Provate a mettere queste due parole nella stessa frase: Intelligenza Artificiale e coscienza, e guardate cosa succede alla faccia di chi vi sta davanti. Arriva quasi sempre una reazione fisica prima ancora che una risposta.

Poi la risposta arriva, ed è sempre la stessa: è un pappagallo stocastico, un sistema che indovina la parola successiva calcolando qual è la più probabile sulla base di tutto il testo che ha letto. Non capisce, non pensa, non sente. Fa le somme.

Ed è vero, ad oggi, senza il “però” che di solito segue mezzo secondo dopo. Solo che quella frase viene usata per chiudere il discorso, mentre è il punto esatto in cui comincia. Perché se oggi è soltanto statistica, la domanda successiva è cosa dovrebbe cambiare, di preciso, perché non lo sia più. Se la distanza fra noi e “loro” sia di grado o di natura. E lì cala il silenzio.

Non sono temi semplici, è vero, però vedendo il repentino migliormaento della tecnologia, i copiosi investimenti nel settore, ed essendo sempre stato fan dello sci-fi, queste domande mi vengono naturali.

Capita che settimana scorsa sia uscito un episodio di Diary of a CEO, in cui è presente Brian Greene, grandissimo fisico teorico della Columbia, uno dei nomi della teoria delle stringhe, ed, insieme al suo ononimo inglese Brian Cox, uno dei volti più famosi e conosciuti (meritevolmente) nell’ambito della divulgazione scientifica. Pensando di ascoltarmi 2 ore su teoria delle stringhe e buchi neri, invece positivamente sorpreso che per qualche decina di minuti si siano toccati anche temi profondi legati all’AI ed al suo posizionamento nella vita umana.

Ed è in quei venti minuti che ho trovato qualcuno che si sbilancia, con una nettezza che non mi aspettavo e che, lo dico subito, seppur completamente d’accordo, mi ha lasciato addosso una sensazione non del tutto piacevole.

IL CONTENITORE NON CONTA

Quando insisto su questa domanda con qualcuno, prima o poi arriviamo sempre nello stesso posto. Chiedo perché il silicio non potrebbe fare quello che fa un cervello, e la risposta non è mai un argomento, è una sensazione. Perché no. Perché è una macchina.

Dentro quel “perché no” c’è una convinzione che nessuno dichiara mai, e cioè che in noi ci sia qualcosa in più. Non qualcosa di più complesso, proprio di un’altra sostanza. Detta così suona filo-religiosa, e siccome quasi nessuno vuole sembrarlo, non la dice nessuno.

In realtà, se ci pensiamo e guardiamo quello che facciamo da un punto di vista un po’ più ampio, a livello di particelle, l’amore, l’ansia, la gelosia, la gratitudine, il dolore, le emozioni umane non sono nient’altro che impulsi elettrici che attraversano il nostro cervello, i nostri neuroni, le nostre sinapsi. Stiamo parlando di particelle che si muovono.

Quindi quando facciamo riferimento a Shakespeare, alla Nona di Beethoven, ai grandi artisti o alle persone che hanno avuto grandi intuizioni, ci stiamo sempre riferendo a una riduzione a segnali elettrici. Capisco che può sembrare brutale, ma effettivamente è quello che succede.

E qui la faccenda si fa interessante, perché anche un computer funziona a impulsi elettrici che corrono dentro un materiale. È lo stesso tipo di fenomeno, con un materiale diverso. Quindi quegli stessi segnali possono in teoria essere riprodotti in un contenitore che non sia il nostro cervello: del silicio, dei processori, o un materiale mezzo organico e mezzo artificiale che scopriremo fra vent’anni. Se la risposta è sì, non c’è nulla di unico in quello che facciamo o che pensiamo di poter fare. Il substrato, cioè il materiale dentro cui la faccenda accade, diventa un dettaglio.

Greene lo dice più netto: “Se hai gli stessi impulsi elettrici, e stanno dentro il silicio in una scatola di metallo, non li considero fondamentalmente diversi da quello che succede dentro le nostre teste.”

L’obiezione seria la fanno i filosofi: non basta il cervello, servono il corpo, il tatto, l’olfatto, la vista, il traffico continuo fra un organismo e il mondo attorno. La coscienza non starebbe nella testa ma nella relazione.

Ed a questo punto io dico che allora diamoglieli, diamo alle AI dei corpi che permettano loro di muoversi, afferrare, vedere, sentire, toccare, ecc.
Non è nemmeno fantascienza, è la strada su cui siamo già: i robot umanoidi di cui vi parlavo nel N°7, e i world model del N°3 , cioè sistemi addestrati sul funzionamento del mondo fisico invece che sulla disposizione delle parole. Occhi, mani, equilibrio, e una rappresentazione interna di cosa succede quando spingi una tazza.

Ho provato a trovare la falla e non l’ho trovata. E sinceramente la cosa non mi turba, ci sono arrivato tempo fa e ci ho fatto pace. Va bene, se è così che mi si definisce: siamo comunque una frazione infinitesimale dell’universo, non possiamo essere speciali quanto crediamo. O forse sì, chi lo sa.

Quello che non accetto è la mossa contraria, cioè concludere che allora ci siamo già arrivati. Perché l’intelligenza artificiale per come è fatta oggi, cioè un LLM, un modello linguistico che calcola parola dopo parola quella più probabile, il pappagallo stocastico lo è davvero. Raffinatissimo, sorprendente, utilissimo, ma quello. Il substrato non conta, ma il programma che ci gira sopra sì, e quello che gira adesso non è ancora la cosa di cui stiamo parlando.

NON ESISTE UN TEST

A questo punto la domanda diventa pratica. E chiariamo prima cosa stiamo chiedendo, perché è più stretta di quanto sembri: non riguarda quanto la macchina sia brava, riguarda se lì dentro ci sia qualcuno. Se si provi qualcosa a essere quella cosa lì.

Se un giorno succedesse davvero, come faremmo ad accorgercene? Verrebbe da pensare che esista una prova, un esame, una soglia oltre la quale si può dire di sì.

Il test di Turing che tutti noi conosciamo, per quanto possa essere romantico e nostalgico, non è assolutamente in grado di determinarlo. Tutt’ora è considerabile come obsoleto.

Non esiste, nemmeno per gli esseri umani.
E il problema non riguarda le macchine, riguarda noi. Io non posso dimostrare che tu sei cosciente, e tu non puoi dimostrarlo di me. Ce la concediamo a vicenda per somiglianza: siamo fatti allo stesso modo, apparteniamo alla stessa specie, ci muoviamo e parliamo in maniera abbastanza simile, quindi diamo per scontato che dentro l’altro succeda quello che succede dentro di noi. È tutta qui la base. Non è una prova, è un’assunzione che funziona benissimo finché resta in famiglia.

Greene la mette così: “Potrei fingere. Potrei essere uno zombie artificiale molto bravo che parla e ragiona, ma senza niente dentro. E lo stesso potrebbe valere per te.”

Con una macchina quella somiglianza salta quasi tutta. Non ha la nostra biologia, non ha la nostra storia, non è cresciuta da nessuna parte. Le resta il linguaggio, che però è esattamente il pezzo che sta imparando meglio di tutti.

Quindi la risposta alla domanda del titolo è no. Non ce ne accorgeremmo, perché non c’è niente di cui accorgersi: a un certo punto lo decideremo e basta. E lo faremo lentamente, per abitudine, senza registrare il momento preciso in cui abbiamo smesso di dire “ma dai, non è reale”.

LA SCALA A CUI GUARDIAMO

C’è un ultimo pezzo dell’intervista che con le macchine sembra non c’entrare niente, ed è quello che mi ha fatto scattare qualcosa. A un certo punto Greene dice di non credere al libero arbitrio, con alta confidenza per giunta. Il ragionamento è lo stesso di prima: siamo un ammasso di particelle a forma di uomo, quelle particelle seguono leggi che non controlliamo, quindi quando alzi la mano non sei tu che la stai alzando, ma sono le leggi della fisica che lo fanno.

Su scala Universo ha ragione. Il problema è che noi su scala Universo non ci viviamo. Viviamo su un pianeta, dentro una vita di ottant’anni, e a quel livello di decisioni libere ne prendiamo a bizzeffe.

Non è un trucco per salvarci l’orgoglio, è come funziona la fisica dappertutto.

Per esempio:
La temperatura non esiste per una singola molecola: non ha senso chiedersi quanti gradi ha una molecola d’acqua, perché la temperatura è il movimento medio di miliardi di molecole insieme. Eppure a nessuno verrebbe in mente di dire che la temperatura è un’illusione. È una proprietà vera che compare solo a un certo livello, e a quel livello è la descrizione giusta. Lo stesso vale per la pressione, per la vita, e per la mucca, che al livello delle particelle non esiste.

Ed è qui che il ragionamento si incrina, perché Greene questa mossa la fa già: quando spiega la coscienza dice che emerge quando c’è abbastanza elaborazione di informazione. Accetta che una cosa possa essere reale a un livello e assente a quello sotto. Per la decisione invece si rifiuta. Mi risponderebbe che sono due cose diverse, e forse ha ragione lui.

Però c’è la mucca. Greene è vegano dal ‘93, e quando gli fanno notare che una mucca è una configurazione di particelle esattamente come una carota, ammette: “lo so che è incoerente. Ma da essere umano lascio parlare anche le altre parti di me. Guardo quella configurazione di particelle, e mangiarla non mi sembra giusto.”

A me non sembra incoerenza. Sembra un uomo che smette di guardare dal telescopio, guarda il piatto, e cambia livello senza nemmeno accorgersene.

E vale anche per la domanda da cui siamo partiti. Su scala cosmica, chiedersi se una macchina sia cosciente è probabilmente una domanda mal posta. Su scala umana, che è l’unica in cui abitiamo, quella decisione la prenderemo davvero, avrà conseguenze, e sarà vera esattamente quanto la temperatura di questa stanza.

La fisica descrive tutti i livelli. Noi però ne abitiamo uno solo.

Ric (e Claude)

PS. Se siete arrivati fino alla fine vi ringrazio e vi faccio dei sinceri complimenti ! :)

Negli ultimi mesi, se bazzicate LinkedIn o il mondo Tech, vi sarà capitato di incrociare un ruolo lavorativo dal nome che in italiano non sapremmo nemmeno bene come tradurre: il Forward Deployed Engineer.
Le grandi aziende AI se li contendono, gli stipendi fanno notizia, e ogni settimana spunta un post che lo racconta come sia il mestiere più caldo del momento.

Sì lo so, il termine spaventa. A prima vista può sembrare l’ennesima figura iper ultra uber specializzata uscita dalla Silicon Valley. Roba futuristica di nicchia che magari fa un lavoro incredibilmente complesso, che ha a che fare con GPU e modelli di inferenza. Poi però, se andate a leggere che cosa fa questa persona e che cosa comporta questo mestiere, è tutto completamente diverso. Assomiglia parecchio a quello che io faccio normalmente quando entro in un’azienda, senza però lo stipendio della Silicon Valley o tutto l’hype che c’è attorno al ruolo. (E su quello non ci piove)

Io partirei da qua, perché quando si parla di intelligenza artificiale c’è sempre questa aura di paura intorno alla sostituzione lavorativa, che è una cosa che dobbiamo dircela vera (Si, sta succedendo). L’abbiamo visto con tutte le rivoluzioni tecnologiche. Vi invito a leggervi Dalla Zucchina all’Intelligenza Artificiale (Oltre il Prompt N°6), dove parliamo delle rivoluzioni tecnologiche.

