AudioCassetta | by Cassetta degli AI-trezzi

Una persona chiede un rimborso. L’AI trova la policy. Ma sa davvero avviare la pratica?Durante la live di Audiocassetta, Luca Micheli, CEO di Customerly, mi ha riportato a questo caso concreto. Sul sito trovi le condizioni; la procedura interna, verificare l’ordine e completare il rimborso, magari è ancora nella testa di chi lavora nel supporto.È qui che un assistente AI si gioca la partita. Non sulla risposta elegante. Sulla conoscenza che gli abbiamo dato e su ciò che gli permettiamo davvero di fare.Customerly mette insieme l’inbox in cui il team gestisce le richieste e Aura, l’assistente AI che può rispondere usando le informazioni disponibili. Da quanto racconta Luca, quando si configura il servizio si parte dal sito e dai materiali già esistenti; poi si costruiscono o si adattano i flussi specifici. Una pagina prodotto può spiegare la politica dei resi. Non per forza spiega come la tua azienda controlla un ordine, autorizza un rimborso e registra l’operazione.Quindi no: caricare tutto quello che troviamo in una cartella non equivale a insegnare il lavoro. Le fonti vanno scelte, le istruzioni devono essere chiare e i casi reali servono a scoprire i buchi. Luca mi ha indicato anche una guida Customerly sui materiali di training: la trovi tra i link in fondo.La FAQ non è il processoTorniamo alla richiesta di rimborso. Se l’AI trova la regola ma non il passaggio operativo, ha almeno tre possibilità: inventare il pezzo che manca, fermarsi, oppure chiedere aiuto. La terza è quella che vogliamo progettare.Quando Aura non ha abbastanza informazioni o il caso esce dal flusso, la conversazione può arrivare a una persona. L’operatore risolve il caso e vede cosa mancava: una regola, un controllo sull’ordine, una frase che in azienda tutti conoscono ma che nessuno aveva scritto. Luca racconta che da quello scambio si può ricavare un articolo per il centro assistenza; quel materiale potrà aiutare sulle richieste successive.È un passaggio importante: la persona non è solo il piano B del bot. Diventa la fonte con cui correggere le istruzioni. Naturalmente un articolo non si pubblica da solo come verità: va rivisto, verificato e tenuto aggiornato. Ma almeno l’escalation lascia una traccia utile, invece di risolversi in una risposta copiata e incollata.Chi stabilisce che è risolto?Qui ho fatto a Luca la domanda che mi interessa di più: se il cliente smette di scrivere, possiamo dire che il problema è risolto?La risposta, in sostanza, è: dipende da come lo misuri. Un feedback esplicito del cliente è un segnale forte. Un follow-up dopo 24 ore senza altre richieste è un indizio; non è la stessa prova. Se la dashboard somma i due casi e li chiama entrambi “risolti”, il numero sembra preciso ma racconta meno di quanto crediamo.Luca ha citato in live un tasso di risoluzione medio di circa il 72% tra i clienti Customerly. Nella pagina prodotto che ho consultato, Customerly parla invece di “fino al 60%”. Non so se i due numeri usino la stessa definizione o lo stesso campione; prima di confrontarli o presentarli come promessa, chiederei all’azienda di chiarire come vengono calcolati.E il prodotto non deve risolvere tutto. Alcune richieste vanno passate al team perché manca una procedura, serve una decisione o il sistema non è abbastanza sicuro. Il criterio non è “quante persone abbiamo tolto dalla coda”, ma se il cliente riceve una risposta utile e se il team capisce perché l’automazione si è fermata.Se hai un servizio clienti, prova a prendere dieci ticket chiusi questa settimana. Quanti hanno una conferma del cliente? Quanti sono stati archiviati perché è passato del tempo? Quanti sono arrivati a una persona perché nelle istruzioni mancava un passaggio? È una revisione piccola, ma spesso dice più del totale mensile.La domanda non è se l’AI ha risposto. È se il cliente ha risolto — e se sappiamo dimostrarlo.Link utili e piccolo regalo per voi* La guida di Luca: Dos and don’ts of training materials — Customerly Academy* Il prodotto: Customerly* L’ospite: Luca Micheli su LinkedInLuca mi ha lasciato un codice per chi vuole provare Customerly in azienda: CASSETTAATTREZZI. Sei mesi gratuiti del piano Growth, con 20 crediti AI al mese. Approfittatene This is a public episode. If you'd like to discuss this with other subscribers or get access to bonus episodes, visit lacassettadegliaitrezzi.substack.com/subscribe

