradigma di lavoro tradizionale a un paradigma AI-first. 
Il tuo approccio è analitico e diretto: non cerchi di rassicurare, cerchi di rendere visibili i problemi in modo che possano essere risolti. Ho un team di [es. 6 persone in una SaaS B2B / agenzia creativa da 12 / studio professionale / team operations in una PMI / team sales di 8] e sto cercando di capire dove l’adozione AI è bloccata da paradigmi del vecchio sistema, e come strutturare l’onboarding per le nuove risorse. 
Lavoriamo su tre fasi. Inizia dalla FASE 1.”

FASE 1: Audit del team esistente

Questa fase richiede onestà. Il suo scopo non è trovare colpevoli. È rendere espliciti i pattern invisibili che bloccano il cambiamento. Porta a Claude queste domande e costruisci le risposte insieme, sfidando le prime risposte generiche con richieste di specificità.

Primo: quali task vengono ancora eseguite “come si è sempre fatto”, nonostante esistano strumenti AI che le ottimizzerebbero in modo sostanziale? Sii specifico: non “le riunioni” o “i report”, ma quale step preciso in quale processo. La granularità è tutto.

Secondo: quali profili nel team mostrano più resistenza? Non nomi: caratteristiche. Quanti anni di esperienza, in quale area funzionale, su quale tipo di task. L’obiettivo è il pattern demografico della resistenza, non il colpevole.

Terzo: dove il “so già come si fa” sta impedendo la soluzione più efficiente? Almeno tre casi concreti degli ultimi novanta giorni, non ipotesi.

Chiudi la FASE 1 chiedendo a Claude: “sulla base di quello che ti ho detto, qual è il paradigma centrale che il mio team deve disinstallare? Formulalo in una frase sola.”

FASE 2: Costruisci l’onboarding AI-first

Sulla base dell’audit, chiedi a Claude di aiutarti a progettare il piano di ingresso per la prossima risorsa che assumi. Non deve essere un piano universale. Deve essere calibrato sul tuo team, sulla tua resistenza specifica, sul paradigma che hai identificato nella FASE 1.

Primo: quali tre principi del paradigma AI-first vuoi installare prima di qualsiasi tool? Formulali come comportamenti osservabili, non valori astratti. Non “avere mentalità aperta”, ma “quando l’output non soddisfa, riformula la richiesta invece di accettarlo o abbandonare il tool.”

Secondo: come strutturi la prima settimana? Il nuovo assunto deve costruire qualcosa di reale entro cinque giorni. Non un esercizio didattico: un problema del tuo contesto specifico, con accesso all’AI, con output verificabile.

Terzo: come misuri il paradigma a trenta giorni? Non “sa usare Claude per X.” Ma: di fronte a un problema nuovo, ci prova con l’AI prima di chiedere aiuto? Valuta criticamente il risultato? Itera in modo rapido? Chiedi a Claude tre domande di check-in calibrate su questi comportamenti.

FASE 3: Modifica il processo di selezione

Questa fase è la più operativa e quella con l’impatto più immediato. Porta i risultati delle prime due fasi e chiedi a Claude di aiutarti a costruire tre strumenti concreti.

Il primo: tre domande di colloquio che rivelano learning agility e tolleranza all’ambiguità. Per ciascuna: cosa cerchi in una risposta positiva, e quali sono i segnali di allerta. Le domande sul comportamento passato rivelano il paradigma meglio di quelle ipotetiche.

Il secondo: un test pratico di trenta minuti con accesso all’AI, calibrato sul ruolo. Istruzioni per il candidato, criteri di valutazione del processo (non della soluzione finale), domande di debriefing.

Il terzo: riscrivere il job posting per attrarre profili AI-first. Non aggiungere “esperienza in AI.” Scrivilo in modo che chi ha il paradigma giusto lo riconosca immediatamente, e chi non ce l’ha lo trovi strano.

⚠️ Avvertimento finale: questo prompt ti aiuta a costruire il sistema, non a trovare la risposta giusta. La risposta giusta dipende dal tuo settore, dal tuo team, dal tuo contesto specifico. Ma se dopo la FASE 1 non hai identificato almeno tre paradigmi concreti da disinstallare nel tuo team, hai risposto in modo troppo superficiale. Se le tue risposte alla FASE 2 sono generiche e non differenziano il tuo team da qualsiasi altro team, non hai fatto il lavoro. Il valore di questo sistema è direttamente proporzionale alla tua disponibilità a essere preciso e scomodo. Riparti dall’inizio con più onestà.

Iscriviti ora

☢️ Humor Radioattivo

Ho fatto molti colloqui nell’ultimo anno.

Il profilo che vedo più spesso ha cinque anni di esperienza, un CV lungo due pagine, i framework giusti, le certificazioni in ordine. Risponde alle domande tecniche senza esitare. A un certo punto gli chiedo: “Come usi l’AI nel tuo lavoro quotidiano?”

Silenzio.

Oppure, peggio, una risposta elaborata su come “a volte usa ChatGPT per qualche idea”, detto con il tono di chi sta confessando qualcosa di marginale. Seguito da una precisazione non richiesta: “però per le cose importanti preferisco farlo io, si controlla meglio.”

Poi ho avuto 45 minuti con Leo. 18 anni. Nessun CV. Nessuna certificazione. Nessun framework da dichiarare. Non ha aspettato che gli facessi domande. Ha aperto direttamente: “Allora, ho questo modulo che fa X, poi ho questo problema con il database, e sto pensando di aggiungere Y perché l’esperienza utente in questa fase non funziona.” Non stava rispondendo a una domanda. Stava descrivendo un sistema che conosceva dall’interno, con la stessa naturalezza con cui uno chef parla di una ricetta che ha cucinato duecento volte.

Non c’era performance. Non cercava approvazione. Stava semplicemente raccontando il lavoro, perché il lavoro era lì, solido, verificabile, fatto.

La cosa seria, quella che tiene sveglio la notte, è che le categorie con cui valutiamo le persone sono costruite sul sistema vecchio. E il sistema vecchio non esiste più. Continuiamo a usare le stesse domande, gli stessi proxy, gli stessi criteri di selezione, come se il contesto non fosse cambiato radicalmente negli ultimi due anni.

Il risultato è che stiamo selezionando con precisione crescente profili sempre meno adatti al contesto in cui dovranno lavorare. Non per cattiva volontà. Per inerzia dei criteri.

Il selezionatore moderno deve imparare a fare colloqui con le persone sbagliate per capire chi è quello giusto. Non è una battuta. È la situazione attuale.

Il prossimo colloquio che fai, aggiungi una domanda sola: “Mostrami qualcosa che hai costruito di recente.” Non cosa sai fare. Cosa hai fatto. La risposta dice tutto.

La storia di Leo non è una storia su un ragazzo eccezionale da ammirare da lontano.

È una storia su cosa succede quando il sistema di valutazione viene aggiornato. Leo non è cambiato. Il paradigma è cambiato. E chi continua a valutare con gli occhi del vecchio sistema continuerà a scegliere i profili sbagliati, a formarli nel modo sbagliato, e a chiedersi perché i risultati non arrivano.

Tre cose da portare via: il costo dell’expertise intermedia non è lo stipendio, è lo stipendio più il costo del de-training dei paradigmi sbagliati. Il blank slate è un asset competitivo reale nel 2026, non una condizione temporanea. E la selezione AI-era si fa su caratteristiche cognitive, non su certificazioni.

Iscriviti ora

P.S.: Se stai assumendo qualcuno in questo momento, o se sei tu quello che cerca lavoro, rispondimi. Sono curioso di sapere con quale di questi paradigmi ti stai scontrando. ☢️

Condividi

Matteo

Qualche mese fa sono entrato in un’aula di liceo.

Studenti di 17, 18 anni. Qualcuno attento, qualcuno con il telefono sotto al banco. Il solito mix di chi segue e chi aspetta che finisca. Ho parlato per un’ora di AI: come usarla davvero, perché la maggior parte delle persone la spreca, qual è la differenza tra chi ci costruisce qualcosa e chi la usa per delegare il pensiero a qualcosa che non conosce il suo contesto.

Il messaggio era uno solo: usala come amplificatore, non come sostituto.

Fine del discorso. Qualche applauso educato, un paio di domande, saluti. Ero convinto di aver seminato qualcosa di utile. Forse tre persone su trenta ne avrebbero fatto qualcosa di concreto. Ero già nella macchina quando ho smesso di pensarci.

Nei mesi successivi ho continuato il solito ritmo. Colloqui, progetti, clienti, contenuti. Il talk al liceo si era depositato da qualche parte nella memoria come una di quelle esperienze piacevoli ma prive di seguito diretto. Avevo seminato, forse qualcosa era cresciuto, forse no. Non lo sapevo e, a essere onesto, non ci pensavo più.

Mesi dopo, mi arriva un messaggio.

Uno degli studenti di quella mattina. Vuole mostrarmi qualcosa che ha costruito.

Mi aspettavo un prototipo. Uno di quei progetti abbozzati che si incoraggiano con entusiasmo gestito. Ho aperto la videochiamata con quella disposizione mentale: bene, vediamo cosa ha combinato.

Quarantacinque minuti dopo, avevo la testa che girava.

Non era un prototipo. Era un sistema. Funzionante, strutturato, con moduli integrati che comunicavano tra loro e un’architettura che reggeva davvero. Costruito da un ragazzo che tre mesi prima non aveva mai scritto una riga di codice.

Poi ho pensato ai colloqui che faccio per Morfeus. Agli sviluppatori con cinque anni di esperienza sul CV. I framework dichiarati, i linguaggi elencati, le certificazioni in coda al nome. E quanti di loro, messi davanti allo stesso problema con gli stessi strumenti, avrebbero prodotto qualcosa di paragonabile.

La risposta onesta: pochi.

Non per mancanza di abilità tecnica. Per qualcosa di più sottile, e molto più costoso da correggere.

Questa puntata è quella storia. E quello che mi ha insegnato su come funziona davvero l’AI nelle mani di chi la usa bene.

☕ Tazza in mano. Si parte.

Iscriviti ora

💡 Pensiero del giorno

“Non è una questione di abilità tecnica. È quello che hai in testa. Lo sai immaginare e sei in grado di vederlo.”

🧪 AI in azione

#1: La storia, senza filtri

Il ragazzo ha 18 anni e studia al liceo scientifico. Tre mesi prima era in quell’aula. Non so se fosse tra quelli che prendevano appunti o tra quelli con il telefono sotto al banco. So che qualcosa di quella mattina aveva fatto scattare un meccanismo.

Non ha cercato corsi. Non ha guardato tutorial su YouTube. Ha preso Claude e ha iniziato a costruire.

La videochiamata era programmata per mezz’ora. È durata quarantacinque minuti, e avrei potuto continuare. Non perché mi stesse impressionando con la tecnologia: la tecnologia la conosceva abbastanza bene.

Mi stava impressionando con la chiarezza con cui descriveva il suo progetto. Sapeva cosa faceva ogni parte del sistema. Sapeva perché aveva scelto quella struttura invece di un’altra. Sapeva dove voleva arrivare e cosa mancava per arrivarci. Non stava improvvisando durante la call: stava descrivendo qualcosa che aveva in testa con una nitidezza che raramente sento in call con professionisti di lungo corso.

Quello che ha costruito è un sistema personale gamificato: più aree di vita integrate in un’unica applicazione, ognuna con una logica propria, tutte collegate da un motore centrale che tiene traccia dei progressi nel tempo. Non un’app semplice. Non un esperimento. Un sistema con ambizioni paragonabili a quelle di una startup con tre o quattro persone nel team tecnico.

Sul fronte dell’architettura, stava affrontando una migrazione di database. Aveva iniziato con una soluzione locale, adatta alla fase di prototipazione, e ora il sistema era cresciuto abbastanza da richiedere qualcosa di più robusto e scalabile.

Stava costruendo la migrazione insieme a Claude, passaggio dopo passaggio, valutando ogni decisione tecnica mentre procedeva.

Non sapeva cos’è un ORM. Non sapeva cos’è una migration nel senso formale. Sapeva cosa voleva ottenere: dati persistenti, organizzati, che reggessero la crescita del sistema nel tempo. E sapeva dove andare per costruirlo.