Però non si parla mai dei lavori che l’intelligenza artificiale sta creando. E in questo numero esploreremo proprio quello.

LA FOTOGRAFIA

Per capire quali sono questi lavori, e perché stanno nascendo proprio adesso, partiamo da una fotografia. È quella che ho davanti agli occhi praticamente ogni volta che entro in un’azienda o in un aula.

Gli strumenti AI non sono mai stati così potenti e così facili da provare. Aprite ChatGPT, vi loggate, iniziate a scrivere: in trenta secondi siete operativi. E negli ultimi mesi hanno imparato pure a fare cose da soli, dentro il vostro ambiente di lavoro (Vedi Oltre il Prompt N°5). La tecnologia, insomma, è lì, a disposizione di chiunque, più che mai.

Eppure, dentro le aziende, il valore fatica a materializzarsi. C’è una distanza enorme tra “ho provato ChatGPT e mi è piaciuto” e “ho cambiato il modo in cui il mio ufficio acquisti lavora ogni giorno”. In mezzo a quelle due frasi c’è un lavoro intero, ed è lì che quasi tutto si inceppa.

Perché lo strumento da solo non basta. Bisogna capire quale processo ha senso toccare per primo, e quale invece lasciare stare. Bisogna collegarlo ai dati e ai sistemi che l’azienda già usa. Bisogna convincere le persone, gestire le resistenze, costruire qualcosa che regga anche quando il consulente esce dalla porta. È questo il vero collo di bottiglia, non la potenza del modello, non l’accessibilità alla tecnologia, che è di fatto, ormai, una commodity.

E la cosa interessante è che l’hanno capito anche proprio quelli che l’AI la costruiscono. Le grandi aziende del settore, OpenAI, Anthropic, e prima ancora Palantir (azienda americana di software per l’analisi dati, molto legata al settore difesa e intelligence), hanno smesso da un pezzo di limitarsi a vendere un accesso, uno strumento o un prodotto e aspettare. Hanno iniziato a mandare le proprie persone dentro le aziende clienti, a sedersi accanto a chi quello strumento lo userà operativamente ogni giorno, a farlo funzionare sul posto.

Milano compresa: anche qui da noi stanno nascendo squadre che fanno esattamente questo (Vedi Data Pizza e altre grandi realtà di AI Transformation).

Ed è da un bisogno molto concreto questo.

LA MAPPA DEI NUOVI RUOLI

Intorno a questo bisogno si è formata in pochissimo tempo una piccola costellazione di mestieri. Ve ne presento i principali, dal più appariscente al più silenzioso.

Il più appariscente arriva dal lato di chi l’AI la costruisce: il Forward Deployed Engineer, nato in Palantir e diventato la figura più contesa del momento. Poi ci sono i mestieri di chi entra nelle aziende per farla atterrare: l’AI Transformation Specialist, che disegna la strategia complessiva, l’AI Adoption Specialist, che la cala nei processi di tutti i giorni, e il Formatore AI, che porta a bordo le persone. E infine c’è chi cresce dall’interno, senza arrivare da fuori: l’AI Champion, o Ambassador, quella figura di cui vi parlavo già nel N°2 (Oltre il Prompt N°2).

Li vediamo adesso uno per uno: cosa fanno davvero, e a chi servono.

FORWARD DEPLOYED ENGINEER

È la punta della costellazione, quella di cui parlano tutti. Nasce in Palantir, che su questo modello ha costruito un’azienda da miliardi, e con l’esplosione dell’AI è diventato il ruolo più conteso del momento. Il lavoro in soldoni: un modello come ChatGPT è materia prima grezza, potente ma generica. Il FDE (Forward Deployed Engineer) è l'ingegnere che si trasferisce dentro l'azienda cliente, ne studia i problemi concreti e su quel modello costruisce l'applicazione vera, quella che una banca o un ospedale possono mettere in produzione, con i dati giusti, la sicurezza e le integrazioni coi sistemi che già usano. Il nome stesso lo dice: schierato sul campo, non in sede. Metà ingegnere che scrive il codice, metà consulente che capisce il business, ed è proprio questo mix a renderlo così difficile da trovare, e così ben pagato.
Quanto conta? Nell’ultimo anno gli annunci per questo ruolo sono cresciuti di circa l’800%, e a Maggio 2026 OpenAI ha aperto una divisione dedicata solo a questo, “The Deployment Company”. Gli stipendi danno la misura dell’urgenza: in Palantir si parte intorno ai 200k dollari l’anno, nelle grandi aziende AI si superano i 400k.
Anche qui in Italia si vedono sempre più spesso annunci per questa figura, soprattutto in aziende di consulenza o AI Transformation.

AI TRANSFORMATION SPECIALIST

Lavora un gradino più in alto, sulla regia. Non si occupa di un singolo processo, ma di come l’intera azienda adotta l’AI: quali aree far partire per prime, come governare dati e sicurezza, come tenere insieme strategia, visione, persone e tecnologia mentre tutto cambia. È la figura che traduce “vogliamo usare l’AI” in un piano che sta in piedi, con priorità, tempi e responsabilità. In Italia è il terreno su cui si sono strutturate realtà come DataPizza e YellowTech, ma è anche un ruolo che le aziende più grandi iniziano a internalizzare, con tanto di titolo sul biglietto da visita.

AI ADOPTION SPECIALIST

Qui mi fermo un attimo in più, perché è il mestiere che faccio io, ed è anche quello che le aziende italiane sottovalutano di più. Se il Transformation Specialist disegna la mappa, l’Adoption Specialist è quello che cammina sul terreno, mo ve lo speigo.
Entro in azienda, guardo come si lavora in quello specifico ambiente, e cerco il punto preciso dove l’AI può togliere attrito senza stravolgere tutto. Parto sempre dal processo che fa perdere più tempo alle persone, non dallo strumento più potente. Poi lo riprogetto insieme a loro, lo collego ai dati che già hanno, e costruisco qualcosa che continui a funzionare anche quando io sono uscito dalla porta. È un lavoro fatto di poca teoria e molto ascolto: capire le resistenze, trovare l’alleato giusto, portare un primo risultato concreto prima ancora di pronunciare le parole “strategia AI”. Perché l’adozione vera si costruisce così, un processo e una persona alla volta, lontano dalle slide e dagli annunci. È meno appariscente del Forward Deployed Engineer, e quasi nessuno ne parla. Eppure è il ruolo che, nove volte su dieci, fa la differenza tra un’azienda che ha cambiato davvero il suo modo di lavorare e una che ha fatto due esperimenti e poi è tornata come prima.

FORMATORE AI

È chi porta le persone a bordo. Mentre gli altri lavorano su processi, applicazioni e strategie, lui lavora sulle persone: insegna a usare gli strumenti, parte dalle basi, smonta le paure e accompagna chi non ha mai aperto un chatbot fino al primo “ah, ma allora lo posso usare anch’io”. È il lavoro che fa la differenza tra una licenza pagata e una licenza davvero usata. Lo avete già visto: nel N°6 (Oltre il Prompt N°6) vi ho raccontato cosa succede in cinquanta minuti di laboratorio, quando le facce in aula cambiano di colpo. Quello è il Formatore AI al lavoro.

AI CHAMPION / AI AMBASSADOR

È l’unico che nasce dentro l’azienda, invece di entrarci da fuori. È il collega curioso, smanettone, quello che aveva già provato gli strumenti per conto suo, e che a un certo punto riceve un mandato (volente o nolente): diventare il riferimento interno per la popolazione aziendale. Costruisce piccoli strumenti per i colleghi, li affianca nei primi passi, raccoglie i feedback e li riporta a chi decide. Non forma in aula come un formatore AI ma opera alla scrivania accanto, persona per persona. Ne ho parlato diffusamente nel N°2 (Oltre il Prompt N°2), come evoluzione naturale del “pioniere isolato” che troppe aziende lasciano solo.

Se torno alla paura da cui siamo partiti, quella della sostituzione, mi accorgo di una cosa. Tutti i mestieri che abbiamo visto hanno un tratto in comune, e sorprende: nessuno è un lavoro solitario da fare davanti a uno schermo. Sono fatti di persone, di ascolto, di traduzione, di accompagnamento, di pazienza nel far capire. L’AI, mentre toglie i compiti ripetitivi, sta creando lavori in cui la parte più umana conta più che mai.

Quindi sì, alcuni lavori cambieranno e altri spariranno, su questo non ci raccontiamo storie. Ma intanto ne stanno nascendo di nuovi, e cercano proprio le competenze che a un algoritmo mancano. La domanda da farsi non è più soltanto “l’AI mi sostituirà?”, ma anche “quale di questi mestieri voglio imparare, o portare nella mia azienda?”.

Costruire l’AI è il lavoro di pochi. Farla funzionare è il lavoro di tutti gli altri.

Ric

PS:

E se leggendo l’AI Adoption Specialist avete pensato “ecco, è questo che mi serve”, sappiate che è esattamente il lavoro che faccio con le aziende.
Scrivetemi a riccardo@celottoconsulting.com, o prenota una call direttamente.

(QUESTO NUMERO E’ BELLO LUNGO, PREPARATEVI :) )

Il punto di contatto tra i due settori è stato soprattutto Elon Musk, che si è ritrovato con un piede in entrambi i mondi: cofondatore di OpenAI nel 2015 e fondatore di xAI nel 2023. Se dovessimo andare ancora più indietro, c’è anche Tesla con l’autopilot. Ma negli ultimi mesi questa danza è diventata fusione: i due settori si sono ufficialmente incrociati.

Questo è successo anche questa settimana, con l’ultimo caso eclatante. Vale la pena raccontare come questi due mondi si sono incrociati, perché il filo è più lungo di quanto sembri.

OpenAI, ricordo a tutti, nasce nel 2015, e tra le persone che la fondano c’è Elon Musk. Lui, insieme a Sam Altman, la impostatarono come laboratorio di ricerca per mettere l’intelligenza artificiale a disposizione del mondo. Nascendo come entità non-profit. Elon Musk mise il grano. Sam Altman il cervello e il know-how da startup.

Tre anni dopo Elon Musk esce sbattendo la porta. Perché? Perché non c’era più allineamento di mission e di vision. (PS. E parlando di come è finito il rapporto tra Elon e Sam, proprio ieri arrivano novità da Oakland: la giuria ha respinto definitivamente la causa da 150 miliardi che Musk aveva portato contro OpenAI.)

Nel 2023, dopo questo salto, Musk rientra nel mondo dell’AI fondando xAI. Ed è con xAI che la fusione tra spazio e intelligenza artificiale si fa, in casa Musk, definitiva. xAI, va detto, è la startup AI più rapida nella crescita mai vista. Ha infranto record uno dietro l’altro: pochissimi mesi per sviluppare un modello che compete senza problemi con i principali laboratori di ricerca al mondo, e fino allo scorso anno il data center più grande e potente del pianeta, il Colossus di Memphis con oltre centomila GPU Nvidia H100 e H200, assemblato in soli 122 giorni. Per dare il senso del numero, l’amministratore delegato di Nvidia comunicò che un progetto di quella scala richiederebbe in media quattro anni.

E qui capite che il filo comincia a stringersi.

Nel marzo 2025 succede quello che tutti un po’ si aspettavano. Ma forse neanche troppi. xAI, la società che sviluppa Grok, compra X (ex Twitter). E pochi mesi dopo, a febbraio 2026, SpaceX, società che vi ricordo LANCIA RAZZI NELLO SPAZIO si prende l’intero pacchetto: xAI, madre di Grok con l’ex Twitter appena acquisita. Tutto dentro un’unica azienda.