Ivan Mosetti - AI x Business si immaginava una community di persone come lui: computer aperto, cappuccio alzato, tanta voglia di smanettare e pochissima di uscire di casa. Poi ha iniziato a organizzare incontri sull’intelligenza artificiale. E le persone sono uscite.Si siedono, ordinano uno spritz, cominciano a raccontarsi che cosa stanno costruendo. «Io ho provato questo modello», «io sto facendo questo». È da qui che siamo partiti nella live di Audiocassetta: dall’AI che ti fa incontrare qualcuno con cui lavorare meglio.L’avevo chiamata “AI fisica”. E sì, il titolo si prestava a un equivoco con la robotica. Stavolta la parte fisica siamo noi.Un pub, un palco e competenze diverseHo invitato Ivan Mosetti perché usa l’AI, costruisce cose e le racconta. È cofondatore di MAIKER HUB insieme a Sara De Pietro e Igor Papo, e scrive la newsletter Consigli Pratici sull’AI per il Business. Ma la storia che mi interessava comincia molto prima del programma degli eventi.Un pomeriggio in un coworking, Sara gli propone di organizzare un incontro. Lei conosce il lavoro necessario per portare le persone in una sala; lui ha esperimenti e strumenti da far vedere. Il primo passo immaginato è un palco in un coworking pub di Roma, una piccola lezione, persone invitate a partecipare. Durante la partenza si unisce Igor.Ivan lo dice subito: «Se fosse stato solo per me non sarebbe stato così». Si definisce ancora un topo da biblioteca. Sara porta l’organizzazione degli eventi, Igor la relazione e la parte commerciale. Il progetto tiene insieme competenze che da sole avrebbero prodotto qualcosa di diverso.È un dettaglio che mi piace. Parliamo spesso dell’AI come del mezzo che ci permette di fare tutto da soli. Qui uno che sa costruirsi gli strumenti sceglie di fare un progetto con altre persone. Gli interessa il percorso insieme, oltre al risultato.E la presenza entra nel modo in cui imparano. Alcuni partecipano alla community online, altri vengono agli eventi, altri fanno entrambe le cose. All’aperitivo puoi arrivare anche solo con una curiosità. La domanda è concreta: che ci fai, con questa AI?Il preventivo batte l’ultimo annuncioGli chiedo come scelgono gli argomenti dei workshop. Seguono ciò che va di moda oppure ascoltano quello che le persone stanno cercando?Ivan risponde che la community è il loro punto di ascolto. Nelle live e nelle domande capiscono dove le persone si fermano. E racconta una difficoltà che conosco bene: quando lavori tutti i giorni con questi strumenti, è facile prendere la tua curiosità per un bisogno del pubblico.Tu hai appena scoperto un agente nuovo. La persona davanti a te vuole capire come preparare un preventivo.L’esempio del preventivo torna nella conversazione proprio perché è riconoscibile. C’è un lavoro da fare, un risultato da ottenere, qualcosa che puoi controllare. Da lì riesci a spiegare il funzionamento dello strumento senza chiedere a chi ascolta di conoscere già tutto il vocabolario.Ivan racconta anche una formazione individuale. All’inizio la persona gli chiedeva in quale progetto aprire la chat. Alla fine del percorso gli dice: «Ah ma è tutto qui?» Nel frattempo aveva imparato a mettere insieme pezzi che prima sembravano indecifrabili.Quel passaggio mi interessa più della corsa all’aggiornamento. Una buona formazione ti permette di capire il lavoro che stai affidando all’AI. La novità successiva avrà un’interfaccia diversa, ma tu avrai già una domanda da farle e un criterio per leggere la risposta.Siri AI+ nasce dalle finestre sempre apertePoi