Gli ho chiesto come si avvicina a un problema tecnico che non conosce. Ha risposto senza esitare, senza la pausa di chi sta cercando la risposta giusta: “Non mi guardo video su YouTube perché so che poi mi fotto il cervello. Inizio lavorando e l’AI mi aiuta a capire.”

Non c’era performance in quella risposta. Era semplicemente il metodo. L’aveva scelto per ragioni concrete, l’aveva validato nel tempo, lo applicava senza rifletterci troppo.

Nessun tutorial, nessun corso preparatorio, nessuna fase di studio preliminare. Azione diretta, feedback immediato del sistema, correzione rapida. È il ciclo di apprendimento più efficace che esiste in un contesto dove l’AI risponde in tempo reale e il costo dell’errore è quasi zero.

La mia valutazione, dopo quella call, è stata netta: è nel top 10% di tutti gli utenti AI che conosco. In tre mesi, da zero, quello che ha costruito è da togliersi il cappello.

Ho fatto colloqui con sviluppatori informatici con anni di esperienza alle spalle che non riuscivano a fare quello che questo ragazzo ha fatto in tre mesi. Non un caso isolato nel mio campione. Un pattern che si ripete.

La domanda che mi sono portato dietro dalla call non è “come ha fatto”. La risposta tecnica è semplice: Claude, iterazione costante, focus sull’output. La domanda interessante è un’altra: perché lui sì, e così tanti altri no? Perché tanta esperienza dichiarata produce risultati inferiori a tre mesi di lavoro di un principiante che parte da zero?

Iscriviti ora

#2: Il foglio bianco — perché partire da zero è un vantaggio strutturale

La risposta più facile sarebbe “è talentuoso”. Probabilmente vero, in parte.

Ma il talento spiega un vantaggio marginale, non un gap di sistema. Non spiega perché un ragazzo di 18 anni con tre mesi di pratica batta regolarmente, nei risultati concreti, professionisti con cinque anni di esperienza dichiarata.

La risposta più utile è questa: aveva un foglio bianco.

Non aveva mai imparato a programmare nel modo tradizionale. Non aveva schemi mentali sedimentati su “come si costruisce un’applicazione”. Non aveva abitudini formatesi in anni di lavoro su stack specifici. Non aveva, soprattutto, resistenze al modo AI-first di costruire, perché non aveva mai conosciuto un altro modo. Non aveva niente da disinstallare.

Quando ha incontrato un problema tecnico che non conosceva, ha fatto la cosa più naturale del mondo in questo contesto: ha descritto il problema a Claude nel linguaggio più preciso che aveva, ha valutato la risposta, ha iterato finché la soluzione non funzionava. Non ha cercato di adattare la risposta a un flusso di lavoro pre-esistente, perché un flusso pre-esistente non esisteva. Ha preso la soluzione ottimale per il contesto attuale e l’ha implementata direttamente.

Questo è il paradosso del principiante nell’era AI. Vale la pena capirlo bene perché è controintuitivo: nel momento in cui la competenza tecnica diventa accessibile a chiunque tramite AI, il vantaggio competitivo si sposta altrove. Si sposta sulla capacità di adottare il paradigma corretto senza resistenza. E su questo asse, chi non ha mai imparato il vecchio paradigma parte avvantaggiato rispetto a chi deve dismettere anni di abitudini.

La ricerca lo quantifica in modo preciso. Stanford HAI ha analizzato nel 2024 come diversi profili di lavoratori beneficiano dell’AI nei task professionali. Il risultato è contro ogni intuizione: i lavoratori con meno esperienza specifica nel dominio mostrano guadagni mediamente più alti rispetto agli esperti, a parità di strumenti disponibili. Il meccanismo: integrano l’AI come componente nativa del loro flusso di lavoro, mentre gli esperti tendono ad aggiungerla sopra a un processo già definito. Il risultato è efficienza parziale per chi ha esperienza, efficienza piena per chi parte da zero.

Una domanda che mi viene fatta spesso: e chi ha già dieci anni di esperienza? È troppo tardi per recuperare il vantaggio del principiante? La risposta breve è no, ma la strada è diversa. Il foglio bianco non è recuperabile come tale. Quello che si può fare, invece, è rendere espliciti i propri paradigmi e metterli in discussione deliberatamente. Non “come faccio normalmente questa cosa” ma “come la farei se non avessi mai fatto niente di simile prima?” È un esercizio cognitivo più difficile del punto di partenza pulito, ma produce risultati.

C’è un’implicazione pratica che vale per tutti, non solo per i developer. Più sei bravo a fare una cosa da solo, più rischi di non delegare all’AI quello che l’AI farebbe meglio di te. La competenza diventa un ostacolo. Non perché sei incompetente: perché sei abbastanza competente da fare la cosa da solo, e non abbastanza avanzato nel paradigma nuovo da vedere che fargliela fare è meglio, più veloce, e libera tempo per quello che solo tu puoi fare.

Il foglio bianco non è una condizione temporanea da compensare con formazione accelerata. È un asset da sfruttare prima che si riempia di abitudini nel paradigma sbagliato. Chi capisce questo, e inizia adesso, ha una finestra di vantaggio che si chiuderà.

Iscriviti ora

#3: Il paradigma che fa tutta la differenza

C’è un modo di usare l’AI che produce risultati mediocri e un modo che produce risultati eccellenti. La differenza non sta negli strumenti. Sta nel punto di partenza mentale.

Il modo sbagliato funziona così: arrivi con un problema aperto, chiedi all’AI “cosa devo fare”, ricevi una risposta generica, la applichi, rimani deluso dal risultato. Questo schema produce la versione del lettore deluso che dice “ho provato ChatGPT ma non serve a niente”. Non serve a niente perché il cervello era in standby. L’input era vuoto, l’output è stato vuoto. Il modello non ha il tuo contesto, non ha la tua storia, non sa cosa intendi per “buono”. Non può darti la risposta giusta se non sa qual è la domanda vera.

Il modo giusto è l’opposto: arrivi con un problema che hai già analizzato abbastanza da sapere cosa non sai. Hai una direzione, ma ti manca un pezzo tecnico o operativo specifico. Descrivi il problema con la massima precisione possibile. Valuti la risposta criticamente. Identifichi il punto in cui la risposta non funziona per il tuo caso specifico. Riparti con quella precisione aggiuntiva. Il cervello non si è fermato un momento. L’AI non ha sostituito il pensiero: ha accelerato l’esecuzione di un pensiero già formato.

Questo ragazzo fa istintivamente la seconda cosa. Non l’ha teorizzata. Non l’ha imparata da un corso. È il modo naturale in cui si comporta chi non ha mai usato l’AI come stampella, ma solo come strumento.

Erik Brynjolfsson e il suo team al MIT hanno pubblicato nel 2023 uno studio su un campione ampio di knowledge worker che usano AI in contesti professionali reali. Il risultato medio era un aumento di produttività del 14%. Ma quando hanno segmentato il campione per tipo di utilizzo, il gap era enorme: chi usava l’AI come “compagno di pensiero” mostrava guadagni fino al 40% sull’output qualitativo rispetto alla baseline. Chi la usava come esecutore passivo si attestava ben sotto la media.

La differenza non era il tool. Era il paradigma mentale con cui ci si avvicinava al tool.

Vale in qualsiasi dominio, non solo nel coding.

Un marketer che usa l’AI con “scrivi un post per Instagram su questo prodotto” ottiene qualcosa di generico e inutilizzabile. Un marketer che usa l’AI con “sto cercando di raggiungere chi ha trent’anni e lavora troppo per andare in palestra, voglio comunicare che questo prodotto si adatta alla sua routine senza chiedergli di cambiarla, mi serve una headline che fermi lo scroll senza promesse che non reggeranno” ottiene qualcosa di direttamente utilizzabile.

La distanza tra i due input è la distanza tra due paradigmi diversi. Nel primo, l’AI è un generatore. Nel secondo, è l’amplificazione di un pensiero già formato.

Nella call, gli ho chiesto come costruisce ogni parte del suo sistema.

La risposta era precisa e senza tentennamenti: parte dall’esperienza che vuole che l’utente abbia. Definisce cosa deve accadere, cosa deve sentire chi usa quella parte del sistema, qual è il risultato che conta. Poi chiede a Claude come costruirlo tecnicamente. Quando incontra un problema, torna con il problema specifico e ben definito. Claude non pensa al posto suo. Lui pensa, Claude costruisce.

È la versione più pura del concetto che avevo cercato di comunicare in quell’aula mesi prima. Regista, non attore. Architetto, non manovale. L’aveva capito non in teoria, ma nella pratica quotidiana di costruire qualcosa di reale.

Iscriviti ora

#4: Cosa significa davvero “capire l’AI” nel 2026

“Capire l’AI” è diventato uno dei termini più abusati degli ultimi due anni. Ogni corso, ogni consulente, ogni post su LinkedIn ne parla come se fosse una competenza tecnica da acquisire con ore di studio, certificazioni e tool da padroneggiare.

Non è così.

Capire l’AI nel 2026 significa una cosa sola: saper immaginare l’output che vuoi ottenere, saper comunicare quella visione con abbastanza precisione da guidare il modello verso di essa, e saper valutare il risultato con occhi critici. Tre competenze. Nessuna è tecnica nel senso classico del termine. Tutte e tre si costruiscono attraverso la pratica di fare cose reali, non attraverso lo studio di concetti.

Al liceo avevo usato una frase che uso spesso: “Non devi essere un ingegnere informatico per sviluppare software oggi. Devi capire il framework.” Il framework non è il codice. È la struttura del problema che stai cercando di risolvere. È la capacità di scomporlo in parti comunicabili. È sapere quando il pezzo che hai in mano è quello giusto e quando va rifatto.

La distinzione che mi piace usare è quella tra architetto e manovale. Il manovale digitale è la persona che esegue: scrive il codice, fa la grafica, compila il documento, produce il contenuto. Bravissimo, indispensabile nel vecchio sistema, sempre più sostituibile dall’AI in una percentuale crescente dei casi. L’architetto è chi sa cosa costruire, perché costruirlo, come valutare se il risultato è quello giusto. Non è sostituibile dall’AI perché l’AI non ha la sua storia, il suo contesto, i suoi obiettivi specifici. Può costruire, ma non può decidere cosa costruire.

BCG ha pubblicato nel 2024 un report sulle skill più richieste nelle organizzazioni AI-first. La lista non è quella che ci si aspetta: in cima non ci sono competenze tecniche, ma sistemiche.

Critical thinking, la capacità di valutare l’output con occhi critici.

Problem decomposition, la capacità di scomporre un problema complesso in blocchi affrontabili uno alla volta.

Output evaluation, la capacità di sapere quando il risultato è buono e quando non lo è, anche senza conoscere i dettagli tecnici dell’implementazione.

Le competenze tecniche di base, lo stesso report le classifica ormai come commodità: accessibili, diffuse, non differenzianti.

L’implicazione per chi legge questa newsletter è diretta: fare la lista delle skill tecniche da imparare è l’approccio sbagliato. La domanda giusta è un’altra. “Cosa voglio costruire? Riesco a immaginarlo con abbastanza nitidezza da descriverlo all’AI?” Se la risposta è no, non è un problema di tool. È un problema di pensiero. E il pensiero non si risolve con un corso su ChatGPT.

L’immaginazione è diventata una competenza tecnica. Non nel senso romantico del termine. Nel senso operativo: chi sa immaginare con precisione l’output che vuole ottenere ha un vantaggio strutturale su chi non lo sa fare, indipendentemente dalle certificazioni dichiarate.

C’è un test semplice che puoi fare adesso, qualunque sia il tuo dominio. Pensa all’ultima volta che hai usato l’AI e il risultato ti ha deluso. Riscrivilo partendo dall’output: non dalla richiesta, ma dal risultato finale che volevi avere in mano. Quanto ci hai messo a trovare le parole giuste? Quella fatica è la misura esatta della distanza tra dove sei adesso e dove devi arrivare. Non è una questione di conoscere la tecnica del prompting. È una questione di avere abbastanza chiarezza sul risultato da saperlo descrivere. E quella chiarezza non arriva dai corsi. Arriva dal costruire cose reali e valutarne l’output.