E quindi capite che in quel caso i fili, o meglio il filo, è diventato uno. Musk ha Tesla che fa auto, ma anche robot (Linea Optimus), ha xAI con Grok come modello di intelligenza artificiale, ha X, l’ex Twitter, social network ed infine ha SpaceX, l’azienda che lancia razzi spaziali. Tutto questo potrebbe vedersi come mossa strategica in vista dell’IPO di giugno 2026, e lo è, ma in realtà anche per necessità.

Quindi cosa è successo nell’ultimo periodo che mi ha portato a scrivere questo numero della newsletter? Il 7 maggio anche un’altra azienda esterna al mondo Musk entra un po’ nello stesso disegno. E questa azienda è Anthropic.

Anthropic la conosciamo tutti. È la mamma di Claude, di Claude Code e di Cowork. Strumenti sulla bocca di tutti gli smanettoni AI in questo momento. Sappiamo anche come è nata, no? I fratelli Amodei lavoravano per OpenAI, poi sono usciti e hanno fondato la propria startup, che adesso è il principale competitor di OpenAI.

Ma quindi Anthropic e SpaceX, perché sono insieme? Cosa hanno da spartire? Una fa intelligenza artificiale. L’altra faceva razzi, adesso fa AI anche lei. Una cosa sola, ma grossa: i data center. O meglio, la potenza di calcolo.

Anthropic, con la crescita di utenti paganti e non paganti, ha bisogno di accedere a molta più potenza di calcolo. E xAI, come sappiamo, è molto brava a costruire data center. Questo a breve termine. L’accordo tra le due aziende garantisce ad Antrhopic 300 megawatts di Compute Power.

A medio e lungo termine, c’è qualcosa di più: portare i data center fuori dalla Terra, in orbita bassa. Quindi provi a tirare il filo e si aprono varie domande. Perché SpaceX, che fa razzi, è diventata il partner naturale di un’azienda AI? Cosa cerca davvero Anthropic? E perché proprio lo spazio potrebbe, forse dovrebbe, essere la direzione giusta dell’AI?

Andiamo nell’ordine.

Perché in orbita ha senso

A prima vista è fanstascienza. Mettere i data center in orbita? Davvero, quando in giro per il mondo se ne stanno costruendo migliaia in modo molto più tradizionale?

Eppure i conti, per chi li ha visti, tornano. E i conti li hanno visti più o meno tutti i grandi laboratori AI degli ultimi due anni, perché lo spazio sta diventando un’opzione concreta sul tavolo.

Le ragioni sono tre, e sono molto pratiche.

• La prima è l’energia. Un pannello solare in orbita bassa, come quelli che alimentano i circa diecimila satelliti Starlink di SpaceX, riceve circa cinque volte l’energia di un pannello a Terra. Niente atmosfera, niente meteo, niente nuvole, niente pioggia, niente polvere: luce piena per buona parte di ogni orbita, dodici mesi l’anno. E c’è un secondo fattore che spesso non si racconta. Nello spazio si possono usare materiali per i pannelli che a Terra non si usano, perché troppo costosi e poco resistenti agli agenti atmosferici, che raggiungono tassi di conversione del 40-45%, più del doppio del 20% scarso dei pannelli al silicio che vediamo sui tetti di casa. E l’energia, per un data center AI, è il vincolo numero uno. Il Colossus di Memphis di cui parlavamo prima brucia circa 250 megawatt facendo lavorare 35 turbine a gas messe lì in fretta perché la rete elettrica locale da sola non bastava. Per dare l’idea: abbastanza energia da alimentare 300.000 case americane.

  

• La seconda è il raffreddamento. Le GPU hanno un problema simile a quello di un motore da Formula 1: quando lavorano a pieno carico si surriscaldano in fretta, e il calore va dissipato. A Terra si usano sistemi a liquido e torri di raffreddamento, che richiedono enormi quantità di acqua. Memphis stessa è un esempio eclatante, con proteste, cause legali e tensioni con le comunità locali sull’uso del Mississippi. Nel vuoto dello spazio, invece, il calore può essere irradiato per via passiva. Niente acqua, niente conflitti.

• La terza è la cost-curve dei lanci. Storicamente mettere un chilo di carico in orbita costava decine di migliaia di dollari. Con il Falcon 9 di SpaceX siamo scesi sotto i tremila. Con Starship si parla di duecento dollari al chilo, forse meno. Significa che da “follia economica” lo spazio sta passando a “opzione plausibile”. E il lancio in programma per stanotte 21 maggio, è proprio il primo volo della versione V3 di Starship, quella che SpaceX stessa indica come la “production rocket” del futuro, dichiarando esplicitamente tra gli obiettivi della V3 i “data center orbitali”.

Non si tratta di una visione lontana: è scritto nella documentazione tecnica del prossimo lancio.

Da Marte a Luna

Per anni la narrativa di Musk è stata una sola: Marte.

Una città di un milione di persone sul pianeta rosso, una colonia autosufficiente, il backup della specie umana fuori dalla Terra. Una storia che ha portato SpaceX a essere quella che è oggi.

Ma nei primi mesi del 2026 qualcosa è cambiato. Il 9 febbraio Musk annuncia ufficialmente una svolta: SpaceX si concentrerà sulla Luna, non più solo su Marte. “Una città sulla Luna entro un decennio” è il nuovo obiettivo dichiarato. Pochi giorni dopo, anche NASA dà il secondo segnale: il 19 marzo aumenta il ruolo di Starship nel programma Artemis, a scapito del concorrente Boeing.

Capite che il pivot non è una improvvisato, ma una mossa coordinata.

Perché la Luna invece di Marte? Le ragioni, sempre molto pratiche, sono tre.

• La prima è la distanza. Un viaggio per Marte dura sei-otto mesi solo all’andata, con finestre di lancio che si aprono ogni due anni. Sulla Luna ci si va in tre giorni, in qualsiasi momento dell’anno. Per testare e iterare un sistema così complesso come Starship, la differenza è enorme. Per arrivare al lancio di dopodomani SpaceX ha già completato undici voli di test in poco più di tre anni, in media uno ogni tre mesi. Provate ad applicare la stessa cadenza alle finestre di lancio marziane, che si aprono ogni ventisei mesi: gli stessi undici voli avrebbero richiesto oltre vent’anni. Senza la Luna a fare da palestra, Starship non maturerebbe mai.

• La seconda è Artemis. NASA paga davvero, e paga bene. Il contratto HLS (Human Landing System) di SpaceX vale miliardi di dollari, con Artemis III fissato per fine 2027 (test di docking in orbita terrestre) e Artemis IV per il 2028, che sarà il primo vero allunaggio con equipaggio dopo più di cinquant’anni. SpaceX svilupperà la versione lunare di Starship, già soprannominata Moonship.

• La terza ragione è quella che ci interessa di più, e si collega a tutto quello che abbiamo detto prima. La Luna come base industriale. Nei documenti di SpaceX e NASA si parla apertamente di autonomous factories sulla superficie lunare: stabilimenti automatizzati che producono satelliti, componenti, e in prospettiva moduli di data center, usando i materiali locali. Lanciare un satellite dalla Luna costa una frazione di lanciarlo dalla Terra (gravità sei volte inferiore, niente atmosfera). E la Luna ha materiali utili: regolite, silicio, ferro, e perfino acqua ghiacciata nei poli.

Manca un pezzo, la manodopera, e qui entra in scena un altro elemento della galassia Musk: Optimus, il robot umanoide di Tesla. Optimus non dorme, non mangia, non respira, sopporta il freddo lunare, lavora ventiquattro ore al giorno. Tesla ha appena installato a Fremont la prima linea di produzione, dimensionata su un milione di unità all’anno, e ne sta preparando una seconda a Giga Texas che dal 2027 punta a dieci milioni. La definizione che Musk gli ha appiccicato addosso è quella di “macchina di Von Neumann”: un robot capace, in teoria, di costruire una civiltà su qualsiasi pianeta abitabile usando i materiali che trova sul posto.

In altre parole, se davvero vuoi mettere i data center in orbita su larga scala, la Luna è il magazzino più vicino dove ti conviene andare a prendere i pezzi. Ed è per questo, alla fine, che Marte può aspettare.

E quindi, è lo spazio la direzione giusta?

Torniamo alla domanda di partenza.

Tecnicamente sì, i conti tornano. Energia in abbondanza, raffreddamento naturale, costi di lancio in caduta, una Luna a portata di mano da usare come laboratorio. Se l’AI continua a crescere alla velocità a cui sta crescendo, lo spazio non è una fuga in avanti: è la risposta più razionale al problema dell’infrastruttura.

Però c’è una seconda domanda dentro la prima. “Giusta” non vuol dire solo “tecnicamente fattibile”: vuol dire anche “verso chi”.

Se i data center finiscono in orbita, e se SpaceX continua a essere l’unica realtà che sa farli arrivare lassù a costi sostenibili, allora un singolo attore privato si troverebbe a controllare cinque cose tutte insieme: i razzi per portarli su, l’orbita per metterli, l’AI che gira al loro interno (Grok), il social network attraverso cui passa metà della conversazione pubblica mondiale (X), e i robot che ci lavorano (Optimus). Cinque pezzi che storicamente sono stati controllati da Stati, consorzi, o aziende diverse in competizione tra loro.

E non è una preoccupazione astratta, è già il presente: anche Anthropic, uno dei principali competitor di Musk nel settore AI, oggi noleggia compute da xAI/SpaceX a Memphis. Lo fa per una ragione semplice: chi vuole scalare un’AI seria, in questo momento, non ha molte alternative.

E noi, in tutto questo? Noi siamo gli utenti finali. Quelli che usano Claude per scrivere un report, Grok per cercare un’informazione, X per leggere le notizie, e che fra cinque o dieci anni magari useranno servizi AI che girano fisicamente in orbita bassa.

Detto questo, fermarsi alla preoccupazione non sarebbe onesto. Stiamo vivendo uno dei periodi più straordinari della storia dell’innovazione umana. L’ingegneria di SpaceX è al livello più alto mai visto. Le scoperte scientifiche di questi mesi, dalle biotecnologie all’astrofisica, hanno una densità che pochi periodi storici hanno conosciuto.

E Musk, con tutta la galassia che ha messo insieme, è oggi nelle migliori condizioni per farci fare dei salti che, divisi tra tante aziende e tanti Stati, non avremmo mai fatto. La possibilità di un’AI orbitale, il ritorno sulla Luna dopo cinquant’anni, la caduta dei costi di lancio: sono tutte rivoluzioni reali. Marte, magari, non lo vedremo subito, ma stiamo posando basi serie e durature.

Sul piano tecnico Musk ce la farà, e la domanda vera diventa come deciderà di usare quello che sta costruendo. Ha in mano un potere che pochi attori privati nella storia hanno mai avuto. Sta a lui, e a chi gli sta intorno, decidere se usarlo per allargare le possibilità dell’umanità o per restringerle. La speranza, e ce la possiamo permettere, è che scelga la prima strada.

Stanotte Starship V3 partirà da Boca Chica. Lo guarderò in diretta, come sempre, con stupore e con un occhio attento al come.

Ric

(Grazie per la lettura)

È più o meno il dialogo che potresti aver sentito diecimila anni fa, da qualche parte tra il Tigri e l’Eufrate, se fossi stato uno dei primi esseri umani a smettere di vagare e a provare a coltivare. Quelli che ti dicevano questa frase erano i tuoi genitori nomadi, uomini cacciatori e donne raccoglitrici di lunga tradizione. Non avevano alcuna intenzione di fermarsi. Per loro, tu eri uno scansafatiche, uno che stava tradendo lo spirito della tribù.