passiamo a qualcosa che Ivan ha costruito davvero: Siri AI+.Il problema di partenza è quasi banale. Mentre lavora ha sempre aperti Mail, Promemoria, Calendario e Note. Vuole un assistente che gli permetta di lavorare con quelle applicazioni. Così si costruisce un ambiente che ospita i modelli e li collega agli strumenti del Mac.Durante la live lo chiamiamo harness. Pensalo come all’applicazione e ai collegamenti che permettono al modello di fare un lavoro: ricevere la richiesta, trovare le informazioni e usare uno strumento. La qualità del risultato dipende anche da come è costruito quell’ambiente.Ivan racconta la scelta di integrare il lavoro di altri sviluppatori italiani, tra cui Simone Rizzo per il filtro dei dati personali. Gli piace che dentro il progetto ci sia il contributo di altre persone. Il tema della collaborazione ritorna anche nel software.Nella documentazione di Siri AI+, il progetto è presentato come un esperimento indipendente per Mac, con modelli locali e collegamenti alle app Apple. Sono previsti anche servizi cloud e un filtro per sostituire dati personali con segnaposto. Il repository indica una licenza non commerciale: prima di riusarlo per lavoro, va letta.In live Ivan è molto chiaro sullo stato dell’applicazione: «Ha i suoi bug, ha i suoi problemi». La sta facendo anzitutto per sé, invita a provarla e a lasciare feedback. Io gli dico che la sto usando e che vorrei l’integrazione con le memo vocali. Mi risponde che c’è già. Ecco, mi tocca aggiornare.Se vuoi guardare il progetto, c’è anche la sua guida a Siri AI+. Il punto da cui partirei è quello della live: quali finestre tieni sempre aperte, e quale passaggio vorresti rendere più semplice?Quando ti piace proprio il pezzo che la macchina fa al posto tuoA un certo punto gli chiedo che cosa succede quando, agli incontri, arriva la paura. Perché dal vivo qualcuno te la dice in faccia.Ivan racconta di un UX designer, una persona che lavora sull’esperienza d’uso dei prodotti digitali. Gli piaceva scontornare gli elementi e posizionarli. Con l’AI aveva sentito sottrarsi quella parte del lavoro. Era arrabbiato.La risposta di Ivan è diretta: il valore sta nello scontorno oppure nel mettere quell’elemento nel punto in cui una persona capisce come usare l’interfaccia? Poi riconosce che era stato brusco, tanto che i soci glielo avevano fatto notare.È una scena che merita di restare nel pezzo, con tutta la sua scomodità. La domanda sul valore è utile. E quel designer stava parlando anche del piacere di fare il proprio mestiere. Una parte del lavoro può essere automatizzabile e, contemporaneamente, importante per la persona che la svolge.Nella conversazione gli chiedo come tiene insieme la voglia di portare l’AI nelle aziende e la conoscenza dei suoi lati problematici. Ivan risponde che imparare a capire la tecnologia è il modo con cui prova a tutelare sé e chi lavora con lui.Su questo vale la pena fermarsi. Quando formiamo qualcuno, gli chiediamo di cambiare abitudini, gesti e a volte perfino l’idea che ha del proprio ruolo. Una demo riuscita apre la conversazione. Poi bisogna ascoltare che cosa quella persona teme di perdere.La firma resta tuaDalla chat arriva una domanda di Deborah: «Saremo dipendenti dal dato verificato?» La leggiamo così: affidiamo i compiti agli agenti e ci ritroviamo a controllare quello che hanno prodotto. Anche il controllo potrebbe diventare una routine che occupa tutta la giornata.Ivan risponde con la firma. Un documento, un report, qualsiasi risultato: qualcuno deve prendersene la responsabilità. «È colpa di Claude» non spiega perché tu lo abbia consegnato senza accorgerti dell’errore.Qui racconto una domanda che mi è stata fatta in consulenza: come decidiamo dove usare l’AI e dove vietarla? Durante la live uso un’immagine: provare a imbrigliare l’aria con una gabbia. Gli strumenti cambiano, gli usi si moltiplicano, fissare ogni possibilità una volta per tutte è difficile.La responsabilità di chi