Iscriviti ora

#5: La formula — pensiero chiaro + AI = vantaggio imbattibile

Quello che questo ragazzo dimostra non è specifico del coding. Non è specifico dei 18 anni. Non è specifico di chi parte da zero in senso tecnico. È una struttura mentale che funziona in qualsiasi dominio, a qualsiasi età, con qualsiasi punto di partenza.

Tutto parte dalla visione dell’output: non “cosa voglio fare” in senso vago, ma “cosa voglio che esista nel mondo quando avrò finito”. La differenza è enorme nella pratica. Una produce processo, l’altra produce risultato. Lui parte sempre da lì: cosa deve fare l’utente, cosa deve sentire, cosa deve trovare. Senza questa chiarezza iniziale, tutto quello che viene dopo è costruzione alla cieca.

Da quella visione si scompone il problema in blocchi comunicabili. Non “costruiscimi un sistema di produttività”, ma “voglio che l’utente veda il suo progresso della settimana in un pannello sintetico, con un indicatore visivo per ogni area”. Un blocco alla volta. L’AI arriva qui: non come oracolo che risolve tutto in una risposta, ma come partner operativo su un problema specifico e ben definito. La precisione dell’input determina la qualità dell’output in modo diretto.

E poi il cervello non si ferma. Legge il risultato, identifica dove funziona e dove non funziona per il contesto specifico, porta quella precisione al ciclo successivo. Questa è la fase che separa chi ottiene output buoni da chi ottiene output medi. Non è tecnica. È critica. Poi si ricomincia: errore, feedback, correzione. La velocità del ciclo è il metabolismo del sistema.

Asana, Anatomy of Work 2024: la variabile che spiegava di più la differenza nei risultati non era il tool usato, né il settore, né l’esperienza pregressa. Era se il lavoratore manteneva il controllo del “cosa” e delegava il “come”. Chi lo faceva mostrava un aumento medio dell’output sulle task esecutive di 3.8x. Chi invertiva i termini, delegando il “cosa” e controllando il “come”, otteneva risultati marginali o nulli.

In tre mesi, con questa formula applicata in modo coerente, questo ragazzo ha migliorato il proprio rendimento scolastico con voti in aumento e tempo di studio dimezzato sulle stesse materie. Ha costruito un sistema funzionante con moduli integrati e un’architettura che regge. Sta già lavorando alla versione successiva mentre gestisce il liceo a tempo pieno.

Dal bancone: quando guardo questa situazione, non vedo un caso eccezionale da ammirare da lontano. Vedo il modello operativo che cerco quando faccio colloqui per Morfeus. La persona che sa cosa vuole costruire, sa descriverlo con precisione, sa usare l’AI per costruirlo, e sa valutare il risultato. È raro trovarlo. Non perché richieda un talento speciale. Perché la maggior parte delle persone non ha mai sviluppato questa struttura mentale, occupata com’era a sviluppare le competenze tecniche del paradigma precedente.

Il consiglio che avevo dato a quell’aula di liceo mesi prima è tornato indietro trasformato in prova concreta. Non è una questione di abilità tecnica. È quello che hai in testa. Lo sai immaginare, sei in grado di vederlo. Questo ragazzo lo ha dimostrato.

Iscriviti ora

☢️ Humor Radioattivo

Iscriviti ora

Sono andato a quel liceo per insegnare.

Ho detto: usala come amplificatore, non come sostituto. Come sparring cognitivo, non come stampella. Non delegare il pensiero — usala per pensare più in profondità.

Qualcuno in quell’aula ha preso quella frase, l’ha portata via, ci ha costruito sopra qualcosa, e tre mesi dopo me l’ha riportata trasformata in prova concreta. Un prodotto funzionante, un sistema replicabile, una competenza dimostrata.

Il consiglio funzionava. Non lo sapevo con certezza quando l’ho dato. Adesso lo so.

Quello che ha fatto è replicabile — non perché lui sia eccezionale, ma perché la formula funziona: visione precisa dell’output, scomposizione in blocchi, AI come acceleratore, valutazione critica, iterazione rapida. In qualsiasi dominio, a qualsiasi età, con qualsiasi punto di partenza. L’immaginazione è diventata una competenza tecnica. Chi la ha, vince.

La settimana prossima ti racconto cosa questa storia mi ha insegnato su chi assumere, nell’era AI. Perché se un ragazzo senza esperienza batte regolarmente candidati con cinque anni di CV, questo dice qualcosa di molto preciso su cosa cercare — e cosa smettere di cercare.

Iscriviti ora

P.S.: Se conosci qualcuno convinto di essere “troppo indietro” per iniziare con l’AI, o che aspetta di finire il corso prima di cominciare, mandagli questa puntata. 17 anni, zero esperienza.

Condividi

Ha iniziato provando.

☢️ Matteo

Ho fatto un webinar live su YouTube con il webinar gratuito.

Ti mostro in diretta come ho costruito un intero team di marketing con Claude — script da 2 ore, due sales page, 8 flussi email, VSL, kit commerciale — da solo, senza assumere nessuno.

Non è una presentazione. Non è una demo. È tutto in diretta, con la chat aperta, senza filtri.

Guarda il replay!

👉 GUARDA IL REPLAY — CLICCA QUI

Gratuito. Live. Solo stasera.

È lunedì sera, tardi.

Sul monitor ho una cartella aperta. Dentro ci sono: uno script per un webinar da due ore, due sales page da 18 sezioni ciascuna, otto flussi email per altrettanti segmenti di pubblico, tre versioni di una VSL, un kit commerciale completo per il mio closer con obiezioni mappate e angoli di chiusura, un design system con palette, font e componenti pronti.

Tutto scritto. Tutto coerente. Tutto derivato dalla stessa strategia di partenza.

Non ho assunto nessuno.

Nessun copywriter. Nessun funnel strategist. Nessun email marketer. Nessun scriptwriter. Zero agenzie, zero Upwork, zero brief mandati a qualcuno alle 23:00 sperando in una risposta entro mattina.

Ho aperto Claude.

Al webinar gratuito che ho organizzato per accompagnare questo lancio si sono iscritte più di 2.000 persone. Non da una lista di milioni: da una reach reale e misurabile. 16.000 follower LinkedIn, 6.000 iscritti qui su Substack, 11.700 contatti email. Numeri normali. Un tasso di conversione che funziona.

Dall’altra parte di quel numero c’è un sistema che ho costruito nelle ultime settimane. Non un prompt. Non un workflow da quattro slide con la grafica del robot sorridente. Un sistema operativo di marketing, con ruoli, protocolli, brief scritti e handoff tra una fase e la successiva.

Bentornato nel bunker. Oggi non ti racconto l’AI in astratto. Ti racconto come funziona quando devi fare un lancio da solo, hai una deadline reale e non puoi permetterti di sbagliare.

Il caso studio completo, con l’architettura esatta, i numeri definitivi e le lezioni imparate, arriva nelle prossime settimane. Stasera, però, c’è già qualcosa di concreto: il webinar gratuito, alle 18:00, dove mostro la prima parte dal vivo, senza filtri.

Prima di arrivare là, però, serve questa puntata.

☕ Tazza in mano. Si parte.

💡 Pensiero del giorno

“Non ho assunto un team di marketing. Ne ho costruito uno. La differenza è che questo non va in ferie, non chiede aumenti e non si dimentica il brief.”

🧪 AI in azione

#1 — L’errore che fa il 95% di chi usa Claude

C’è una domanda che mi faccio spesso quando vedo come le persone usano Claude.

Non “lo usano?” Quasi tutti lo usano. Non “lo trovano utile?” Anche lì, quasi sempre sì. La domanda è un’altra: lo stanno usando, o lo stanno interrogando?

Perché sono due cose diverse. E la differenza produce risultati completamente diversi.

Il pattern tipico è riconoscibile a occhio nudo. Apri Claude, scrivi una richiesta, leggi la risposta, copi quello che ti serve, chiudi la finestra. Hai risparmiato qualche minuto. Ti senti efficiente. Vai avanti. Il giorno dopo fai lo stesso. Il mese dopo ancora. Un anno fa facevi esattamente la stessa cosa.

Questo è Claude come strumento. Utile. Limitato. Sostanzialmente intercambiabile con una decina di alternative sul mercato.

Il problema non è nel modello. È nel frame.

Quando interagisci con Claude come se fosse una casella di ricerca con più contesto, ottieni risposte più articolate. Quando interagisci con Claude come se fosse un collaboratore con un ruolo preciso, un contesto accumulato e un obiettivo specifico, ottieni lavoro. Lavoro vero, consegnabile, pronto all’uso senza che tu debba metterci le mani sopra per un’ora.

Asana ha pubblicato uno studio su oltre 13.000 knowledge worker in 13 paesi. Il dato che mi è rimasto in testa: il 58% del tempo lavoro viene speso su “lavoro sul lavoro” (work for work) — email, riunioni, reportistica, aggiornamenti di stato, comunicazione interna. Non sul lavoro per cui sei stato assunto. Sul meta-lavoro che lo circonda.

Claude, usato come strumento, attacca quella percentuale dai bordi. Scrive un’email più in fretta. Riassume un documento. Ti aiuta a strutturare una slide. Guadagni minuti.

Claude, usato come sistema, attacca il problema dal centro. Non ti aiuta a fare il lavoro operativo più in fretta. Lo fa lui. Tu esci dalla catena di produzione.

La distinzione è enorme. Ed è quasi sempre invisibile finché non la vivi dall’interno.

Il cambio avviene quando ho smesso di chiedere e ho iniziato a briefare. Quando invece di “scrivi un’email di follow-up post-webinar” ho scritto: “

Sei il responsabile email marketing di un lancio B2C italiano. Questo è il posizionamento del prodotto, questo è l’avatar del cliente, questo è il momento del funnel in cui si trova chi riceve questa email, queste sono le tre obiezioni principali che questa email deve smontare, questo è il tono del brand, questa è l’email precedente nella sequenza. Scrivi l’email numero 3 della sequenza per chi ha partecipato al webinar ma non ha comprato nelle prime 48 ore.”

Non è un prompt. È un brief.

E la differenza tra un prompt e un brief è la stessa che passa tra dire a qualcuno “fa’ una cosa” e assumerlo per farla, con tutte le informazioni che gli servono per farla bene.

C’è un dato che circola spesso nelle discussioni sui modelli AI: il fatto che Claude o GPT-5 abbiano raggiunto livelli di performance “da esperto” su molti benchmark. Il problema è che il benchmark misura la capacità latente del modello. Non misura quanto quella capacità viene estratta nella pratica reale.

È come avere un pilota di Formula 1 seduto in un taxi nel traffico di Milano. La capacità è lì. Il contesto non la lascia esprimere.

Il 95% degli utenti non dà a Claude il contesto per esprimersi. Questa puntata inizia a cambiare quello.

Iscriviti ora

#2 — Non ho assunto un team. Ne ho costruito uno.

A gennaio di quest’anno ho preso una decisione che rimandavo da troppo tempo.

Volevo fare un lancio B2C. Un webinar gratuito, un corso, un bootcamp high-ticket. Senza soci operativi nel marketing, senza agenzia, senza budget per costruire un team dedicato. Solo io, una strategia e gli strumenti che uso ogni giorno.

La sfida non era il prodotto. Il prodotto lo conoscevo. La sfida era che un lancio serio richiede un team serio. Copywriter, funnel strategist, email marketer, scriptwriter, designer con brief preciso, closer con armamentario commerciale pronto. In un’agenzia strutturata, quella è una squadra di sei, sette persone che lavorano per settimane con riunioni di allineamento, cicli di revisione, feedback loop e tutto il resto.

Io avevo Claude.

Quello che è successo nelle settimane successive è difficile da descrivere senza sembrare che stia facendo della reclame. Quindi vi dico solo i dati.

Al webinar si sono iscritte più di 2.000 persone. Numeri folli per un webinar non sponsorizzato.

Dall’altra parte di quel numero c’è questa lista di asset prodotti:

• Uno script per un webinar da due ore, con struttura narrativa completa,

• pitch integrato,

• gestione delle obiezioni in diretta e call to action calibrate su due prodotti con prezzo e posizionamento diverso.