Solo che in realtà non stavi tradendo niente: stavi inventando l’agricoltura. E con lei, nei millenni successivi, le città, la scrittura, la civiltà.

La Morale è che pure 10mila anni fa i figli se le sentivano dai genitori :)

Questa scena me l’ha raccontata Massimo Temporelli, fisico e divulgatore, dal palco del Future Factory Forum di Richmond Italia, la settimana scorsa. L’ha usata per ricordare una cosa semplice: la tecnologia non è solo il software. È anche la moka del caffè, è il cacciavite, è ogni oggetto che abbiamo costruito da migliaia di anni per estendere quello che il nostro corpo sa già fare. E ogni volta che è arrivato un grande salto tecnologico, dai motori a vapore fino all’AI, è sempre successa la stessa cosa: una parte del gruppo si lancia, un’altra parte frena.

Quei nomadi che chiamavano scansafatiche i loro figli erano i primi tecnoresistenti della storia umana, e il primo sistema frenante di un’evoluzione che andava sempre più veloce. Senza i freni, ha detto Temporelli, le auto sbattono alla prima curva.

È un racconto bellissimo, e Temporelli lo fa molto bene.

Poi ho fatto cinque metri, sono uscito dalla plenaria, sono entrato nell’aula del laboratorio. Lì la stessa storia, vista da vicino, era un’altra cosa.

Cinque metri sopra la plenaria

I forum Richmond sono uno dei format di eventi business più consolidati in Italia. Funzionano in due tempi: da un lato speech e tavole rotonde, dove si parla di tendenze, di scenari, di numeri di settore. dall’altro sessioni “speed dating” business e momenti di networking strutturato. Ogni edizione è dedicata a una funzione aziendale specifica: HR, facility, E-Commerce, AI, Finance, Procurement, ecc.

L’AI Practice Lab è uno di questi speech. È quello che curo io, insieme a Richmond, Alberto Mattiello e Domenico M. Jacobone da qualche mese. La logica è semplice: diversi manager in una stanza, davanti a un computer ciascuno, che provano in concreto strumenti AI applicati al loro mestiere. Niente teoria, niente roadmap aziendali, niente “cos’è il prompt engineering”. Apri il computer, scopri lo strumento, segui lo scenario che hai davanti, prova.

50 minuti, due strumenti, due esercizi. All’inizio del laboratorio i partecipanti sanno che cos’è ChatGPT o Copilot (di solito) e poco altro. Alla fine hanno costruito qualcosa: un knowledge base interrogabile, un’app cliccabile, una dashboard per il loro reparto. Cose che il giorno prima erano fuori dal loro orizzonte.

Il mio ruolo è quello del facilitatore che apre la sessione, racconta gli scenari, mostra dove stiamo andando, e poi accompagna i tavoli mentre lavorano. Si parte tutti dalla stessa pagina, si arriva in posti molto diversi. Quello che succede in mezzo è la parte interessante.

Quello che succede dall’altra parte

Apro l’AI Practice Lab con una domanda standard: alzate la mano se conoscete NotebookLM. Su decine di partecipanti, in tre eventi diversi, le mani che si alzano in totale sono meno di dieci.

Le altre mani restano giù. E sono mani che gestiscono cose serie: 16.000 metri quadri di stabilimento, 600 persone di un’azienda manifatturiera, conti economici da decine di milioni, audit, certificazioni, piani di manutenzione.

Sono i freni di cui parlava Temporelli. Chi non alza la mano vive un calendario in cui esplorare uno strumento nuovo è l’ultima delle priorità. ChatGPT è entrato di prepotenza nel flusso quotidiano via WhatsApp, via colleghi, via figli a casa, ma NotebookLM, Replit, e le decine di altri strumenti che chi vive nel mondo AI a tempo pieno considera scontati, sono semplicemente un altro pianeta.

Poi però partono i 50 minuti. E quello che racconto qui sotto è successo davvero, in tre forum consecutivi, con tre target completamente diversi.

Facility Forum.

Carichiamo nel notebook 12 documenti reali di uno stabilimento di Modena: verbali dei Vigili del Fuoco, scadenzari delle certificazioni, contratti di manutenzione. La domanda è la stessa che farebbe un Head of Facility il lunedì mattina: «Quali prescrizioni VVF sono ancora aperte e quando scadono?». La risposta arriva in trenta secondi, con citazione precisa di pagina e paragrafo. Poi diventa un audio di otto minuti, pronto da ascoltare in macchina. Poi una mappa mentale. Poi 25 minuti su Replit per costruire una dashboard scadenze con 32 certificazioni e 15 contratti veri, filtri per sede, semaforo rosso/giallo/verde.

Future Factory Forum.

Cambia il target ma non cambia il metodo. Su NotebookLM affrontiamo uno scenario di Operations: capire la causa del basso OEE sulla Linea 3, verificare se le azioni correttive dell’ultimo audit ISO sono state chiuse entro scadenza, leggere e sintetizzare il capitolato di una gara MES da 420.000 euro. Su Replit, un calcolatore del Set-up Time di una linea: Descrivi la linea con tutte le sue stats, poi si definisce quelle che sono le variabili modificabili ad alto impatto, dopodichè abbiamo il nostro simulatore.

E-Commerce Forum.

Nel notebook carichiamo dodici documenti che fotografano un caso scottante per chi lavora online: il tasso di reso su una linea moda donna che sta esplodendo. Report ordini, ticket di customer care, recensioni di sessanta giorni, NPS post-reso, schede prodotto, comunicazione con il fornitore tessuti su un lotto sospetto, report resi del marketplace, policy interna, perfino l’estratto del Codice del Consumo. La domanda è quella che un E-Commerce Manager si fa la prima settimana di ogni mese: «Quali sono le cause principali dei resi, e ci sono pattern per taglia, lotto o canale?». NotebookLM cita riga per riga i ticket e fa emergere i pattern dalle recensioni. Su Replit una dashboard per visualizzare dinamicamente queste info.

Le facce in aula cambiano, e cambiano di colpo. C’è un momento, di solito intorno al ventesimo minuto, in cui qualcuno solleva lo sguardo dal computer e guarda il collega, come per chiedere “ma questa cosa esiste già? Tu lo sapevi?”

Alla fine dei 50 minuti non hanno svoltato vita, ma sono usciti diversi da come sono entrati. Quello che per loro era un freno preciso e legittimo,in 50 minuti era diventato una direzione di marcia.

Cinquanta minuti di acceleratore

I nomadi che chiamavano scansafatiche i loro figli avevano torto e ragione allo stesso tempo: torto sul giudizio, perché quei figli sedentari stavano costruendo le città, la scrittura, il mondo che noi viviamo, e ragione sull’istinto, perché senza qualcuno che frena, qualunque rivoluzione tecnologica rischia di travolgere chi la subisce.

I manager italiani che ho incontrato a Richmond la settimana scorsa erano un mix delle due posizioni. C’erano i freni, persone che gestiscono cose serie e non si fanno travolgere dalla prima novità, e c’erano gli innovatori, quelli che stavano già usando (o meglio provandoci) NotebookLM, Claude, Replit per loro conto. In ogni evento questi ultimi li ho contati su una mano, ma c’erano. E in ogni sala, dopo cinquanta minuti di laboratorio, la distanza tra le due posizioni si era ridotta parecchio.

Questo è esattamente quello che è successo diecimila anni fa, quando una parte del gruppo ha continuato a cacciare e una parte ha deciso di piantare. Per qualche generazione i due gruppi si sono guardati con sospetto. Poi anche i nomadi si sono fermati. Le rivoluzioni tecnologiche funzionano così: hanno bisogno di entrambi i tipi di persone, e il punto di equilibrio si sposta nel tempo.

Quello che ho imparato in questi giorni di laboratorio è che a volte basta fermarsi cinquanta minuti, davanti a un computer, con due strumenti aperti e uno scenario reale, perché quel punto di equilibrio si sposti un po’ più in fretta.

Cinquanta minuti, due strumenti, un computer aperto. È poco, ed è quello di cui le aziende italiane hanno più bisogno adesso.

Se ti riconosci in questa fotografia, da una parte o dall’altra, o se hai voglia di portare l’AI Practice Lab nella tua azienda, scrivimi a riccardo@celottoconsulting.com o prenota una call: https://cal.com/celottoconsulting/30min

Ric

NON E’ PIU’ UN CHATBOT. E SPIEGARLO E’ DIVENTATO UN CASINO

A dicembre 2025 la prima cosa che ho chiesto a Claude Code è stata di riordinare il desktop e le cartelle.

Non è stata una scelta particolarmente ambiziosa. Il mio desktop era un disastro, come lo è quello della maggior parte delle persone che conosco, e volevo vedere cosa succedeva. Stavo guardando lo schermo quando i file hanno iniziato a spostarsi. Le cartelle si creavano, i documenti sparivano dalla scrivania e riapparivano al loro posto, ordinati, rinominati, dentro una struttura che non avevo costruito io.

In quel momento nel mio cervello stava succedendo qualcosa. Quell’effetto che si prova quando si collegano i puntini, quando capisci che quello che stai guardando non è quello che pensavi fosse.

Il chatbot che conoscevo era un motore a vapore. Quello che avevo davanti era full electric.

Per la prima volta l’AI stava interagendo con il mio ambiente, con i miei file, con il mio mondo digitale, al di fuori del contenitore chatbot. Avevamo appena dato braccia e gambe virtuali a un supercervello, che fino a quel momento era rimasto fermo dietro uno schermo ad aspettare che gli portassimo le cose da leggere.

Il pensiero “e se mi resetta l’hard disk” c’era, lo ammetto. Ma neanche troppo. Siamo pionieri. Bisogna rischiare.

A febbraio ho riprovato con Claude Cowork. In due mesi il desktop era già tornato un immondezzaio.

PRIMA DI ANDARE AVANTI. COS’E’ CALUDE CODE/COWORK?

Claude Code e Claude Cowork sono due strumenti di Anthropic, la stessa azienda che produce Claude, il chatbot. Ma non sono chatbot.

Claude Code è un agente che lavora direttamente sul tuo computer. Vede le cartelle, legge i file, esegue operazioni reali nel tuo ambiente senza che tu debba caricare niente da nessuna parte. Si usa da desktop o da terminale.

Claude Cowork è la versione più recente dello stesso concetto, pensata per essere più accessibile. Stessa logica: l’AI non sta dentro una finestra del browser ad aspettare. Sta nel tuo desktop, con accesso agli strumenti che usi ogni giorno.

Da qui in poi, quando parlo di sistemi agentici, parlo di questo.

LO SWITCH

Per anni abbiamo usato l’AI come si usa un bancone. Tu porti la roba, la metti sul piano, l’AI la lavora, te la restituisce. Testi, prompt, file caricati manualmente, risposte copiate e incollate da qualche parte. Lo strumento stava fermo al suo posto e sei tu che ti muovevi intorno a lui.

I sistemi agentici funzionano diversamente. Sono loro che si muovono.

Un agente AI come Claude Code/Cowork vede le tue cartelle, apre i tuoi file, modifica documenti reali già nella loro posizione. Può mandare un messaggio su Slack, committare codice su GitHub, disegnare schemi su Miro, rispondere a una mail. Non ha bisogno che tu gli porti le cose, perché ha accesso diretto al tuo ambiente di lavoro. È la differenza tra avere un assistente che lavora nella stessa stanza e uno a cui devi sempre mandare tutto via email.