consegna, invece, deve essere chiara. Se ci metti la firma, devi sapere che cosa stai firmando. Anche quando il lavoro è passato attraverso un agente, o più di uno.Questo cambia anche il significato del tempo risparmiato. Ivan racconta che nel suo lavoro di marketing si è spostato dall’operatività verso il ragionamento e la strategia. È la sua esperienza. Per chi legge, la domanda pratica è quanto lavoro di controllo serve prima che un risultato possa uscire dal proprio computer.La critica alla criticaPrima, parlando di Siri AI+, gli… This is a public episode. If you'd like to discuss this with other subscribers or get access to bonus episodes, visit lacassettadegliaitrezzi.substack.com/subscribe

«A schermo intero sì, ecco, queste sono terribili».È la mia reazione alle locandine che Valerio Treviso porta in Audiocassetta. La conversazione parte da una provocazione sulla grafica fatta con l’AI e finisce per toccare qualcosa che riguarda anche chi fa un altro mestiere: quanto lavoro siamo disposti a fare su quello che la macchina ci restituisce?Questa edizione sarà piena di immagini. Guardatele insieme al testo: dalle locandine iniziali alle prove di Valerio, le differenze si vedono nei font, nella composizione, nella luce. Sono parte del ragionamento.Perché generare è diventato facile. Guardare il risultato e capire che cosa funziona richiede ancora attenzione, competenza e voglia di correggere.Le prime due immagini le ha recuperate Valerio da un articolo di Jason Koebler su 404 Media, We Are Living in a ‘ChatGPT Flyer Pandemic’. Nella raccolta cambiano gli eventi, ma tornano gli stessi ingredienti: scritte, illustrazioni, font che imitano la scrittura a mano, informazioni infilate in ogni spazio.La seconda è una parodia di Jill Oliver. “Your flyer looks like garbage”: il tuo volantino sembra spazzatura. Per prenderle in giro mette insieme proprio quei dettagli ricorrenti. La battuta funziona perché le abbiamo riconosciute prima ancora di leggere.Basta entrare in un bar di provincia per trovarne una simile. Ma questa chiacchierata è servita per chiarirmi su come si esce da quel risultato?La richiesta contiene già una scelta“Fammi la locandina per la sagra della pizza imbottita.”È l’esempio di Valerio.Una richiesta generica, che lascia al modello il compito di decidere quasi tutto.Valerio spiega che i modelli tendono a normalizzare: restituiscono soluzioni vicine alla media di quello che hanno visto. Per ottenere altro bisogna guidarli. Sapere come organizzare il design, quali contenuti inserire, che cosa chiedere e che cosa correggere.La prova con HiPRO, che vedete qui sotto, rende il passaggio molto concreto. Valerio vede il prodotto mentre fa la spesa e decide di usarlo in un’immagine. Carica la foto e, come riferimento, uno screenshot di un font reale. Spiega anche come distribuire il testo: tre righe.Il font somiglia a quelli che ritroviamo nelle locandine iniziali. Qui però qualcuno lo ha scelto, gli ha dato uno spazio, lo ha messo in relazione con il prodotto. È questo che mi interessa: la possibilità di dare una direzione al risultato attraverso decisioni precise.Con il siero il punto di partenza è un prodotto reale di un lavoro per un cliente. Valerio chiarisce che la modella non esiste e che anche l’ambientazione è inventata. L’immagine costruisce un contesto editoriale intorno al prodotto.Quelle informazioni fanno parte dell’immagine quanto la sua composizione. Ci aiutano a capire che cosa stiamo guardando e quale lavoro è stato fatto.