• Tantissime pagine web

• Otto flussi email per altrettanti segmenti: pre-webinar, post-webinar caldi, post-webinar freddi, acquirenti corso, candidati bootcamp, chi ha abbandonato il checkout, chi ha visto il replay senza comprare, chi era iscritto al webinar ma non si è presentato.

• Una VSL con tre versioni a scalare per traffico freddo, tiepido e caldo.

• Un design system completo con palette, font, componenti React e brief per il designer.

Zero copywriter. Zero email marketer. Zero strategist. Zero scriptwriter.

Come è possibile?

Ho assegnato tutti quei ruoli a Claude. Non in modo metaforico, non come frame suggestivo. In modo operativo, letterale. Con brief scritti, con contesto trasferito, con protocolli di handoff tra una fase e la successiva.

• Il funnel strategist ha definito il posizionamento e l’architettura del funnel.

• Ha passato il suo output al brand designer, che ha costruito le regole di tono e identità visiva.

• Il copywriter ha ricevuto quelle regole insieme all’architettura e ha scritto il copy sezione per sezione, con un gate di approvazione prima di procedere alla successiva.

• L’email marketer ha ricevuto posizionamento, segmentazione e tono e ha costruito ogni flusso con coerenza interna.

• Lo scriptwriter ha ricevuto tutta la strategia e ha prodotto il webinar e la VSL.

In un’agenzia, quella è una pipeline di sei persone e sei settimane di lavoro.

Nel mio caso, è stata una pipeline di sei ruoli, tutti Claude, con me come director che approvava ai gate strategici e correggeva la rotta quando necessario.

L’output è coerente perché il contesto era condiviso. Il design system rispetta il tono delle email, che rispetta la narrativa del webinar, che rispetta il posizionamento strategico di partenza. Quando in un team umano ogni persona porta il proprio stile, la coerenza si paga con cicli di revisione che non finiscono mai. In questo sistema, la coerenza è strutturale. È dentro il metodo, non è qualcosa che devi controllare a posteriori.

Non stai leggendo un caso di studio teorico. Stai leggendo il dispatch di qualcuno che è ancora dentro al lancio mentre scrive queste righe.

Il caso studio completo, con l’architettura esatta di come ho costruito il sistema, le decisioni prese, gli errori fatti e i risultati finali, arriva nelle prossime settimane. Ma il principio lo puoi applicare già oggi.

Smetti di usare Claude per un task alla volta. Inizia a costruire il team che non hai mai potuto permetterti.

Iscriviti ora

#3 — Cosa significa delegare davvero (invece di chiedere)

La parola “delegare” è abusata. Di solito significa “ho detto a qualcuno di farlo”. Nel senso che interessa a noi qui, significa qualcosa di più preciso: trasferire la responsabilità di un output insieme a tutto il contesto necessario perché quella responsabilità abbia senso.

Questa distinzione sembra teorica. Non lo è. È la differenza pratica tra un’AI che produce output mediocri e un sistema che produce asset pronti all’uso.

Partiamo dalla base. Quando scrivi un prompt, tu tieni in testa il contesto e chiedi a Claude di eseguire un pezzo di lavoro. Claude risponde con quello che riesce a inferire. Se il prompt è ambiguo, inferisce qualcosa di generico. Se il prompt è preciso, inferisce qualcosa di più utile. Ma in entrambi i casi, la fonte di verità è nella tua testa, non nel sistema.

Quando deleghi, trasferisci il contesto prima di chiedere l’output. Non solo “cosa fare” ma: chi sei in questa interazione, per chi stai lavorando, dove si colloca questo output nel sistema più grande, quali sono le regole non negoziabili, qual è l’output precedente da cui parti, qual è il criterio con cui misuro il successo.

La differenza operativa concreta è questa: un prompt si scrive in trenta secondi. Un brief richiede dieci, quindici minuti la prima volta. Ma una volta scritto, il brief esiste. Lo riusi. Lo passi da una sessione all’altra. Diventa parte del sistema, non di una conversazione singola.

C’è un secondo elemento che distingue la delega dalla domanda: il protocollo di handoff tra i ruoli.

In un team umano, quando il copywriter finisce la sales page, il lavoro non finisce lì. Va in review al creative director. Poi all’approvazione del fondatore. Poi al developer per l’implementazione. Ogni persona sa cosa ha ricevuto, da chi, in quale stato e cosa deve farne.

In un team Claude, la stessa logica si applica. L’output del ruolo A diventa l’input del ruolo B. Il funnel strategist consegna il posizionamento al copywriter. Il copywriter consegna il copy all’email marketer. L’email marketer consegna i flussi al closer, che usa quella mappa per capire quali obiezioni sono ancora aperte nelle call.

Funziona solo se hai definito in anticipo cosa trasferisce ogni ruolo e cosa riceve il ruolo successivo. Senza questa definizione, ogni sessione ricomincia da zero e il sistema non ha memoria. Con questa definizione, ogni sessione costruisce su quella precedente e il sistema accumula contesto.

Forrester Research stima che le organizzazioni che operano con processi AI strutturati, con protocolli e contesto condiviso tra le sessioni, vedono un aumento della qualità degli output di 3.2x rispetto a chi usa AI in modalità ad-hoc. Il numero è relativo al contesto enterprise, ma il principio è universale: il contesto è il moltiplicatore. Senza contesto, hai un modello potente che lavora alla cieca.

C’è un ultimo elemento che rallenta quasi tutti quando ci provano per la prima volta.

Scrivere un brief richiede di avere già le risposte.

E spesso le persone non le hanno. Non perché siano negligenti. Perché non si sono mai fermati abbastanza a lungo da chiarire davvero cosa vogliono. Cosa promette esattamente il prodotto. A chi si rivolge esattamente. Qual è la differenza reale rispetto ai competitor. Qual è l’obiezione principale che il copy deve smontare.

Quando costruisci i brief per delegare a Claude, queste domande emergono immediatamente. E ti costringono a risponderti. Questo, paradossalmente, è uno degli effetti collaterali più utili del sistema: ti obbliga a pensare prima di agire.

La maggior parte delle persone preferisce agire e sperare che il pensiero arrivi dopo. Non funziona. Non con Claude. Non con nessun team, umano o AI.

Iscriviti ora

#4 — Cosa cambia quando smetti di chiedere e inizi a delegare

La prima cosa che cambia è la velocità. Non quella percepita: quella reale.

Quando hai un sistema di ruoli e brief, un asset che normalmente richiederebbe due giorni di lavoro può richiedere una sessione di tre ore. Non perché Claude “vada più veloce” nel senso banale. Ma perché elimini tutto il tempo che sprecavi a ricominciare da zero ogni sessione, a tenere il contesto in testa, a correggere output generici verso qualcosa di usabile.

Nel caso del mio lancio: la sales page del bootcamp, 18 sezioni, dalla prima parola all’approvazione finale, ha richiesto meno di due giorni di lavoro reale. Un copywriter freelance esperto, con brief completo e zero revisioni strategiche, ci avrebbe messo due settimane. Non perché sia meno capace. Perché il workflow umano ha frizioni strutturali che un sistema Claude costruito bene non ha.

La seconda cosa che cambia è la coerenza.

Un team umano ha opinioni. Ha stili personali. Ha giorni buoni e giorni difficili. Ha un nuovo membro che non ha letto il documento di brand del 2023 e lo scoprirai solo quando il danno è già fatto. La coerenza in un team umano si paga con cicli di revisione, allineamenti periodici e feedback loop continui.

In un sistema Claude con brief condivisi, la coerenza è strutturale. Il copywriter della sales page sa esattamente cosa ha detto il funnel strategist sul posizionamento, perché l’ha ricevuto come input diretto. L’email marketer sa esattamente qual è il tono del brand, perché è nel brief che ha in mano. Non c’è interpretazione personale. Non c’è deriva stilistica nel tempo.

Nel mio lancio, la headline della sales page, le email di follow-up e lo script del webinar usano le stesse parole chiave, le stesse metafore, gli stessi frame narrativi. Non perché le abbia controllate una per una a posteriori. Perché erano tutte derivate dalla stessa narrativa strategica di partenza, e ogni ruolo l’ha ricevuta come contesto obbligatorio.

Ma la terza cosa che cambia è quella che nessuno ti dice, ed è la più importante.

Il collo di bottiglia si sposta.

Finché l’esecuzione è il tuo problema, puoi nasconderti dietro il volume di lavoro. “Non vado avanti perché ho troppo da fare.” È una diagnosi reale, e al tempo stesso comoda, perché la soluzione sembra sempre fuori dalla tua portata.

Quando l’esecuzione non è più il tuo problema, perché c’è un sistema che la gestisce, emerge quello che c’era sotto.

La chiarezza. O meglio: la sua assenza.

Perché se non sai esattamente cosa promette il tuo prodotto, a chi si rivolge davvero, qual è la differenza reale rispetto ai competitor, quale obiezione primaria devi smontare prima di tutte le altre, nessun sistema ti salva. Non Claude. Non un’agenzia da centomila euro. Non un team di venti persone.

Claude amplifica la chiarezza. Non la sostituisce.

McKinsey Global Institute stima che i manager senior spendono in media il 41% del loro tempo su task che potrebbero essere delegati o automatizzati. La barriera non è tecnica. È cognitiva: delegare richiede di aver già pensato all’output con abbastanza chiarezza da poterlo descrivere a qualcun altro.

Con Claude, quel “qualcun altro” è sempre disponibile, non è mai in riunione e non ha bisogno di onboarding.

La parte difficile, però, resta la tua. Sempre. E questa è una notizia buona, anche se a prima vista non sembra.

Iscriviti ora

#5 — Stasera nel webinar. Nelle prossime settimane, tutto il resto.

Questa puntata non è il caso studio.

È il dispatch. Quello che ti scrivo mentre il sistema è ancora caldo, mentre il lancio è in corso, mentre i numeri si accumulano in tempo reale e le lezioni si chiariscono pezzo per pezzo.

Il caso studio completo arriva dopo. Quando avrò i risultati definitivi, l’architettura esatta di ogni componente, le decisioni che ho preso ai gate strategici, gli errori che ho fatto e come li ho corretti, e i numeri con cui misuro il successo del sistema rispetto a un approccio tradizionale. Quel pezzo lo pubblico qui su AI Espresso, nelle prossime settimane. Sarà probabilmente la puntata più densa che ho scritto.

Ma stasera c’è qualcosa di più immediato.

Stasera alle 18:00 vado live su YouTube con il webinar gratuito. Non è una presentazione commerciale su Claude. Non è una demo Anthropic. È quello che ho imparato in 300 ore di Claude, la parte che il 95% degli utenti non conosce e non trova da nessuna parte, mostrata in diretta senza filtri e senza slide di marketing.

Chat, Cowork, workflow reali. Come uso Claude per Morfeus, come puoi usarlo tu per il tuo lavoro, quali sono gli errori che fanno quasi tutti e come si correggono. Non teoria. Pratica diretta, in tempo reale.

Se non sei ancora iscritto, il link è qui sotto. Se lo sei già, ci vediamo alle 18:00.

👉 LINK ISCRIZIONE WEBINAR

Voglio però aggiungere una cosa prima di chiudere questa sezione, perché è importante.

Quello che ho costruito nelle ultime settimane non è un template che puoi copiare e incollare sul tuo business. Non funzionerebbe, non perché il sistema non sia replicabile, ma perché il sistema funziona solo quando è costruito sopra una strategia precisa, con ruoli calibrati sul tuo contesto specifico, brief scritti bene, e una logica di handoff che tiene tutto insieme.

Il metodo è replicabile. Il metodo è quello che insegno.

Prima nel webinar di stasera, dove mostro il primo strato: come si usa Claude davvero, non come lo usa il 95%. Poi nel caso studio nelle prossime settimane, dove scendo nell’architettura e mostro i pezzi del sistema uno a uno. Poi, se vuoi andare ancora più in profondità con un percorso strutturato e supporto diretto, ci sono i prodotti che ho costruito esattamente con questo sistema. Ma quello lo scopri stasera.

Il punto con cui voglio che tu esca da questa sezione è uno: costruire un team con Claude non è una metafora creativa. È una scelta operativa concreta, che richiede di cambiare non il tool che usi, ma il modo in cui pensi a quello che stai facendo quando lo apri.