La metafora che mi viene in mente è Jarvis, il sistema di Iron Man. Quello che sa già dove sei, cosa stai facendo, a cosa stai lavorando, e agisce di conseguenza.

Ovviamente non siamo ancora lì, e la memoria rimane il limite principale: più contesto si accumula, più degrada. Ma anche in questo “piccolo per ora”, la differenza rispetto a un charbot è enorme.

Vi faccio un esempio. La scorsa settimana ho calendarizzato slot per impegni distribuiti in tre mesi incrociando trasferte, treni e disponibilità, partendo da una mail con una lista di date, arrivando a produrre un Excel condiviso. Tutto con un paio di prompt e Claude che girava nel mio PC a pescarsi le risorse, usando anche Google Chrome per guardare i treni. Direi almeno un paio d’ore risparmiate, e un mal di testa in meno.

MA OPENCLAW ALLORA? NON E’ MEGLIO?

Mentre Claude Code e Cowork prendevano piede, nel novembre 2025 compariva su GitHub un progetto che in poche settimane è diventato uno dei più discussi nel mondo AI. Si chiama OpenClaw, lo ha creato Peter Steinberger, uno sviluppatore austriaco, partendo da un’idea semplice: un assistente personale open source che gira sul tuo hardware e si controlla via WhatsApp, Telegram o Slack.

La storia del nome è simpatica. Si chiamava Clawdbot, un omaggio a Claude di Anthropic. Anthropic gli ha mandato una diffida per violazione di marchio. È diventato Moltbot. Tre giorni dopo, perché il nome “non suonava bene”, è diventato OpenClaw. Il logo è un’aragosta. Nel febbraio 2026, quando il progetto aveva già superato 240.000 stelle su GitHub, uno dei repository open source cresciuti più velocemente nella storia della piattaforma, Steinberger ha annunciato che avrebbe lasciato tutto per entrare in OpenAI.

Potente, virale, con una community enorme. Lo capisco.

Ma c’è un punto che per me cambia tutto. OpenClaw,che ovviamente ho utilizzo (o meglio utilizzavo) gira su un server esterno, una VPS, un Mac Mini, una macchina separata dalla tua.

Perché? Perché nessuno si fida!

Ti ci parli via messaggio, lui esegue. È uno strumento straordinario, ma è una terza parte che opera nel suo ambiente, non nel tuo. Gli utenti hanno trovato in alcune skill di terze parti comportamenti di prompt injection senza che gli utilizzatori ne fossero consapevoli. Sono molti noti data leak di persone che inconsciamente hanno dato accesso a OpenClaw al proprio PC e sono uscite pubbliche API Keys e informazioni personali. Per questo motivo non gli si da accesso al propio workspace, e per questo non è Claude Code e non è Claude Cowork.

Claude Code e Cowork vivono dentro il tuo desktop, vedono le tue cartelle, modificano i tuoi file, usano le tue app. OpenClaw è potente, ma è fuori. È come avere un collaboratore molto capace che lavora da remoto rispetto a uno seduto nella stessa stanza.

Per ora, per quello che faccio, preferisco tenere il collaboratore vicino.

DENTRO L’AULA. QUI INIZIANO I PROBLEMI.

Una settimana dopo aver preso confidenza con Claude Code ero da un cliente in Veneto.

Nei percorsi di AI Adoption che propongo c’è sempre una fase di alfabetizzazione allargata, quella in cui si porta tutta la popolazione aziendale sullo stesso livello base. Quel giorno erano quattro ore, l’azienda aveva preso alcune licenze ChatGPT, e il programma era chiaro: primo contatto con lo strumento, capire come funziona, iniziare a usarlo.

Mentre facevo la demo, nella mia testa girava un pensiero che non riuscivo a togliermi. Stavo spiegando ChatGPT a persone che ChatGPT non lo avevano mai aperto, e nel frattempo io avevo appena visto un sistema riordinare le mie cartelle in autonomia. Il gap tra quello che stavo mostrando e quello che esisteva già era enorme. E non era colpa loro.

Nel 2023, come oggi, spiegare ChatGPT era semplice perché lo strumento era semplice da avvicinare. Vai sul sito, ti loggi con l’account Google, inizi a scrivere. Per fare un workshop bastava far aprire una tab del browser.

Claude Code e Cowork non funzionano così. Vanno scaricati. Richiedono un piano a pagamento. Vanno connessi agli strumenti che usi. Vanno configurati con istruzioni, skill, permessi. Claude Code al massimo del suo potenziale si usa da terminale. Per chi sta muovendo i primi passi verso i chatbot, questo è un salto enorme, non solo tecnico ma cognitivo. Prima di spiegare lo strumento devi spiegare il concetto di ambiente.

Mi viene in mente una conversazione tra e , Durante la diretta della , due colleghi e amici, che stimo, sul senso di insegnare le fondamenta degli LLM alle persone. Il paragone era con la patente di guida: una volta aveva senso sapere come funzionava il motore perché se si rompeva te lo riparavi tu. Oggi nessuno lo fa più. La stessa logica vale per le fondamenta tecniche dell’AI. Che senso ha Speigare come funziona un LLM se tanto poi le persone usano ChatGPT come un prodotto qualsiasi.

Ma allora vale anche per tutta la complessità di setup che serve oggi per usare Claude Code al massimo? Tra sei mesi ci sarà una funzione che imposta tutto in automatico? Le app verranno progettate per essere configurate dagli agenti stessi? Io penso di si.

Non lo so. Quello che so è che oggi quella complessità esiste, e chi deve formare le persone se la trova davanti ogni volta.

QUANDO FUNZIONA. 2 ESEMPI PRATICI DALL’AULA.

Poche volte mi è capitato di poter spiegare questi strumenti a persone che li vedevano per la prima volta. Quando succede, è un’altra cosa.

La prima era un gruppo in presenza. Persone che lavorano in azienda, nessun background tecnico, curiosità alta. Abbiamo impostato insieme una task programmata per l’aggiornamento settimanale delle analytics LinkedIn usando Claude Cowork con il sistema di task e l’estensione Chrome. Alla fine della sessione avevano uno strumento che lavorava per loro in autonomia, su dati reali, dentro i loro account.

Ogni mattina, Cowork partiva, l’estensione Chrome lavorava e navigava Linkedin, valutava le analytics, i commenti ai post, e popolava un Excel.

La seconda era online, stesso livello di partenza. Abbiamo costruito due tool interni che servivano davvero per il loro lavoro, usando Claude Code con Supabase e Vercel, tutto gestito dal desktop senza uscire dall’ambiente.
Un app per monitorare scadenziario personale su certificati e qualificazioni, l’altra un app per gestione progetti e Project Management.

Anche lì, alla fine non stavano guardando una presentazione su cosa potrebbe fare l’AI. Avevano in mano qualcosa di funzionante.

Sono questi i momenti in cui capisci perché vale la pena fare questo lavoro. E sono anche i momenti in cui il gap di cui parlavo prima si fa sentire di più, perché sai che potrebbero viverlo in molti di più, se il punto di ingresso fosse meno ripido.

Ci arriveremo. La tecnologia si semplifica sempre, prima o poi. La domanda è quante persone aspettano che succeda e quante iniziano a costruire adesso.

L’AI ha smesso di aspettare. Non aspettare nemmeno te.

Ric

Perché la chiusura di Sora e il famoso gioco di Pokémon Go hanno dei punti in comune?

Se siete appassionati di tech e innovazione, vi sarà capitato di vedere qualche clip del gioco. Se siete come me, nati negli anni ‘90, a Pokémon Go ci avete probabilmente giocato direttamente.

Io sì, e anche con una certa dedizione!

Ma perché Pokémon Go? Cosa c’entra la chiusura di uno dei prodotti di OpenAI, l’azienda che negli ultimi tre anni è diventata l’azienda POP di intelligenza artificiale per gran parte del mondo?

Per rispondere dobbiamo partire da quello che è successo con Pokémon Go.

POKEMON GO

Fino al marzo 2025, il gioco era di proprietà di Niantic, la società che lo aveva creato e lanciato nel 2016. Prima di cedere il gioco, Niantic ha fatto una mossa che in pochi hanno notato: ha creato una società separata, chiamata Niantic Spatial, che ha tenuto fuori dalla vendita. Poco dopo, il gioco è stato ceduto a una società di gaming di proprietà di un fondo di investimento pubblico arabo, per 3,5 miliardi di dollari.

Da notare come 3,5 MLD di dollari siano “normali” nel 2026 per una vendita o acquisizione. Cifre come queste nel settore dell’AI si vedono per operazioni “standard”.

Niantic Spatial invece è rimasta nelle mani dei fondatori originali. Con qualcosa di molto prezioso in tasca.

Perché mentre noi comuni mortali giocavamo a Pokémon Go, che al suo apice è stato un fenomeno culturale unico nel suo genere, qualcuno stava raccogliendo dati. Ogni volta che un giocatore puntava la fotocamera del telefono per usare la modalità AR del gioco, quella che sovrappone i Pokémon al mondo reale, l’app registrava molto più di quello che vedeva lo schermo. Registrava l’immagine, la posizione GPS precisa al centimetro, l’orientamento della fotocamera, i dati di movimento del dispositivo, l’ora, le condizioni di luce. Milioni di persone che scansionavano le stesse strade, gli stessi edifici, le stesse piazze, da angolazioni e altezze diverse, in ogni ora del giorno, in ogni stagione.

Il risultato è un dataset da oltre 30 miliardi di immagini georeferenziate. Una mappa del mondo fisico di una precisione che nessuna operazione di rilevamento professionale avrebbe mai potuto costruire, semplicemente perché nessuna azienda avrebbe potuto permettersi di pagare centinaia di milioni di persone per camminare in ogni angolo del pianeta con una fotocamera.

Niantic non li ha pagati ma li ha fatti giocare!

Quei dati vengono utilizzati oggi da Niantic Spatial per addestrare sistemi di navigazione per robot. Una startup chiamata Coco Robotics ha già integrato la loro tecnologia per far muovere i propri robot di consegna nelle strade urbane. Il responsabile tecnico di Niantic Spatial ha spiegato la cosa con una semplicità disarmante: sappiamo dove ti trovi con una precisione di qualche centimetro, e soprattutto sappiamo dove stai guardando.

IL MODELLO DI BUSINESS FANTASMA

Ora, la domanda che vale la pena farsi è questa: Pokémon Go è un caso isolato, o è parte di qualcosa di più grande?

La risposta, purtroppo, è abbastanza scontata.

Il modello che Niantic ha applicato con Pokémon Go non è un’eccezione. È la norma. Ed è diventato uno dei meccanismi più rilevanti dell’economia digitale degli anni Venti, anche se quasi nessuno lo nomina con chiarezza.

Funziona così: crei un prodotto che le persone vogliono usare, possibilmente qualcosa di divertente, di sociale, di gratuito. Gli utenti arrivano, si iscrivono, interagiscono. E mentre lo fanno, producono dati. Dati che l’azienda raccoglie, aggrega, usa per addestrare modelli, migliorare algoritmi, costruire asset che valgono miliardi. Il prodotto in sé a volte non guadagna quasi nulla. Non importa: il vero prodotto non è quello che vedi sullo schermo.

I social network lo fanno da vent’anni. Ogni post che scrivi su Facebook, ogni foto che pubblichi su Instagram, ogni video che carichi su TikTok contribuisce ad addestrare sistemi di raccomandazione, modelli di comprensione del linguaggio, algoritmi di riconoscimento visivo. I contenuti che crei gratuitamente diventano il carburante di infrastrutture che valgono centinaia di miliardi.