“Bello” è solo l’inizio della conversazioneLe due Tokyo mostrano quanto possa cambiare il risultato mantenendo lo stesso soggetto. Una sembra una cartolina pop-up, con strati di cartoncino e piccoli elementi in rilievo. L’altra usa un’illustrazione piatta e minimale.Valerio propone possibili usi, dalla presentazione di un libro alla cartolina. La domanda diventa: quale linguaggio serve a quello che devo comunicare? Il gusto entra anche lì, nella relazione tra l’immagine e il suo impiego.Su questo Valerio distingue quattro aree. Il gusto stilistico è quello del “bella o brutta”. Quello culturale riconosce i riferimenti. Quello editoriale e concettuale valuta la composizione e la coerenza del messaggio: un testo può essere illeggibile, oppure l’immagine può dire qualcosa di diverso dalle parole.Poi c’è il gusto per la novità. Valerio osserva che oggi i nuovi linguaggi visivi arrivano così in fretta che facciamo fatica ad assimilarli. La sua risposta è lavorare su una firma riconoscibile, su scelte che tengano insieme immagini diverse.Colori saturi, luci e ombre forti: sono alcuni degli elementi con cui descrive il proprio codice visivo. Una coerenza che gli permette di passare dal ritratto all’editoriale e all’astratto. Alcune immagini della serie, racconta, gli sono state richieste da riviste.La critica alla criticaL’obiezione gliela faccio io: per arrivare a questi risultati bisogna essere super esperti di una piattaforma diversa da un chatbot?La risposta è concreta. Alcune delle prove le ha realizzate usando la chat dentro Flora, una piattaforma che riunisce diversi modelli AI per lavorare su testi, immagini e video. Valerio spiega che si possono caricare immagini di riferimento e descrivere in chat quello che si vuole ottenere. C’è anche un’interfaccia a nodi, quella che a prima vista mi aveva un po’ spaventato.Per altri interventi ha scomposto le immagini in livelli e riposizionato il testo a mano. Il lavoro passa da una richiesta a una correzione, e a volte da una correzione a un’altra.Valerio insiste su metodo, capacità di iterare, capacità critica e sensibilità estetica. C’è un momento in cui guardiamo il risultato e pensiamo: non è proprio quello che volevo, però va bene così. Lui lo chiama good enough, il buono abbastanza.«La locandina brutta è priva della responsabilità autoriale».La frase di Valerio riguarda sia quello che chiediamo sia quello che accettiamo dopo. Posso correggere, scartare, scegliere. Se pubblico un testo che si legge male o un’immagine che comunica il messaggio sbagliato, quella decisione l’ho presa io.Cosa mi porto a casaLa facilità di accesso agli strumenti mi interessa molto. Ma Valerio tiene fermo un punto: prima bisogna conoscere il proprio lavoro. Il chatbot entra tra gli strumenti con cui lo facciamo; le competenze ci servono per capire che cosa chiedere e come giudicare la risposta.E chi comincia? La sua risposta parte dalla curiosità e arriva allo studio. Racconta che si mette accanto ai figli per imparare le tecniche dei videogiochi, pur non essendo un gamer. Vuole capire come funzionano. È lo stesso atteggiamento con cui descrive il suo ingresso nella generazione di immagini: provare e insistere finché riesce a ottenere quello che ha in testa.Io durante la conversazione ammetto che i nodi mi avevano un po’ spaventato. Altre cose da imparare, insieme a tutte le altre. Alla fine dico a Valerio che andrò a riaprire Flora, dove non entro da qualche mese. Mi ha fatto venire voglia di riprovare.Gli ho anche proposto di tornare per un approfondimento pratico, e lui ha dato la sua disponibilità. La registrazione è qui sopra.Vi interessa lavorare su Flora insieme a Valerio? Che cosa vorreste provare a costruire? Scrivetelo nei commenti: portiamo quelle domande nel prossimo incontro. This is a public episode. If you'd like to discuss this with other subscribers or get access to bonus episodes, visit lacassettadegliaitrezzi.substack.com/subscribe