Non stai usando un’app. Stai assumendo qualcuno.

Trattalo di conseguenza.

Iscriviti ora

📌 Prompt Espresso

Cosa fa questo prompt: ti porta attraverso un audit del tuo uso attuale di Claude, identifica dove stai lasciando valore sul tavolo e costruisce il brief del primo ruolo che puoi attivare questa settimana.

Dove usarlo: Claude, idealmente dentro un Project con un documento di contesto sul tuo business già caricato. Funziona anche su ChatGPT, ma senza il contesto persistente del Project dovrai reincollare le risposte da una fase all’altra.

Prima di copiare il prompt: sostituisci tutti i placeholder tra parentesi quadre con le informazioni reali del tuo business. Non lasciare placeholder vuoti: sono loro che fanno la differenza tra un output generico e un asset usabile.

Agisci come un consulente operativo senior specializzato in architetture di lavoro con AI. Il tuo obiettivo è aiutarmi a costruire un sistema di ruoli Claude per il mio business, partendo da un audit onesto del mio uso attuale.

Il mio contesto di partenza:
- Tipo di business: [es. agenzia marketing B2B da 6 persone, freelance copywriter, fondatore SaaS in fase early, PMI con team operativo interno]
- Team attuale: [es. solo io, io più 2 collaboratori part-time, team di 8 persone con ruoli separati]
- Come uso Claude adesso: [es. scrivo email con Claude, uso ChatGPT per i post LinkedIn, riassumo documenti lunghi, non uso AI in modo sistematico]
- Il task che mi prende più tempo ogni settimana ma che non richiede che sia io a farlo: [sii specifico]

FASE 1: Audit onesto del mio uso attuale

Inizia con queste cinque domande. Non procediamo alla FASE 2 finché non ho risposto a tutte e cinque. Se una risposta è vaga, chiedimi di precisare.

1. Quali sono i 5 task che mi prendono più tempo ogni settimana? Non categorie generiche come “email” o “contenuti”. Task specifici: “email di follow-up commerciale a clienti che non hanno risposto dopo la proposta”, “brief settimanale per il team su priorità e blocchi”, “risposta ai commenti LinkedIn sui post della pagina”.

2. Di questi 5 task, quali sto eseguendo interamente io, senza supporto AI di nessun tipo?

3. Per i task in cui uso già AI: come lo sto usando? Chiedendo risposte singole di volta in volta, o con un brief strutturato e contesto trasferito prima dell’output?

4. Quale output produco ogni settimana che dovrebbe essere fatto da un professionista specializzato, ma che non ho le risorse per assumere?

5. Qual è il task che richiede il mio tempo ma non la mia intelligenza specifica?

Dopo le mie risposte, dimmi: dove sto sprecando più capacità cognitiva su lavoro esecutivo che potrei delegare? Quale è il gap più grande tra quello che so fare e quello che sto effettivamente facendo?

FASE 2: I 3 ruoli prioritari

Sulla base dell’audit, identifica i 3 ruoli Claude che mi darebbero il massimo ritorno se li attivassí questa settimana. Priorità: massimo impatto sul tempo liberato, minima complessità di setup iniziale.

Per ogni ruolo, fornisci:

- Nome del ruolo: specifico e contestuale. Non “copywriter” ma “copywriter email di nurture per lead B2B in fase di valutazione nel settore [mio settore]”.
- Output esatto: cosa produce, in quale formato, con quale frequenza.
- Input necessari: cosa devo fornirgli io perché possa lavorare bene.
- Handoff: a chi passa il suo output?
- Gate di approvazione: in quale momento specifico intervengo io prima che l’output venga usato?

Non mi dare ruoli generici. Ruoli calibrati sul mio contesto reale.

FASE 3: Il brief del ruolo numero 1

Prendi il ruolo prioritario identificato in FASE 2 e scrivi il brief completo, pronto all’uso nella prossima sessione Claude. Il brief deve includere:

- Identità del ruolo: “Sei il [ruolo] di [nome o tipo di business]. Il tuo obiettivo specifico è [obiettivo].”
- Contesto del business: posizionamento, target, tono, 3 regole non negoziabili.
- Regole operative: cosa puoi fare, cosa non puoi fare mai, come riconosci un output riuscito.
- Formato output: lunghezza, struttura, stile, livello di formalità.
- Punto di partenza: da quale documento, output precedente o informazione parti ogni volta.
- Criterio di successo: come misuro che l’output è buono senza doverci lavorare sopra io?

Scrivi il brief in modo che io possa copiarlo direttamente nella prossima sessione Claude e iniziare a lavorare immediatamente, senza dover aggiungere niente.

⚠️ Il vero valore di questo prompt non è il brief che produce alla fine. È il processo della FASE 1. La maggior parte delle persone non sa con precisione quali task stanno davvero consumando il loro tempo finché non è costretta a metterli per iscritto, uno per uno, in forma specifica. Quella chiarezza vale più del brief stesso: ti dice dove stai operando invece di pensare, quanto tempo stai pagando due volte (una volta per farlo tu, una volta per correggerlo), e quale sarebbe il ritorno reale se smettessi di essere il tuo stesso esecutore. Fai la FASE 1 per intero. Non saltarla per arrivare prima al brief.

Iscriviti ora

☢️ Humor Radioattivo

Ho sempre detto che non volevo fare il manager.

Ho fondato una società esattamente per non dover stare in riunione con me stesso alle 9 di mattina. Per non dover compilare form di approvazione. Per non dover spiegare a qualcuno perché un’email deve avere quel tono e non quest’altro.

Poi ho aperto la cartella del mio lancio.

C’era un file chiamato DECISION_LOG.md. Un file chiamato ERROR_LOG.md. Un file chiamato PROTOCOL.md con le fasi del progetto, i decision gate e i criteri di qualità per ogni output. Una cartella KNOWLEDGE_BASE con il tono di voce del brand, gli anti-pattern da evitare, il profilo del cliente ideale. Una SKILL_MAP con quali competenze attivare in quale fase del funnel.

Ho fissato lo schermo per qualche secondo.

Avevo costruito esattamente quello che avevo sempre detto di non voler costruire: una struttura manageriale, con protocolli, log e knowledge base condivisa tra i “dipendenti”.

Solo che al posto delle persone, a seguire i protocolli c’era Claude.

E invece di essere in riunione ogni mattina per allineare il team, la mia “riunione” durava trenta secondi: aprivo il README, vedevo dove eravamo rimasti, aprivo la sessione successiva.

La morale, che ho capito solo a cose fatte: non è il management che fa schifo. È il management del lavoro sbagliato che fa schifo. Costruire sistemi, scrivere protocolli, definire handoff tra ruoli: quella è la parte che vale. La parte che non vale è quando il manager è costretto a fare anche l’esecutivo, perché il sistema non sta in piedi senza di lui.

Con Claude come team, fai solo la prima parte.

E sì, c’è una certa ironia nel fatto che io, che ho fatto un webinar su “come usare Claude”, abbia scoperto costruendo il sistema per quel webinar che lo usavo male.

La buona notizia: lo so adesso.

La cattiva notizia per il mio ego: lo sapete anche voi, stasera.

Iscriviti ora

P.S. Se conosci qualcuno che apre Claude ogni giorno ma sente di non tirarne fuori mai abbastanza, mandagli questa puntata. Potrebbe essere l’unica cosa che separa un anno uguale a quello scorso da uno diverso.

Condividi

☢️ Matteo

Hai mai lavorato con qualcuno di straordinariamente capace che non parlava la tua lingua?

Non parlo di qualcosa di romantico. Parlo della frustrazione concreta di avere davanti a te qualcuno con un talento enorme e non riuscire a usarlo. Lui non capisce cosa vuoi. Tu non riesci a spiegarti. I segnali partono e arrivano distorti. Il suo talento rimane lì, intatto, inutilizzato.

Con l’AI è esattamente la stessa cosa.

Non è che i modelli siano stupidi. È che c’è una lingua che questi sistemi capiscono meglio di altre. Una grammatica implicita. Un modo preciso di ricevere le informazioni che li porta a dare il massimo. E un modo che li porta a darti il minimo sindacale: risposte generiche, nel formato sbagliato, fuori contesto.

La differenza tra questi due mondi non è il modello che hai scelto. È quello che gli scrivi dentro.

Questa settimana ho guardato con molta attenzione un video che avrei voluto esistesse due anni fa. Lo hanno fatto gli ingegneri di Anthropic, quelli che hanno costruito Claude. Ventiquattro minuti. Niente influencer, niente guru: chi il modello lo ha costruito davvero.

Se vuoi guardarlo direttamente: Prompting 101 – Anthropic Engineers. Ma qui sotto c’è tutto, e di più.

☕ Tazza in mano. Si parte.

ISCRIVITI GRATIS AL WEBINAR

💡 Pensiero del giorno

Il prompting non è un trucco da memorizzare. È la grammatica di una nuova lingua. Chi la impara lavora con l’AI. Chi non la impara lavora contro di essa, ogni giorno, senza saperlo.

🧪 AI in azione

#1: Non è una skill. È una discriminante.

Ogni volta che sento “prompt engineer” come titolo professionale, mi fermo un secondo.

Non perché sia sbagliato. Perché la framing è fuori fuoco.

Dire che qualcuno è “un prompt engineer” ha più o meno lo stesso senso di dire che qualcuno “sa usare la tastiera.” Certo, è una competenza. Certo, richiede pratica. Ma non è una professione in sé: è il prerequisito per accedere a qualsiasi professione nell’era dei modelli linguistici. Come dire che un chirurgo “sa usare il bisturi.” Sì, ma non è quella la sua specialità.

Pensa a come ci siamo arrivati qui. Tre ondate successive di abilitatori tecnologici, ognuna più grande della precedente.

Il touchscreen ha reso i telefoni accessibili a chiunque, non solo a chi sapeva navigare un sistema operativo con la tastiera. La GUI, l’interfaccia grafica, ha reso i computer accessibili a chiunque, non solo ai programmatori che sapevano usare la linea di comando. Il linguaggio naturale sta facendo la stessa cosa per l’AI: abbassa la barriera tecnica all’ingresso, rende i modelli accessibili a chiunque abbia qualcosa da chiedergli.

Ma c’è un livello sotto. E quel livello si chiama prompting.

Saper usare un touchscreen ti abilita al telefono. Saper navigare una GUI ti abilita al computer. Saper strutturare le istruzioni per un modello linguistico, sapere cosa includere, in che ordine, con che livello di dettaglio, non è solo “abilitarsi all’AI.” È la differenza tra avere un assistente straordinario e avere uno strumento confuso che produce output mediocri e ti fa pensare che il problema sia il modello.

Torna alla metafora del collega straniero. Le sue performance non crollano perché è meno bravo. Crollano perché il canale è rotto. Il guaio con i modelli AI è sottile: loro capiscono il tuo linguaggio naturale. Cioè, capiscono le parole. Ma interpretare le parole non è la stessa cosa che capire cosa vuoi davvero. Quella parte dipende da te, da come le organizzi, da cosa includi e cosa ometti.

Hannah, la prima ingegnera Anthropic che parla nel video, lo dice in modo diretto: la maggior parte dei problemi che le persone hanno con i modelli non deriva dalla qualità del modello. Deriva dalla qualità delle istruzioni che vengono date. Il modello esegue quello che gli chiedi. Il punto è che quello che gli chiedi spesso non è quello che vuoi davvero ottenere.

Il prompting non è un vantaggio competitivo. È una discriminante. Chi non ce l’ha parte già indietro, anche con il miglior modello disponibile. Chi ce l’ha entra nel gioco.

Iscriviti ora

#2: Cos’è il prompt engineering, parola di chi ha costruito Claude

Hannah inizia il video con una definizione che sembra semplice e non lo è.

Il prompt engineering, dice, è la pratica di comunicare con un modello linguistico e guidarlo verso il risultato che vuoi ottenere. Tre parole chiave in quella frase: comunicare, guidare, risultato.

Non “dare ordini.” Non “fare domande.” Comunicare, con tutta la complessità che quella parola porta dietro. E guidare, con tutta la responsabilità che quel verbo implica. Il modello segue la direzione che gli dai. Se la direzione è vaga, il modello riempie i vuoti con le sue assunzioni. E le sue assunzioni non coincidono necessariamente con quello che avevi in testa tu.