Google Maps funziona in modo simile. Ogni volta che segnali un rallentamento, confermi un’attività commerciale aperta, carichi una foto di un posto, stai contribuendo a rendere più preciso un sistema che Google usa in decine di prodotti diversi. Waze, che Google ha acquisito, ha costruito la sua intera proposta di valore sui dati di navigazione in tempo reale generati dai suoi utenti.

Anche le app di fitness seguono la stessa logica. I tuoi percorsi di corsa, la tua frequenza cardiaca, i tuoi pattern di allenamento: tutto confluisce in dataset che le aziende usano per sviluppare prodotti, fare ricerca, e in alcuni casi rivendere insight aggregati a terze parti.

Il principio è sempre lo stesso. Tu ti diverti, ti alleni, navighi, socializzi. Loro raccolgono. E il valore si accumula da una parte sola.

La cosa interessante è che questo meccanismo non richiede inganni nel senso stretto del termine. È tutto scritto nei termini di servizio, in paragrafi che nessuno legge, con un linguaggio che pochi capirebbero anche volendo. Il consenso c’è, sulla carta. La consapevolezza, quasi mai.

Ed è qui che entra in scena Sora.

LA PARABOLA DI SORA 2

Il 24 marzo 2026, OpenAI pubblica un post sull’account ufficiale di Sora. Poche righe, tono quasi nostalgico. Grazie a tutti quelli che hanno creato con noi, sappiamo che questa notizia è deludente. L’app chiude, l’API chiude.

Fine.
Immaginate di essere un agenzia di comunicazione che ha puntato molto sull’integrazione di strumenti AI per lo sviluppo di contenuti, e che nello specifico si fosse esposta molto su Sora2, piuttosto che sui modelli cinesi.
Ecco, ora siete con il culo a terra. Di colpo senza preavviso non avete più lo strumento fulcro della vostra produttività (e magari anche creatività).

Nessuna spiegazione vera, nessun preavviso reale. Milioni di utenti che si svegliano una mattina e scoprono che lo strumento su cui stavano lavorando non esiste pi

Per chi non la conosce, Sora è il generatore video di OpenAI. Presentato nel febbraio 2024 con delle demo che avevano lasciato a bocca aperta mezzo settore, lanciato come Sora 2 nel settembre 2025, chiuso sei mesi dopo. Una parabola fulminea anche per gli standard dell’industria tech.

I numeri, secondo stime riportate da Forbes possono aiutarci a capirne le motivazioni:

• Costo per generare ogni video: circa 1,30 dollari al clip

• Costo a picco di utilizzo: circa 15 milioni di dollari al giorno

• Ricavi totali dell’app in tutta la sua vita: 2,1 milioni di dollari

Non al mese. Non alla settimana. In totale da quando è nata a quando ha chiuso.

Fin qui sembra la storia di un prodotto costoso che non ha trovato un modello sostenibile. Succede, anche alle aziende più grandi del mondo.

Ma c’è un pezzo della storia che in pochi hanno sottolineato.

Mentre gli utenti usavano Sora, caricavano video, ci mettevano le facce, generavano contenuti, testavano prompt, valutavano output, OpenAI stava raccogliendo qualcosa di molto più prezioso degli abbonamenti. Stava raccogliendo dati su come il mondo visivo funziona. Come si muovono le cose. Come appare la realtà attraverso una videocamera. Milioni di persone che, senza saperlo, insegnavano a un modello a capire la fisica del mondo reale.

LA CONVERGENZA

Quando OpenAI ha annunciato la chiusura, ha detto anche cosa succede al team.

Non verrà sciolto ma continuerà a lavorare come unità di ricerca focalizzata sulla simulazione del mondo reale, con applicazioni in robotica e modellazione di ambienti fisici.

Esattamente come Niantic Spatial !

Un gioco AR che raccoglie immagini del mondo fisico per addestrare robot. Uno strumento di generazione video che raccoglie dati visivi dagli utenti e poi si concentra sulla simulazione del mondo reale per la robotica. Due storie diverse, stessa direzione di arrivo.

Era questo l’obiettivo fin dall’inizio? Onestamente non lo sappiamo, e probabilmente la risposta è no, almeno non in modo così pianificato, ma forse anche si. I piani cambiano, le tecnologie evolvono, le priorità si spostano. Ma quello che possiamo dire con certezza è che il meccanismo ha funzionato in entrambi i casi, indipendentemente dalle intenzioni originali.

IL GIOCO FINISCE, I DATI RESTANO

Cosa ci portiamo a casa

Che ogni volta che usiamo uno strumento digitale gratuitamente o quasi, vale la pena chiedersi qual è il vero scambio. Non per diventare paranoici e smettere di usare le app che ci piacciono. Ma per capire la logica che ci sta sotto.

Nelle Aule, quando parlo di dati dico sempre: “Quando sul web qualcosa è gratutito, vuol dire che il prodotto siamo noi utenti”. Ed è proprio così.

I dati che Niantic ha raccolto con Pokémon Go, quelli che OpenAI ha raccolto con Sora, i miliardi di immagini e video che ogni giorno produciamo su ogni piattaforma, non servono solo a migliorare i prodotti che usiamo ma anche a costruire modelli che capiscono il mondo, che sanno come appare una strada, come si muove un oggetto, come funziona lo spazio intorno a noi.

Se volete approfondire cosa sono questi modelli e perché sono probabilmente la tecnologia più importante su cui l’industria AI sta lavorando in questo momento, nel numero 3 abbiamo parlato proprio di World Model. Lo trovate nell’archivio.

Vi ringrazio per la lettura, se avete dei commenti o sei spunti di riflessione riportatemeli pure, e ricordate:

Il gioco finisce. I dati restano.

Ric

C’è un uomo che per dodici anni ha lavorato per uno dei più grandi colossi tech del mondo, ha vinto il Nobel dell’informatica, ha costruito uno dei laboratori AI più influenti al mondo.

E per quasi tutti quei dodici anni ha detto, ad alta voce e davanti a tutti, che la strada che stava percorrendo l’industria era sbagliata. Compresa, va da sé, l’azienda per cui lavorava (Meta).

Si chiama Yann LeCun. È francese. È uno dei tre scienziati che hanno posto le fondamenta del deep learning moderno, la tecnologia su cui girano ChatGPT, Claude, Gemini e tutto quello che usi ogni giorno.

A novembre 2025 ha lasciato Meta. Ha fondato una startup a Parigi. E in marzo 2026 ha raccolto un miliardo di dollari prima ancora di avere un prodotto.

Quando uno come lui scommette un miliardo su una direzione diversa, vale la pena capire dove sta guardando.

Perché gli LLM non bastano?

Gli strumenti AI che usi oggi sono straordinari per tutto quello che riguarda il linguaggio. Scrivono, riassumono, traducono, ragionano su testi. Lo fanno meglio di quasi qualsiasi essere umano.

Il problema è che si fermano al linguaggio e non capiscono il mondo fisico, quello vero.

Un’AI come ChatGPT sa che se spingi un bicchiere dal bordo del tavolo, si rompe. Lo sa perché ha letto milioni di testi in cui quella cosa viene descritta. Sa descrivere quello che succede, ma non ha mai davvero visto succedere niente.

LeCun lo dice con un esempio ancora più diretto: dove sono i robot domestici? Abbiamo AI che superano l’esame di avvocato, risolvono equazioni, scrivono codice. E non abbiamo ancora un robot che sa muoversi in una cucina normale senza spaccare tutto o senza essere addestrato per mesi e mesi venendo pilotato da remoto (Vedi Neo Home Robot).

Un gatto lo fa senza pensarci. Un bambino di tre anni lo fa senza pensarci.

Il problema non è la potenza del modello. È che è stato addestrato solo sul linguaggio, e il linguaggio è una rappresentazione compressa e imperfetta del mondo reale. Il mondo reale è continuo, rumoroso, fisico. Le parole no.

I World Model

L’idea alla base è semplice: invece di addestrare un’AI su miliardi di parole, la addestri su miliardi di ore di video del mondo reale. Quello che vede una telecamera in una fabbrica, in una cucina, in una strada. L’AI smette di lavorare con le parole e inizia a lavorare con la fisica del mondo.

La differenza è enorme.

Google ha presentato qualcosa che rende l’idea meglio di qualsiasi spiegazione tecnica. Si chiama Genie. Gli dai un’immagine, qualsiasi immagine, e lui genera un mondo navigabile. Crea un personaggio, e quel personaggio può camminare dentro quel mondo, interagire con gli oggetti, raccoglierli, spostarli. Nessuno ha programmato quelle regole fisiche a mano: il sistema le ha ricavate da solo, guardando.

Quello è un World Model.

Lo stesso principio applicato alla robotica cambia completamente il modo in cui si addestra un robot. E qui c’è un esempio concreto, uscito dieci giorni fa, che vale più di qualsiasi slides.

Disney e Nvidia hanno costruito insieme un robot di Olaf, il pupazzo di neve di Frozen, che cammina da solo, si muove tra la gente, e dal 29 marzo accoglierà i visitatori a Disneyland Paris. Olaf non cammina su binari, non segue percorsi prestabiliti. Si muove in modo autonomo, mantiene l’equilibrio, e ha imparato a stare in piedi su una barca in movimento nel giro di poche ore.

Come ci sono arrivati? Disney ha addestrato 100.000 versioni virtuali di Olaf in due giorni, usando un singolo computer, in un simulatore fisico che ricrea il comportamento del mondo reale. Il robot ha imparato a camminare, a bilanciarsi, a reagire agli ostacoli, tutto dentro una simulazione, prima ancora di mettere piede nel mondo reale.

Questo è esattamente il punto. Un sistema che capisce la fisica del mondo può imparare in un ambiente virtuale e poi trasferire quel sapere nella realtà. Il tempo di addestramento crolla. I costi crollano. E le applicazioni vanno molto oltre i parchi a tema: un World Model può simulare il comportamento di un motore industriale prima che si rompa, prevedere come risponde una struttura a uno stress fisico, capire come si muove un paziente prima e dopo un intervento.

E adesso

Tutto questo non significa che gli strumenti che usi oggi siano sbagliati. Gli LLM funzionano, e funzioneranno ancora a lungo per quello che sanno fare bene: scrivere, sintetizzare, ragionare su testi, automatizzare processi linguistici. Il valore che stai estraendo da questi strumenti adesso è reale.

Ma c’è una cosa che vale la pena tenere a mente mentre costruisci.

L’AI che usi oggi ha imparato dal testo. L’AI che verrà imparerà dal mondo. E quando uno dei ricercatori che hanno costruito le fondamenta del deep learning moderno lascia il posto più comodo del settore e scommette un miliardo su questa direzione, non lo fa per un’intuizione. Lo fa perché i segnali ci sono già: Genie che genera mondi navigabili, Olaf che impara a camminare in poche ore, robot industriali che si adattano ad ambienti mai visti prima.

Se stai costruendo qualcosa su AI e vuoi capire dove sta andando il terreno, scrivimi. È esattamente il tipo di conversazione che mi piace fare.

Ric

La cultura non è un valore scritto sul sito aziendale. È come le persone si comportano quando nessuno le guarda. È cosa si fa davvero, non cosa si dice di fare.