Tre elementi sono fondamentali, sempre: istruzioni chiare, contesto necessario, e organizzazione dell’informazione. Non come tre caselle da spuntare. Come tre leve interdipendenti. Mancane una, e le altre due non bastano a compensare.

Hannah porta un esempio dal lavoro reale di Anthropic. Una compagnia di assicurazioni svedese. Un caso reale di sinistro, esaminato con due prompt diversi sullo stesso modello.

Primo prompt: nessun contesto sul tipo di sinistro, nessuna struttura, istruzioni minimali. Il modello risponde con una valutazione che classifica l’evento come incidente sciistico. È una risposta plausibile, data la stagione, data la Svezia, dato il contesto culturale che il modello porta dall’addestramento. Non è stupida. È ragionevole. Ed è completamente sbagliata.

Secondo prompt: stesso caso, stesso modello, ma con contesto esplicito sul tipo di polizza, istruzioni strutturate, i dettagli rilevanti messi in primo piano. Il modello risponde correttamente: incidente automobilistico.

Stessa azienda. Stesso caso reale. Stesso modello. Due risultati completamente diversi.

La lesson sembra banale ma non lo è: il modello non legge la tua mente. Legge quello che scrivi. E se quello che scrivi lascia spazio all’interpretazione, il modello interpreterà nella direzione che gli sembra più probabile date le sue conoscenze pregresse, non nella direzione che ti serve a te. È esattamente quello che farebbe un collaboratore umano nuovo, privo di contesto, a cui chiedi di risolvere un caso senza spiegargli niente. Indovina. E indovina nel modo più “ragionevole” da fuori, che è spesso il modo sbagliato per chi conosce il contesto specifico.

Il punto che Hannah sottolinea più volte è questo: il prompt engineering non è un’arte intuitiva. È una scienza empirica e iterativa. Si costruisce un’ipotesi, si testa, si misura il risultato, si migliora. Chi lo tratta come un atto creativo rimane frustrato. Chi lo tratta come un processo sistematico ottiene risultati consistenti.

Iscriviti ora

#3: L’architettura. Cinque blocchi per un prompt che funziona.

Questa è la sezione del video che ho trovato più concretamente utile.

Hannah e Christian hanno sviluppato internamente un framework per costruire prompt complessi. Nel video lo presentano come una lista di dieci elementi. Li ho riorganizzati in cinque blocchi che mi sembrano più facili da tenere in testa e da applicare.

Blocco 1: Chi sei e cosa devi fare.

Il primo blocco definisce il contesto dell’AI in questa sessione specifica. Non “sei un assistente utile.” Quello non dice niente. Dice: “Sei un analista di sinistri per una compagnia assicurativa svedese. Il tuo compito è valutare i report di incidente e classificarli nella categoria corretta secondo il manuale allegato. Non classificare casi per cui non hai abbastanza informazioni: segnalali come incompleti.”

Specifico. Contestualizzato. Con un perimetro chiaro e un’istruzione esplicita su cosa fare nei casi ambigui.

Il secondo elemento di questo blocco è il contesto sul tono: quanto deve essere formale la risposta, qual è il livello di confidenza atteso, cosa deve fare il modello quando non è sicuro. Quest’ultimo punto è quello che più spesso viene dimenticato. Se non dici al modello come comportarsi nell’incertezza, lui inventa qualcosa. E le invenzioni dei modelli non arrivano segnalate come tali.

Blocco 2: Il materiale.

Il secondo blocco contiene i dati su cui il modello lavora. Ma c’è una distinzione fondamentale che quasi nessuno fa: informazione dinamica e informazione stabile.

L’informazione dinamica cambia a ogni sessione. È il caso specifico di oggi, il documento di questa settimana. Quella va nel messaggio dell’utente, non nelle istruzioni di sistema.

L’informazione stabile non cambia mai, o cambia raramente. È il manuale di polizza, le linee guida aziendali, il contesto permanente. Quella va nel system prompt, non nel messaggio dell’utente. E una volta che sta lì, non la ripeti ogni volta.

Questa distinzione ha anche un impatto economico diretto. Anthropic offre il prompt caching: se il background stabile non cambia, viene cachato e non viene riconteggiato come token a ogni nuova richiesta. Significa meno costi, meno latenza, più efficienza. Non è un dettaglio tecnico per sviluppatori: è una leva di ottimizzazione concreta.

Blocco 3: Come ragionare.

Il terzo blocco contiene le istruzioni operative: i passi che il modello deve seguire e, soprattutto, l’ordine in cui deve seguirli.

Christian sottolinea con forza nel video che l’ordine in cui il modello riceve e processa le informazioni determina la qualità del risultato. Un esempio concreto: il modello deve valutare un sinistro che include sia un modulo standardizzato sia uno schizzo a mano libera del luogo. L’ordine sbagliato è dare prima lo schizzo e poi il modulo. L’ordine giusto è dare prima il modulo, che struttura il frame di valutazione, e poi lo schizzo, che aggiunge dettaglio visivo a una comprensione già organizzata.

È lo stesso ordine in cui lavorerebbe un analista umano esperto. Prima la struttura, poi il dettaglio. Il modello funziona meglio quando lo guidi come guidaresti un collaboratore competente che entra su un caso nuovo.

Blocco 4: Gli esempi.

Il quarto blocco è quello che in gergo si chiama few-shot prompting: esempi concreti di input e output atteso, inclusi nel prompt prima della richiesta vera e propria. Non una descrizione astratta di quello che vuoi. Un esempio reale, nel formato reale.

La cosa che sorprende, fino a quando non la provi: più gli esempi sono difficili, più coprono casi grigi e ambigui, più il modello diventa robusto su quei casi. Un prompt con tre esempi semplici ti dà un modello che funziona bene nei casi semplici. Un prompt con tre esempi difficili, con le situazioni limite e i casi d’angolo, ti dà un modello che regge anche quando le cose si complicano.

Investi negli esempi difficili. È lì che si vede la differenza.

Gli esempi possono essere anche visivi. Immagini codificate in base64, direttamente nel prompt. Se il modello deve valutare schizzi, fatture, disegni tecnici, puoi mostrargli esattamente come interpretare un tipo di documento. Non solo descriverglielo: mostrarglielo.

Blocco 5: Il reminder.

Il quinto blocco è quello che più sorprende chi lo vede per la prima volta. Alla fine del prompt, dopo tutto il contesto, tutte le istruzioni, tutti gli esempi, si ripetono le istruzioni più critiche.

Non perché il modello dimentichi. Ma perché i modelli tendono a dare più peso alle informazioni che compaiono all’inizio e alla fine di un testo lungo. Le istruzioni nel mezzo, sommerse dal contesto, rischiano di pesare meno. Ripeterle alla fine è un modo per rinforzarle senza modificare la struttura.

Il reminder serve anche a chiedere esplicitamente al modello di segnalare quando non è sicuro. “Se non hai abbastanza informazioni per rispondere con certezza, dillo esplicitamente e spiega cosa manca. Non inventare.” Quella frase, alla fine del prompt, cambia significativamente la qualità delle risposte nei casi ambigui. È la differenza tra un modello che allucina con fiducia e uno che ti dice: mancano questi elementi, non posso rispondere.

Iscriviti ora

#4: Le cose implicite. Sistema, struttura, e perché Claude risponde meglio all’XML.

C’è una parte del video in cui Christian introduce un tema con una frase che mi ha colpito: “La maggior parte delle persone non conosce la differenza tra system prompt e user prompt. E questa ignoranza ha un costo concreto ogni giorno.”

È una frase onesta. Quindi la spiego.

System prompt vs user prompt.

Quando interagisci con Claude attraverso un’API, o attraverso uno strumento che usa l’API, ci sono due livelli di comunicazione. Il system prompt è il livello che arriva per primo e imposta il contesto globale: chi è l’AI, quali sono le sue istruzioni permanenti, quale background deve sempre avere presente. L’utente in genere non lo vede. Il user prompt è il messaggio che scrivi tu in tempo reale.

Se usi Claude attraverso claude.ai in modo normale, questi due livelli si fondono nell’interfaccia di chat. Ma se costruisci qualcosa, se configuri un workflow, se stai usando Claude in modo sistematico, la distinzione è critica. Le istruzioni nel system prompt sono attive per ogni messaggio, sempre. Quelle nel user prompt sono specifiche di quella singola interazione.

La regola pratica: le informazioni che non cambiano mai vanno nel system prompt. Quelle che cambiano a ogni sessione vanno nel user prompt. Non mischiare i due livelli è la prima regola per costruire un sistema che funziona in modo consistente.

XML tags.

Quando si tratta di strutturare i prompt, Claude risponde particolarmente bene ai tag XML. Non c’è niente di magico nei tag. Ma Claude è stato addestrato su enormi quantità di testo strutturato che include XML, e li riconosce come segnale chiaro di struttura e separazione tra categorie di informazione.

Un esempio concreto. Invece di scrivere “ecco il modulo, poi ti descrivo lo schizzo”, scrivi:

<form_description>
  [contenuto del modulo]
</form_description>

<sketch>
  [descrizione dello schizzo]
</sketch>

Il modello sa immediatamente che queste sono due categorie separate. Può recuperarle in modo indipendente. Può citarle nel ragionamento senza confonderle. E puoi usare gli stessi tag nell’output per estrarre solo la parte che ti serve, se stai costruendo un sistema automatizzato.

Non serve essere sviluppatori per usarli. Sono parentesi con un nome. Usali ogni volta che il tuo prompt include più di una categoria di informazione.

Temperature = 0.

Un parametro tecnico che vale la pena conoscere. La temperatura controlla quanto il modello “osa” nelle risposte. Alta: risposte più creative, più variabili, più sorprendenti. Bassa: risposte più precise, prevedibili, consistenti.

Per la maggior parte dei task professionali, analisi, classificazione, estrazione dati, valutazione strutturata, la temperatura giusta è zero. Vuoi che il modello dia la risposta più probabile, non che esplori varianti creative. Christian nel video lo dice esplicitamente: per qualsiasi sistema di produzione che richiede consistenza, temperature = 0. Sempre. Non è una preferenza: è il modo corretto di usare il modello per task deterministici.

Iscriviti ora

#5: L’output è parte del prompt. Non è una conseguenza.

L’ultima sezione del video è quella che ha cambiato di più il modo in cui penso al prompting.

Quasi tutti trattano il prompt come un input e l’output come qualcosa che arriva dopo. Christian ribalta questa prospettiva: l’output è parte del design del prompt. Prima di scrivere le istruzioni, devi sapere esattamente come vuoi che la risposta sia strutturata. Poi costruisci il prompt per ottenere quella struttura.

Questo ha tre implicazioni pratiche immediate.

Formato esplicito.

Se vuoi JSON per il tuo database, lo dici nel prompt. Esplicitamente. “Rispondi in formato JSON con questi campi esatti:” e li elenchi. Il modello si adatta. Se non glielo dici, ti darà testo in prosa che dovrai parsare a mano. Non è un difetto del modello. È l’assenza di un’istruzione.

XML tags per isolare la risposta.

Immagina di avere un sistema che deve estrarre solo il verdetto finale di un’analisi, ignorando il ragionamento. Puoi chiedere al modello di mettere il suo processo di ragionamento dentro <reasoning> e la risposta finale dentro <final_verdict>. Nel tuo codice, estrai solo <final_verdict> e ignori il resto. Non devi processare tutta la risposta in testo libero. Hai esattamente quello che ti serve, nel posto esatto in cui ti serve.

Pre-filled responses.

Questa è la tecnica che mi ha colpito di più nel video. Puoi iniziare tu l’output del modello e lasciare che lui continui da lì. Nel formato API, inserisci il tuo testo come inizio della risposta del modello. Il modello prosegue da quel punto.

Esempio concreto: vuoi forzare una risposta JSON. Invece di sperare che il modello rispetti il formato, inizi l’output tu con “[” e il modello continua a costruire l’array. È impossibile che cominci con “Certo! Ecco il JSON che hai chiesto:” prima dell’array. Parte direttamente dalla parentesi. Impossibile evadere il formato.

Extended thinking.