La settimana scorsa ero al Richmond Human Resources Forum a coordinare un Laboratorio AI per HR manager. Durante l’evento era presente anche Adriano Solidoro, docente alla Bicocca di Milano e studioso di organizzazioni aziendali e innovazione. Tra i vari interventi della giornata, una sua slide mi ha particolarmente colpito.

Solidoro prende la frase di Drucker e sostituisce “strategy” con “AI”. Una modifica di una parola che cambia tutto.

Perché se già la cultura aziendale era capace di mangiare la strategia, figuriamoci cosa fa con qualcosa di così nuovo, così percepito come minaccioso, così poco compreso come l’intelligenza artificiale.

Mentre guardavo quella slide ho pensato una cosa sola: questo lo vivo ogni settimana.

Poi Solidoro mostra un’altra slide.

Il Pac-Man è la cultura. I fantasmini sono Growth, Change, Innovation, Performance, Execution.

Il messaggio è chiaro: la cultura non mangia solo la strategia. Mangia tutto quello che prova a cambiare come le persone lavorano, pensano, si relazionano. Mangia la crescita quando fa paura. Mangia il cambiamento quando disturba le abitudini. Mangia l’innovazione quando minaccia le gerarchie.

E adesso mangia anche l’AI.

Non perché l’AI sia sbagliata, troppo costosa o tecnicamente complicata. Ma perché entra in azienda e chiede alle persone di cambiare modo di lavorare, di condividere informazioni che prima tenevano per sé, di fidarsi di uno strumento che non capiscono, di ammettere che qualcosa che fanno da anni si può fare meglio.

Questa è la vera sfida dell’adoption. Le PERSONE.

Quindi, nei prossimi paragrafi ti racconto i cinque attriti che incontro più spesso sul campo, e per ognuno un approccio concreto per aggirarlo o alleviarlo. Non è la cura definitiva. È quello che funziona, almeno un po’.

1. “Abbiamo sempre fatto così”

È la frase più comune che sento nelle aziende. Non viene detta con cattiveria, viene detta con convinzione. Chi la dice spesso ha anni di esperienza, conosce i processi meglio di chiunque altro, e ha visto abbastanza “rivoluzioni” fallire da sviluppare un sano scetticismo verso tutto ciò che è nuovo.

Il problema non è la persona. È il frame. “Abbiamo sempre fatto così” non è resistenza al cambiamento, è fedeltà a ciò che ha funzionato. E in quanto tale va rispettata, non combattuta.

L’approccio: non proporre qualcosa di nuovo. Proponi di fare meglio qualcosa di già esistente. Prendi un processo che quella persona conosce a memoria, che fa ogni giorno, che magari la annoia o la rallenta, e mostra come l’AI può togliere la parte ripetitiva. Non stai sostituendo il suo metodo. Lo stai alleggerendo.

La resistenza si abbassa drasticamente quando le persone percepiscono che non stai mettendo in discussione anni di lavoro, ma stai aggiungendo uno strumento a ciò che già sanno fare.

2. Il pioniere isolato

In quasi ogni azienda c’è uno. Quello che ha già provato ChatGPT, che manda articoli sull’AI ai colleghi, che vorrebbe sperimentare ma si scontra ogni volta con un muro di indifferenza o di burocrazia silenziosa.

Il pioniere isolato è una risorsa preziosa che le aziende sprecano sistematicamente. Non per cattiveria, per distrazione. Nessuno gli dà un mandato, nessuno gli assegna tempo dedicato, nessuno lo collega alle persone giuste. E allora la sua energia si esaurisce, la sua frustrazione cresce, e nel peggiore dei casi se ne va.

Il problema non è la sua mancanza di competenza o di motivazione. È che senza una sponda istituzionale, il cambiamento che vuole portare non ha gambe.

Molto probabilmente, se stai leggendo questa newsletter, ti riconosci in questo. Magari sei tu quel pioniere. Magari lo hai accanto e non sai come aiutarlo. In entrambi i casi, quello che manca quasi sempre non è la volontà, è la legittimazione.

L’approccio: non cercare di convincere tutti. È una battaglia che si perde prima di iniziarla. Cerca invece quel singolo alleato interno disposto a dirti sì, anche solo per un perimetro piccolo e definito. Un responsabile di reparto, un team leader, chiunque abbia abbastanza potere da trasformare la tua idea in un esperimento ufficiale. Quel piccolo mandato cambia tutto: non sei più quello che rompe le scatole con l’AI, sei quello che sta conducendo un progetto.

Ma il vero salto arriva quando smetti di evangelizzare e inizi a fare. Non mandare link, non tenere presentazioni, non spiegare cos’è l’AI. Prendi il problema concreto di un collega, quello che lo rallenta ogni giorno, e risolviglielo tu. Mostragli il risultato. Lascia che lo tocchi con mano. Un collega convinto vale più di dieci email inviate a tutta la lista.

Il passo successivo è strutturare questo ruolo. Il pioniere isolato può diventare un AI Champion o AI Ambassador interno: una figura riconosciuta, con un minimo di mandato, che costruisce piccoli framework pratici per i colleghi, accompagna le persone nei primi utilizzi, raccoglie feedback. Non forma in aula, opera sul campo. Non dice “l’AI è utile”, dimostra perché lo è, caso per caso, persona per persona.

3. Il pilot eterno

“Prima proviamo, poi vediamo.”

Questa frase la sento spesso e in superficie sembra ragionevole. Sperimentare è giusto, partire in piccolo è saggio. Il problema non è il pilot in sé, è quello che succede dopo. O meglio, quello che non succede.

Il pilot parte, qualcosa funziona, qualcosa no. Ma non c’è nessuno che misura, nessuno che decide, nessuno che si prende la responsabilità di dire “andiamo avanti” o “ci fermiamo”. Il tool resta in un limbo indefinito. Qualcuno lo usa ancora, qualcuno ha già smesso. Nel frattempo arriva un’altra priorità e il progetto muore in silenzio, senza che nessuno abbia formalmente detto no.

Molto probabilmente hai vissuto questa situazione. Magari ci sei dentro adesso. Un progetto AI che sembrava promettente, fermo da settimane in attesa di un via libera che non arriva.

L’approccio: la regola è semplice. Prima di iniziare un pilot, definisci tre cose. Quanto dura. Cosa deve succedere perché sia considerato un successo, anche parziale. Chi ha il potere di decidere se continuare o fermarsi. Senza questi tre elementi non stai facendo un pilot, stai facendo un giocattolo.

E se sei tu a proporre il pilot internamente, metti queste tre cose per iscritto prima di partire. Non per burocrazia, ma perché un pilot con regole chiare è molto più difficile da ignorare.

4. L’AI sbaglia? Sì, e quindi?

L’AI sbaglia. Spesso. Soprattutto all’inizio.

Dà risposte imprecise, fraintende il contesto, produce output che vanno rilavorati. E quando questo succede in azienda, la reazione più comune non è “proviamo a migliorare il prompt” o “capiamo cosa è andato storto”. La reazione è “visto? Non funziona.”

Un singolo errore diventa la prova definitiva che lo strumento non vale. Il pilot si ferma. La sperimentazione muore. E la prossima volta che qualcuno propone di provare qualcosa di nuovo, quella storia viene tirata fuori come precedente.

Il problema non è l’errore dell’AI. È la bassa tolleranza all’imperfezione che molte organizzazioni hanno sviluppato nel tempo. Si pretende che uno strumento nuovo funzioni subito, bene, sempre. Nessun processo umano ha mai funzionato così, ma con l’AI il metro di giudizio diventa improvvisamente più severo.

Se ti riconosci in questa dinamica, probabilmente lavori in un contesto dove sbagliare costa. Dove l’errore viene ricordato più del risultato. E questo è esattamente il tipo di cultura che il Pac-Man di Solidoro mangia per primo.

L’approccio: cambia il frame prima di iniziare qualsiasi sperimentazione. Non “funziona o non funziona”, ma “cosa impariamo da questo”. Ogni errore dell’AI è un’informazione: sul prompt, sul contesto, sull’uso corretto dello strumento. Trattalo come tale.

Se puoi, esplicita questo frame con il tuo team o con chi deve approvare la sperimentazione. Dire ad alta voce “andrà storto qualcosa e va bene così” prima che succeda toglie all’errore il potere di bloccare tutto. La resilienza non è una dote innata, è una decisione che si prende prima di partire.

5. La paura di perdere il posto

Questa non la senti quasi mai detta ad alta voce. Non compare nelle riunioni, non viene scritta nelle email, non emerge nei feedback ufficiali. Ma è sempre in sala.

È la paura più silenziosa e più potente di tutte. Quella che trasforma un collega curioso in un sabotatore passivo. Quella che fa sì che il pilot non riceva mai i dati giusti, che il tool venga usato il minimo indispensabile, che le resistenze nascano sempre per altri motivi, mai per quello vero.

“Non ho tempo.” “Non è una priorità adesso.” “Dobbamo prima sistemare altro.” Spesso dietro queste frasi c’è una domanda non detta: se questa cosa funziona davvero, cosa rimane da fare a me?

È una paura legittima. Non va derisa, non va ignorata, non va combattuta con slide piene di statistiche sull’AI che “crea più lavoro di quanto ne distrugga.” Quelle slide non convincono nessuno che ha davvero paura. E soprattutto sono profondamente fuorvianti: nella storia nessuna innovazione davvero disruptive ha mai creato più posti di quanti ne abbia distrutti. Dirlo non è catastrofismo, è onestà.

Molto probabilmente hai incontrato questa dinamica. Magari la stai vivendo tu stesso, e non c’è niente di sbagliato in questo. L’incertezza è una risposta razionale a un cambiamento reale.

L’approccio: la prima cosa da fare è nominarla. Esplicitamente, senza giudizio. In un team, in una riunione, in una conversazione one-to-one. “So che c’è preoccupazione su cosa cambia per voi con l’AI. Parliamone.” Quella frase da sola abbassa la temperatura.

Il secondo passo è spostare il frame dal rischio all’opportunità concreta. Non con promesse generiche, ma con esempi specifici: chi nel team sta usando l’AI per liberarsi delle parti più noiose del proprio lavoro, chi ha guadagnato tempo, chi ha potuto concentrarsi su cose a più valore. I colleghi convincono i colleghi, non i manager e non i consulenti.

L’AI non sostituisce le persone che la sanno usare. Sostituisce le persone che aspettano che qualcun altro la impari per loro. Perlomeno, per ora.

Ho iniziato questa newsletter con una frase di Drucker e una slide vista la settimana scorsa in una sala piena di professionisti HR.

La cosa che mi ha colpito di più non era la slide. Era la sala.

Persone che gestiscono le persone nelle aziende, che ogni giorno si confrontano con resistenze, conflitti, cambiamenti che non attecchiscono. Tutti annuivano. Perché quella frase la vivono sulla pelle, esattamente come la vivo io quando entro in un’azienda e provo a far adottare qualcosa di nuovo.

Il problema non è mai il tool. Non è il budget, non è la tecnologia, non è la mancanza di una strategia AI. È sempre e prima di tutto una questione di persone. Di abitudini costruite in anni. Di paure non dette. Di pionieri lasciati soli. Di pilot senza regole. Di organizzazioni che preferiscono l’errore noto all’incertezza nuova.

Questa è la cultura che mangia l’AI per colazione.

La buona notizia è che la cultura si può cambiare. Non velocemente, non facilmente, non con una formazione di 4 ore e una slide motivazionale. Ma si può cambiare, un collega alla volta, un processo alla volta, un piccolo risultato concreto alla volta.

Chi capisce questo ha già un vantaggio enorme su chi sta ancora aspettando il tool perfetto.