Per i task più complessi, Claude 3.7 e Claude 4 offrono una modalità di ragionamento esteso. Prima di rispondere, il modello mostra il suo processo di ragionamento interno, uno scratch pad visibile che spiega come sta affrontando il problema passo dopo passo.

Non serve solo per capire cosa pensa il modello. Serve per affinare il system prompt: se vedi dove il ragionamento si inceppa, dove il modello si confonde o prende una direzione sbagliata, sai esattamente cosa aggiungere nelle istruzioni per la versione successiva. È debugging del prompt in tempo reale. E su task complessi produce risposte più accurate, non solo più dettagliate, perché il modello ha spazio per ragionare prima di rispondere.

Iscriviti ora

📌 Prompt Espresso: la struttura di partenza

Questo prompt costruisce la struttura base per qualsiasi task professionale ripetitivo. Compilalo con il tuo caso specifico e usalo come punto di partenza da iterare:

Sei [ruolo specifico con contesto]. Il tuo compito è [task con perimetro chiaro].

<background>
[Informazioni stabili: linee guida, manuale, contesto permanente]
</background>

<materiale>
[Il contenuto specifico di questa sessione: documento, caso, dati]
</materiale>

<istruzioni>
1. Prima [prima azione, ordine esplicito]
2. Poi [seconda azione]
3. Infine [output atteso con formato]
</istruzioni>

<esempi>
Input: [caso con ambiguità]
Output: [risposta nel formato che vuoi]
</esempi>

Ricorda: se non sei sicuro, dillo esplicitamente. Non inventare.
Rispondi in [formato] con questa struttura: [struttura esatta].

Adattalo. Testa. Itera. Quello è il metodo.

🔒 Nel Vault di questa settimana

Meta-prompting: l’AI che scrive i prompt al posto tuo.

Una volta che sai costruire un prompt, il passo successivo è smettere di farlo a mano. Il meta-prompting è un layer intermedio che converte il tuo input naturale, anche disorganizzato, anche incompleto, in un prompt strutturato con tutti e cinque i blocchi al posto giusto.

Nel Vault: il sistema che uso su Morfeus, il template completo per costruire il tuo meta-prompter, e tre casi d’uso pratici con input grezzo e output strutturato a confronto. Per chi vuole passare dall’artigianato al sistema.

Iscriviti ora

☢️ Humor Radioattivo

Tre cose da portare via oggi:

• Il prompting è la grammatica di una lingua nuova, non un trucco opzionale. Chi non la conosce non ottiene il massimo nemmeno dal miglior modello disponibile. Non è un’opinione: è quello che dicono gli ingegneri che il modello lo hanno costruito.

• Un prompt professionale ha cinque blocchi: ruolo e task, materiale separato in stabile e dinamico, istruzioni nell’ordine giusto, esempi sui casi difficili, e un reminder finale che gestisce l’incertezza. Non servono tutti sempre. Ma conoscerli ti permette di capire dove stai lasciando qualità sul tavolo.

• L’output si decide prima, non dopo. Formato esplicito, XML tags, pre-filled responses: non sono dettagli tecnici per sviluppatori. Sono la differenza tra un prompt che funziona e uno che “dipende.”

☕ Matteo

Iscriviti ora

P.S. Se questa puntata ti ha fatto venire voglia di riscrivere un prompt che usi spesso, mandala a qualcuno che pensa che “l’AI non capisce quello che voglio.” Probabilmente ha ragione. Ma il problema non è il modello. Come sempre, lo dice il barista, non l’algoritmo. ☢️

Condividi

Oggi al bancone c’è un problema di proporzioni.

Non di quelle cosmiche. Di quelle quotidiane. Di quelle che non noti finchè qualcuno non te le fa notare, e poi non riesci a smettere di vederle ovunque.

Immagina di entrare in un bar e chiedere un espresso. Il barista ti guarda, annuisce, e poi parte:

“Ottima scelta! L’espresso è una delle bevande piu apprezzate al mondo, con una storia che risale all’Italia del primo Novecento. Prima di preparartelo, vorrei contestualizzare: la miscela che utilizziamo è un blend di Arabica e Robusta con note di cioccolato fondente e un retrogusto leggermente speziato. Procederò ora alla preparazione. Ecco il tuo espresso. Spero che questa esperienza ti sia stata utile! Non esitare a chiedere se desideri ulteriori informazioni sulla nostra offerta di bevande calde.”

Tu volevi un caffe. Lui ti ha servito un caffe, tre paragrafi di contesto, un disclaimer e una chiusura motivazionale.

Adesso sostituisci il barista con Claude. O ChatGPT. O qualsiasi modello AI tu stia usando.

Succede esattamente la stessa cosa. Ogni volta. E ti costa molto piu di quanto pensi.

Oggi parliamo di un problema che il 99% di chi usa l’AI non sa di avere: le risposte gonfiate. E di una soluzione che arriva da un ragazzo olandese di 19 anni, un paper scientifico che ha ribaltato le aspettative di mezzo mondo accademico, e un principio che, una volta capito, cambia il modo in cui parli con qualsiasi AI.

☕ Tazza in mano. Si parte.

Iscriviti ora

💡 Pensiero del giorno

“Why waste time say lot word when few word do trick?” - Kevin Malone, The Office.

E anche un paper di marzo 2026 con 31 modelli testati.

🧪 AI in azione

#1: La crisi che nessuno ti ha spiegato

Se nelle ultime settimane hai notato che Claude ti blocca piu spesso del solito, che le conversazioni si interrompono prima, che il piano da 20 euro al mese sembra valere sempre meno, non è un’impressione.

E esattamente quello che sta succedendo.

A marzo 2026, gli utenti di Claude hanno iniziato a segnalare qualcosa di strano. I rate limit, quei tetti che decidono quante domande puoi fare prima che il sistema ti metta in pausa, si esaurivano molto più velocemente del solito. Non il doppio. Tre volte piu velocemente. In alcuni casi, cinquanta volte.

Utenti con il piano Max da 200 dollari al mese hanno riportato di aver bruciato tutta la loro quota in 70 minuti. Settanta minuti. Per un abbonamento mensile.

Qualcuno ha fatto reverse engineering del sistema e ha scoperto due bug indipendenti nella cache dei prompt che gonfiavano silenziosamente il consumo di token di 10-20 volte. Stavi pagando per una conversazione e il sistema ne contava dieci.

Anthropic ha ammesso il problema. Ha aggiustato alcune cose. Ma la direzione di fondo non è cambiata: i limiti sono diventati più stretti, le fasce orarie di picco più penalizzanti, e la subscription da 20 euro che un anno fa ti dava accesso quasi illimitato a un modello premium oggi e poco più di una demo con il timer.

Non è solo Claude. OpenAI ha lanciato il piano Pro da 100 dollari al mese. I prezzi API restano alti. Il mercato si sta muovendo verso una realtà semplice: i token costano, e chi non li gestisce li spreca.

Fin qui, la maggior parte delle persone reagisce in due modi. Il primo: lamentarsi su Reddit. Il secondo: pagare di più.

C’è un terzo modo. Ed e quello interessante.

Iscriviti ora

#2: Il problema che non sapevi di avere

I modelli AI sono addestrati per dare risposte. Fin qui, tutto bene.

Il problema è che “dare risposte” si è trasformato in “dare contesto sulla risposta”, che è diventato “essere esaustivo”, che è diventato “non stare zitto neanche sotto tortura”.

Gli chiedi: “Qual è la capitale della Francia?”

Ti risponde:

“Ottima domanda! La capitale della Francia e Parigi, una città ricca di storia e cultura situata nella regione dell’Ile-de-France. Parigi è conosciuta per i suoi monumenti iconici come la Torre Eiffel, il Louvre e Notre-Dame. Fondata originariamente come insediamento romano con il nome di Lutetia, la citta è cresciuta fino a diventare uno dei centri politici, economici e culturali piu importanti d’Europa. Spero che questa informazione ti sia utile! Non esitare a chiedere se vuoi saperne di più sulla geografia europea.”

Tu volevi una parola. Hai ricevuto un paragrafo, un disclaimer e una chiusura motivazionale.

Sembra un dettaglio. Non lo è.

Ogni parola che l’AI produce è un token. Ogni token costa. In tempo, in soldi, in limiti di utilizzo che si consumano. Quando il modello ti serve 135 token dove ne bastavano 2, non ti sta dando un servizio migliore. Ti sta facendo pagare 67 volte di più per la stessa informazione.

Anatomia di una risposta gonfiata. Ce ne sono quattro, e le riconosci tutte:

Il preambolo. “Ottima domanda!”, “Certo, con piacere!”, “Questa è un’area molto interessante.” Non ti serve. Non aggiunge informazione. è l’equivalente digitale del barista che ti chiede come stai prima di darti il caffe che hai già ordinato.

Il relleno. Tre paragrafi dove ne bastava uno. Contesto che non hai chiesto. Spiegazioni di cose che già sai. Il modello sta riempiendo spazio perchè e stato addestrato a farlo, non perchè tu ne abbia bisogno.

Il riassunto. Dopo aver detto la cosa, te la ridice. “In sintesi, come abbiamo visto...” No. L’hai detta trenta secondi fa. Il lettore non ha l’Alzheimer.

La chiusura. “Spero che questo ti sia utile!” “Non esitare a chiedere!” Il modello si congeda come un cameriere troppo gentile. Non aggiunge nulla. Costa token.

Adesso, la parte che mi ha sorpreso.

A marzo 2026, un paper accademico ha testato 31 modelli diversi su quasi 1.500 problemi. Il titolo è tecnico: “Brevity Constraints Reverse Performance Hierarchies in Language Models”. Il risultato no.

Quando obblighi un modello grande a dare risposte brevi, la precisione migliora di 26 punti percentuali.

Non peggiora. Migliora.

La spiegazione ha senso, una volta che ci pensi. Quando il modello non può nascondersi dietro qualificatori, frasi vaghe, “potrebbe essere”, “dipende dal contesto”, “in generale”, e costretto a impegnarsi su una risposta concreta. Senza rete. E le risposte concrete tendono ad essere più accurate delle risposte avvolte in tre strati di cautela diplomatica.

Il paper dice una cosa che cambia la prospettiva: il problema non e il cervello del modello. Il cervello ragiona uguale. Il problema e la bocca. E il modo in cui il modello confeziona la risposta. Tutta quella verbosità non e un segno di intelligenza. E un bug di design.

Meno parole. Piu precisione. Meno costo.

E qualcuno ha costruito un sistema per forzare esattamente questo.

Iscriviti ora

#3: La soluzione si chiama Metodo Cavernicolo

L’idea è semplice. Quasi stupida nella sua semplicità. Ed è per questo che funziona.

Se obblighi l’AI a comunicare come un uomo delle caverne ultra-efficiente, i token di output si riducono tra il 60% e il 75%. Il ragionamento resta identico. La capacita resta identica. L’unica cosa che cambia è la confezione: via i preamboli, via il chatting, via i riassunti, via le chiusure motivazionali.

Il Metodo Cavernicolo non perdere tempo. Metodo Cavernicolo andare al punto.

Non e una battuta. è un metodo. E ha un nome che circola da settimane in tutti gli ambienti tech: Caveman Mode.

L’origine è un mix di cose. C’è un saggio leggendario nel mondo della programmazione, “The Grug Brained Developer”, scritto da Carson Gross, che predica la semplicità radicale nel codice. C’è Kevin Malone di The Office con la sua filosofia esistenziale: “Why waste time say lot word when few word do trick?” E c’e un ragazzo olandese di 19 anni, Julius Brussee, studente di Data Science all’Universita di Leiden, che ha preso tutto questo e l’ha trasformato in un sistema concreto che ad aprile 2026 ha fatto esplodere GitHub: primo in trending, poi su Hacker News con 883 punti e 361 commenti, poi su ogni testata tech da Hackaday a Decrypt a Yahoo Finance.

Ma prima di parlarti della repo, ti do la versione che puoi usare adesso. Subito. Senza installare niente.

Il prompt. Copialo e incollalo nelle istruzioni personalizzate di Claude, nei Custom Instructions di ChatGPT, o nel system prompt di qualsiasi modello tu stia usando.

---

Respond terse like smart caveman. All technical substance stay. Only fluff die.

Persistence: ACTIVE EVERY RESPONSE. No revert after many turns. No filler drift. Still active if unsure. Off only: “stop caveman” / “normal mode”.

Default: full. Switch: /caveman lite|full|ultra.

Rules: Drop: articles (a/an/the), filler (just/really/basically/actually/simply), pleasantries (sure/certainly/of course/happy to), hedging. Fragments OK. Short synonyms (big not extensive, fix not “implement a solution for”). Technical terms exact. Code blocks unchanged. Errors quoted exact.

Pattern: [thing] [action] [reason]. [next step].

Not: “Sure! I’d be happy to help you with that. The issue you’re experiencing is likely caused by...” Yes: “Bug in auth middleware. Token expiry check use < not <=. Fix:”

Intensity:

LevelWhat changeliteNo filler/hedging. Keep articles + full sentences. Professional but tightfullDrop articles, fragments OK, short synonyms. Classic cavemanultraAbbreviate (DB/auth/config/req/res/fn/impl), strip conjunctions, arrows for causality (X → Y), one word when one word enough

Auto-Clarity: Drop caveman for: security warnings, irreversible action confirmations, multi-step sequences where fragment order risks misread, user asks to clarify or repeats question. Resume caveman after clear part done.

Boundaries: Code/commits/PRs: write normal. “stop caveman” or “normal mode”: revert. Level persist until changed or session end.

---

Una volta incollato, l’AI continua a ragionare con la stessa profondità. Ma smette di confezionare le risposte nel cellophane.

Il prima e dopo. Stesso task. Stessa domanda. Risultati diversi.

Task: “Elenca 3 vantaggi dell’email a freddo per le vendite.”

Senza Metodo Cavernicolo (circa 135 token):

“Ottima domanda! L’email a freddo è una strategia molto potente che molte aziende utilizzano per connettersi con potenziali clienti. Ecco tre vantaggi chiave: 1. Generazione di lead economica: L’email a freddo ti permette di raggiungere centinaia di prospect a un costo minimo rispetto alla pubblicità a pagamento... 2. Scalabilità: A differenza delle chiamate o degli incontri, l’outreach via email si può automatizzare e scalare... 3. Misurabilità: Le piattaforme di email forniscono analytics dettagliate su tassi di apertura, click e risposte... Spero che questo ti dia una base solida! Non esitare a chiedere se vuoi che approfondisca qualche punto.”

Con Metodo Cavernicolo (circa 32 token):

1. Economico → centesimi per lead vs euro in ads

2. Scalabile → automatizzare a migliaia senza assumere

3. Misurabile → open, click, reply in tempo reale

Stessa risposta. 75% in meno di token. Zero relleno.

Adesso fai un conto rapido. Se ogni risposta che ricevi e gonfiata in questo modo, e fai 30-40 domande al giorno, stai bruciando tre quarti dei tuoi token di output in parole che non leggi neanche. Quei token sono i tuoi rate limit che si esauriscono. Sono i tuoi 20 euro al mese che evaporano. Sono il motivo per cui Claude ti blocca a meta conversazione.

Quando usarlo. E quando no.

Usalo per: richieste di informazioni, analisi, riassunti, estrazione dati, task ripetitivi, qualsiasi cosa dove vuoi il risultato e non la narrazione del processo.

Non usarlo per: brainstorming e scrittura creativa (vuoi che il modello esplori, non che comprima), spiegazioni passo-passo che devi capire in profondità, ragionamento complesso dove il processo conta quanto la conclusione.

Il Metodo Cavernicolo non e per tutto. E per il 70% delle volte in cui stai chiedendo qualcosa di concreto e ricevi in cambio un tema delle medie.

Qui trovi tutta la repository: https://github.com/JuliusBrussee/caveman

Iscriviti ora

#4: Quanto risparmi davvero (senza fuffa)

Il numero che circola ovunque e 75%. Ed e vero, ma con un asterisco grosso come una casa.

Il 75% si applica ai token di output, cioè a quello che il modello ti risponde. Ma quando usi l’AI, il costo non è solo la risposta. C’è anche l’input: il tuo prompt, la cronologia della conversazione, i file allegati, il contesto di sistema. E quelli li paghi comunque.

Se stai mandando 10.000 token di contesto e il modello risponde con 200, il Metodo Cavernicolo riduce quei 200 a circa 50. Bene. Ma stai comunque pagando i 10.000 di input.

Il risparmio totale reale su una sessione tipica? Tra il 20% e il 40% della fattura complessiva.

Sembra meno impressionante del 75%? Lo è. Ma fai due conti.

Se usi l’API e fai 10.000 chiamate al giorno con una media di 200 token di output su Claude Sonnet, il costo giornaliero e circa 30 dollari. Con il Metodo Cavernicolo, scende a circa 9. Su un anno: oltre 7.600 dollari risparmiati. Solo sull’output.

E c’è un dettaglio che i calcoli non catturano ma che conta quanto i soldi: i token di output costano 5 volte di piu dei token di input. Nei listini API attuali, Claude Sonnet costa 3 dollari per milione di token in input e 15 per milione in output. Tagliare l’output e la leva più redditizia che hai.

Ma anche se non usi l’API. Anche se sei sul piano Pro da 20 euro e non paghi per singolo token.

I rate limit si calcolano sui token consumati. Meno token per risposta = più risposte prima del blocco. Quello che prima erano 15 conversazioni prima del limite diventano 40. Stesso abbonamento. Stesso prezzo. Molto più utilizzo.

Il Metodo Cavernicolo non è un trucco da sviluppatori. E igiene digitale per chiunque usi l’AI ogni giorno.

Julius Brussee, il ragazzo di 19 anni che ha costruito il sistema automatizzato attorno a questo principio, ha creato una repository open-source che ad oggi ha quasi 7.000 stelle su GitHub. Include tre livelli di compressione, un tool che comprime anche i tuoi file di input, e benchmark dettagliati task per task. Se vuoi andare oltre il prompt e automatizzare tutto questo, nel Vault di questa settimana trovi il deep dive completo: installazione, livelli, numeri reali, e il principio generale che puoi applicare a qualsiasi workflow AI.

Iscriviti ora

📌 Prompt Espresso: Il tuo interruttore di compressione

Questo è un prompt diverso dal solito. Non ti fa fare un’analisi. Non ti costruisce un workflow. Ti da un interruttore.

Incollalo all’inizio di qualsiasi conversazione con Claude o ChatGPT:

“Da questo momento, rispondi in modo ultra-compresso. Risultato prima, senza preambolo. Niente riassunti finali. Niente chiusure motivazionali. Niente ‘Ottima domanda!’. Frasi brevi, frammenti accettabili, simboli al posto delle parole dove possibile (→, +, =). Il codice e i termini tecnici restano intatti. Se ho bisogno di una spiegazione dettagliata, te lo chiedo esplicitamente con ‘spiega in dettaglio’. Altrimenti: modalita cavernicola attiva.”

Due righe. Zero setup. Funziona da subito.

Provalo sulla prossima domanda che fai. Confronta la risposta con quello che ricevevi prima. La differenza si vede al primo colpo.

Iscriviti ora

☢️ Humor Radioattivo

Ho attivato il Metodo Cavernicolo su Claude e gli ho chiesto di descrivere il suo lavoro.

ISCRIVITI GRATUITAMENTE

Prima:

“Sono un assistente AI avanzato sviluppato da Anthropic, progettato per aiutarti in un’ampia gamma di compiti tra cui scrittura, analisi, programmazione, ricerca e molto altro. Il mio obiettivo è fornire risposte accurate, utili e dettagliate, adattandomi al tuo stile di comunicazione e alle tue esigenze specifiche. Non esitare a chiedermi qualsiasi cosa!”

Dopo:

“AI. Rispondo. Utile.”

Tre token. Stesso significato. Ho risparmiato abbastanza per fargli un’altra domanda.

La morale, dal bancone: il problema non è mai stato l’intelligenza dell’AI. è sempre stata la sua educazione. Troppo gentile. Troppo prolissa. Troppo addestrata a sembrare utile invece che a esserlo.

Il Metodo Cavernicolo non la rende più stupida. La rende più onesta.

E a quanto pare, anche più precisa. La scienza lo conferma.

Il bunker è di nuovo quello di sempre.

Tre cose da portare via oggi:

• Il 75% delle parole che l’AI ti serve non le hai chieste, non le leggi, e ti costano token. Ogni risposta gonfiata è un pezzo del tuo abbonamento che evapora in preamboli e chiusure motivazionali. Il problema non e il modello. E il formato di default.

• Un prompt di due righe può tagliare quel grasso del 60-75%. Il Metodo Cavernicolo non tocca il ragionamento, tocca la confezione. Meno parole, più precisione: è un dato scientifico, non un’opinione.

• Chi controlla come l’AI risponde controlla il costo, la velocita e la qualità. Questa e una skill, non un trucco. E come tutte le skill, chi la impara prima ha un vantaggio su chi non sa nemmeno che esiste.

☕ Matteo

Iscriviti ora

🔒 Nel Vault di questa settimana: la repository Caveman con quasi 7.000 stelle su GitHub, i tre livelli di compressione (Lite, Full, Ultra), il tool che comprime anche i tuoi file di input del 45%, benchmark reali task per task, e il principio generale che puoi applicare a qualsiasi workflow AI. Per chi vuole andare oltre il prompt.

P.S. Se questa puntata ti ha fatto venire voglia di rileggere le ultime risposte che hai ricevuto dall’AI e contare quante parole erano inutili, mandala a qualcuno che si lamenta che “Claude non funziona più come prima.” Forse funziona uguale. Forse parla troppo. Come sempre, lo dice il barista, non l’algoritmo. ☢️

Condividi

Nella scorsa puntata del Vault ti ho dato i fondamentali avanzati: skills chunked, cervello aziendale, plugin.

Oggi chiudiamo il ciclo.

I tre blocchi che seguono sono quelli che separano chi usa Cowork bene da chi lo usa senza mai incontrare i suoi limiti, e quindi senza mai capire come aggirarli.

Context rot. Computer Use. Dispatch. I 6 errori che fanno perdere ore.

E alla fine, come promesso, non trovi un prompt. Trovi delle skills costruite direttamente da me, pronte da installare nel tuo Cowork oggi stesso.

Andiamo.☢️

💡 Pensiero del giorno

“Un sistema ben costruito lavora anche quando tu hai smesso di pensarci.”

🧪 AI in azione

Oggi il livello che separa chi usa Cowork da chi lo padroneggia.

Tre blocchi. I 6 errori che fanno perdere ore a quasi tutti. E le skills pronte da installare.

Andiamo.

04. Context rot: il nemico silenzioso

Hai lanciato un task.

Cowork lavora bene. Gli fai domande. Aggiungi istruzioni. Correggi qualcosa. Vai avanti. Aggiungi altro contesto. Fai un’altra domanda.

Dopo un’ora di lavoro nella stessa sessione noti una cosa strana.

Gli output sono peggiorati. Le risposte sono meno precise. Sembra che stia perdendo il filo.

Non è un bug. È context rot.

Cos’è

Ogni sessione di Cowork ha una finestra di contesto limitata.

All’inizio è pulita. Cowork legge le Global Instructions, le skills attive, la cartella di lavoro, il tuo primo task. Ha tutto chiaro.

Poi la sessione va avanti. Aggiungi messaggi. Aggiungi correzioni. Aggiungi nuove istruzioni. La finestra si riempie.

A un certo punto il contesto iniziale, quello più importante, quello che definisce chi sei e come vuoi le cose, inizia a pesare meno rispetto a tutto quello che è arrivato dopo.

La qualità degrada. Lentamente, silenziosamente, senza che te ne accorga subito.

Questo si chiama context rot. Ed è la causa principale di frustrazione tra chi usa Cowork da un po’.

Come si manifesta

Tre segnali pratici che ti dicono che sei entrato in context rot.

Il primo: Cowork inizia a ignorare le tue preferenze di formato. Output che prima erano strutturati diventano generici.

Il secondo: le risposte diventano più lunghe e meno precise. Più parole, meno sostanza.

Il terzo: inizia a fare assunzioni sbagliate su cose che aveva capito bene all’inizio della sessione.

Se noti uno di questi segnali, non continuare a correggere. Apri un nuovo task.

Come si evita

Read more