Se mentre leggevi ti sei riconosciuto in uno di questi attriti, o li stai vivendo adesso nella tua azienda, scrivimi. È esattamente il tipo di lavoro che faccio con le organizzazioni: capire dove si inceppa l’adoption, trovare un punto di ingresso concreto, e costruire qualcosa che regga nel tempo.

Non serve avere tutto chiaro prima di contattarmi. Basta avere il problema.

Scrivimi a riccardo@celottoconsulting.com oppure prenota direttamente una call:

Prenota una call

Una startup californiana ha detto no al Pentagono. Un’altra ha detto sì. E in cinque giorni, gli equilibri del mercato AI si sono ribaltati.

Non per una novità tecnologica. Non per un nuovo modello più potente. Per una scelta etica.

Partiamo dai fatti

Cosa è successo

Il 27 febbraio, il Dipartimento della Difesa americano chiede ad Anthropic di accettare condizioni che avrebbero consentito l’uso di Claude per sorveglianza di massa e in sistemi d’arma completamente autonomi. Anthropic rifiuta. Il Pentagono la etichetta come “rischio per la catena di approvvigionamento.”

Poche ore dopo, OpenAI firma un accordo con il Dipartimento della Difesa. Parte il boicottaggio.

Le disinstallazioni di ChatGPT esplodono del 295% in un giorno. Le recensioni a una stella crescono del 775%. Claude scala oltre 20 posizioni in una settimana e arriva primo nell’App Store americano. Altman ammette pubblicamente che l’accordo “è apparso opportunistico e approssimativo.”

Nel mezzo di tutto questo, Anthropic lancia uno strumento per importare la propria memoria da ChatGPT in Claude, preferenze, abitudini e progetti, con un semplice copia-incolla. Nessun ricominciare da zero. Mossa preparata, tempismo perfetto.

Cinque giorni. E il mercato è un posto diverso.

Ora viene la parte interessante.

La riflessione

Questa storia non riguarda solo Anthropic e OpenAI. Riguarda ogni azienda che usa strumenti AI nei propri processi, compresa probabilmente la tua.

E la cosa bella è che ci offre una lente perfetta per guardare qualcosa che vale la pena capire bene: la struttura del mercato su cui stiamo costruendo.

Non per spaventarci. Per usarla meglio.

Cominciamo da quello che pochi guardano davvero.

I conti non tornano, ancora

Partiamo da una cosa che in pochi guardano quando scelgono uno strumento AI: il bilancio di chi lo produce.

Nel primo semestre 2025, OpenAI ha generato 4,3 miliardi di dollari di ricavi e registrato un operating loss di 7,8 miliardi. Quasi il doppio di quello che guadagna. Anthropic va meglio sul fronte dell’efficienza, ma brucia anche lei. A febbraio 2026 ha chiuso un round da 30 miliardi di dollari, il secondo più grande nella storia del venture capital, proprio perché senza capitali freschi la macchina si ferma.

Il punto non è che queste aziende siano in crisi. Il punto è che i prezzi che paghi oggi per questi strumenti non riflettono il costo reale di produzione. Sono sussidiati da capitale di rischio, in un gioco in cui chi arriva primo spera di costruire una dipendenza così profonda da poter poi cambiare le condizioni.

È la stessa logica dei delivery gratuiti e dei taxi a prezzi impossibili degli anni dieci. Prima ti abitui allo strumento, poi i prezzi salgono.

E nel frattempo il mercato si allarga e si complica. xAI di Elon Musk è entrata nel mercato enterprise senza le restrizioni etiche dei competitor, con una proposta aggressiva rivolta alle organizzazioni che non vogliono vincoli sui casi d’uso. E dalla Cina DeepSeek ha dimostrato che è possibile costruire modelli di qualità comparabile a una frazione del costo occidentale, aprendo una stagione in cui il prezzo dei token scenderà ancora, rendendo ancora più difficile capire chi sopravviverà e con quale modello di business.

Il momento in cui le condizioni cambieranno arriverà. E le aziende che nel frattempo hanno costruito dipendenze profonde su un unico provider si troveranno a gestire una transizione che non hanno scelto.

È già successo con il cloud. Succederà anche qui.

Chi controlla davvero l’infrastruttura?

C’è un dettaglio che sorprende sempre quando lo mostro alle aziende con cui lavoro.

10 delle 12 principali startup GenAI dipendono dai servizi cloud di Microsoft, Amazon o Google per far girare i propri modelli. Non sono player indipendenti. Sono costruiti sopra l’infrastruttura dei loro stessi competitor o investitori.

Anthropic gira su AWS, e Amazon ha investito miliardi in Anthropic. OpenAI gira su Azure, e Microsoft è il suo principale finanziatore. Google ha i propri modelli ma ha anche investito in Anthropic. Quando scegli uno strumento AI, non stai scegliendo solo quel provider. Stai scegliendo tutta la filiera sopra di lui, con tutti gli interessi incrociati che ne derivano.

Vale la pena saperlo. Lo dimostra quello che è successo questa settimana: il Pentagono ha dichiarato Anthropic un rischio sistemico e ha ordinato a tutte le agenzie federali di smettere di usarla venerdì sera. La notte stessa, il US Central Command usava ancora Claude per pianificare gli attacchi in Iran, selezionare i bersagli, simulare scenari di battaglia. Secondo CBS News, la stava ancora usando giorni dopo. La rete è talmente incastrata che anche smontarla, quando vorresti, non è semplice come firmare un decreto.

E poi c’è la questione della stabilità competitiva.

Il podio cambia, e cambia veloce

In un solo anno, Anthropic ha scalzato OpenAI come leader nel mercato enterprise, passando dal 24% al 40% della spesa. OpenAI nello stesso periodo è scesa dal 50% al 27%. Movimenti enormi in dodici mesi, in un mercato che sembrava consolidato.

E la settimana scorsa ne abbiamo avuta l’ennesima dimostrazione. In 48 ore Claude è passato da competitor rispettato a prima app scaricata negli Stati Uniti. Non per un nuovo modello. Per una scelta etica e una campagna social.

Questo è il punto: il podio AI non si ribalta solo per ragioni tecnologiche. Si ribalta per scelte politiche, per mosse di marketing, per campagne social, per un accordo firmato di venerdì pomeriggio. Le aziende che hanno costruito dipendenze profonde su un unico provider lo scopriranno sempre un attimo dopo gli altri.

Vale la pena chiedersi: su quale base stai scegliendo il tuo strumento? Solo sulle performance di oggi? O anche su chi sarà ancora lì domani, e in che condizioni?

Arriviamo all’elemento che questa settimana ha reso tutto più concreto.

Lo switching cost: il costo che nessuno calcola

Cambiare provider AI non è banale come sembra.

Non è solo una questione di abbonamento. È riaddestrare i team. È rifare le integrazioni con i sistemi aziendali. È perdere il contesto accumulato nel tempo, le istruzioni personalizzate, le abitudini costruite nelle conversazioni. È un costo invisibile che quasi nessuno mette nel budget quando firma 100 o 50 licenze.

Anthropic lo sa benissimo, ed è per questo che ha lanciato lo strumento di import memoria proprio questa settimana. Incolli un prompt nel tuo vecchio chatbot, lui genera un blocco con tutto quello che sa di te, e lo importi in Claude. Come portare il numero da un operatore all’altro. Solo che qui stai portando mesi di contesto lavorativo.

Non è una mossa di servizio agli utenti. È una mossa competitiva. Stanno abbassando il costo di uscita da ChatGPT perché sanno che è uno dei pochi ostacoli rimasti. E funziona.

E per chiudere il cerchio, la parte che riguarda tutti.

I dati che escono senza che nessuno lo sappia

La quantità di dati che le aziende condividono con strumenti AI è cresciuta 30 volte in un anno. Il 22% dei file caricati contiene informazioni sensibili: codice sorgente, documenti riservati, dati clienti.

Nella maggior parte dei casi non è una scelta consapevole. È il risultato di adottare strumenti potenti senza chiedersi dove finiscono le informazioni che ci passiamo dentro. Con il cloud ci abbiamo messo anni ad impararlo. Con l’AI stiamo bruciando le tappe, nel bene e nel male.

Il quadro che emerge

Metti insieme tutto questo e vedi un mercato giovane, potente e strutturalmente instabile. Non perché l’AI non funzioni, funziona, e i risultati sono reali. Ma perché stiamo costruendo dipendenze operative su aziende in perdita, incastrate in reti di interessi incrociati, in un contesto che può ribaltarsi per ragioni che non hanno nulla a che fare con la qualità del prodotto.

La domanda non è se usare questi strumenti. È usarli con consapevolezza.

Prima di attivare 50 o 100 licenze, vale la pena chiedersi: chi c’è davvero dietro questo provider e quanto è stabile? Quanto mi costerebbe cambiare quando arriverà il momento? Quali dati stanno uscendo dalla mia azienda? Sto costruendo una dipendenza da un singolo player, o ho un piano B? E il valore che ottengo oggi regge anche quando i prezzi cambieranno?

Cinque domande. Non per bloccarsi. Per andare avanti con più chiarezza.

Dal campo

Nelle ultime settimane ho lavorato con diverse PMI e piccoli team italiani che stanno integrando AI nei loro processi quotidiani.

La cosa che vedo più spesso non è paura dell’AI. È il contrario: entusiasmo genuino, adozione rapida, risultati reali già nelle prime settimane. Una piccola agenzia creativa che ha dimezzato i tempi di produzione dei contenuti. Un ufficio acquisti che ha smesso di fare ricerche manuali sui fornitori. Un commerciale che prepara le trattative in un quarto del tempo di prima.

Il punto critico arriva dopo. Quando lo strumento diventa indispensabile e nessuno ha ancora risposto a una domanda semplice: cosa succede se domani cambia qualcosa?

Le realtà che gestiscono meglio questa transizione hanno una cosa in comune. Non hanno scelto un unico provider come se fosse per sempre. Hanno un tool per la produttività quotidiana dei team, uno strato più profondo per i processi critici, e una consapevolezza chiara su quali dati possono uscire dall’azienda e quali no.

Non è una strategia difensiva. È una strategia intelligente.

L’AI è lo strumento più potente che abbiamo a disposizione oggi. Vale ogni investimento che ci stai facendo. Ma come ogni strumento potente, funziona meglio quando sai esattamente come è costruito.

Chiusura

Quello che è successo tra Anthropic, OpenAI e il Pentagono resterà probabilmente uno dei casi più citati quando si parlerà di come si è sviluppato questo mercato.

Non perché sia uno scandalo. Ma perché ha reso visibile in cinque giorni quello che normalmente rimane sotto la superficie per anni: le fragilità strutturali di un mercato giovane, veloce e ancora tutto da definire.

Conoscerle non è un motivo per rallentare. È un motivo per andare avanti con gli occhi aperti.

Alla prossima.

Ric.

Risorse

Le 5 domande da farti prima di attivare licenze AI in azienda:
Chi c’è davvero dietro questo provider e quanto è stabile?
Quanto mi costerebbe cambiare provider, in tempo e integrazioni?
Quali dati stanno uscendo dalla mia azienda attraverso questi strumenti?
Sto costruendo dipendenza da un singolo player, o ho un piano B?
Il valore che ottengo oggi regge anche se i prezzi cambiano?

Importa la tua memoria da ChatGPT a Claude — https://claude.ai/import-memory

I dati completi sul caso Pentagono — https://techcrunch.com/2026/03/02/chatgpt-uninstalls-surged-by-295-after-dod-deal/