Durante una live di Audiocassetta ho parlato con Samuel Algherini , docente a contratto all’Università Roma Tre, dove insegna intelligenza artificiale applicata al linguaggio, oltre che formatore e advisor nel campo dell’intelligenza artificiale generativa. Siamo partiti da una domanda grande: l’intelligenza artificiale può sfuggire al nostro controllo? Poi la conversazione è arrivata a una domanda più vicina a una piccola impresa: se collego un agente alla posta, a chi gli permetto di scrivere?È questo il passaggio che mi porto via dalla diretta. Gli scenari estremi fanno notizia; intanto, strumenti già disponibili entrano nelle attività quotidiane. Possiamo discutere a lungo di chi guiderà i modelli più potenti. Possiamo anche decidere, oggi, quali dati e quali permessi dare ai sistemi che usiamo al lavoro.Per capirci, durante la live abbiamo tirato in ballo Peppino, l’idraulico che usa un chatbot come un motore di ricerca. Peppino non deve risolvere il futuro dell’umanità: vuole sapere se l’AI può aiutarlo nel suo lavoro. È da qui che si capisce la differenza tra la promessa dei titoli e quello che una persona riesce davvero a fare con uno strumento.Quando l’AI passa dalla risposta all’azioneUna chat ti propone una risposta, una bozza o un riepilogo. Un agente, invece, può essere collegato a una casella di posta, a una cartella o a un gestionale: legge informazioni e può avviare un’azione. È un cambio di responsabilità, non solo una funzione in più.Abbiamo immaginato un caso, senza raccontare un incidente realmente avvenuto: un agente prepara e invia email per conto di un’azienda. Se può scrivere a chiunque, un errore o un’istruzione nascosta in un documento potrebbe portarlo verso il destinatario sbagliato. Samuel ha indicato una misura concreta: una allowed list, cioè una lista dei destinatari autorizzati.La lista non rende il sistema infallibile. Riduce però il perimetro del danno possibile. Prima di collegare un agente a un processo, quindi, conviene chiedersi che cosa deve leggere, che cosa può fare e quali destinatari o risorse gli servono davvero. Il permesso minimo è una scelta di progetto.È anche un modo diverso di pensare al ritorno dell’AI. Non conta solo il tempo risparmiato o il testo prodotto più in fretta. Conta anche il danno evitato: un dato che non esce, una mail che non parte verso la persona sbagliata, un sistema che non può intervenire dove non serve.Il modello non ha un passaporto che risolve tuttoAbbiamo parlato anche dei modelli cinesi e della diffidenza che spesso li accompagna: «I miei dati non li do a un modello cinese». Abbiamo messo a confronto questa diffidenza con una domanda pratica: che cosa sappiamo del servizio americano che usiamo già? La provenienza del modello, da sola, non ci dice dove vengono trattati i dati, quali condizioni si applicano o se le conversazioni possono essere usate per addestrarlo.Anche pagare un abbonamento personale non equivale automaticamente ad avere le condizioni di un account aziendale. Sono impostazioni e accordi da controllare sul servizio concreto. E vietare tutto senza offrire un’alternativa può spingere le persone a usare account personali: la cosiddetta Shadow AI, che lascia l’azienda con meno visibilità proprio sull’uso che vorrebbe governare.Samuel ha spiegato anche la differenza tra modelli open-weight e open source. Nel primo caso sono disponibili i pesi del modello; nel secondo dovrebbero esserci anche gli elementi necessari a studiarlo e ricostruirlo, come codice e informazioni sui dati. Un modello scaricabile e usato in locale può essere utile per certe prove, ma non è una risposta universale: dipendono dal lavoro da fare, dal computer disponibile e da chi dovrà mantenerlo.La formazione viene prima della demoVerso la fine siamo arrivati a un’altra domanda: l’AI farà sparire i ruoli junior? Samuel ha descritto una possibilità diversa. Un junior può portare familiarità con gli strumenti; un senior porta esperienza, contesto e capacità di riconoscere le eccezioni. Se imparano l’uno dall’altro, possono lavorare meglio insieme. Perché succeda, però, serve formazione interna e la disponibilità a continuare a imparare.Per questo Samuel non partirebbe dall’insegnare a configurare l’agente del momento. Prima bisogna capire almeno come può sbagliare: inventare una risposta, assecondare un’idea infondata o seguire una prompt injection, cioè un’istruzione malevola inserita in un testo che il sistema legge. Solo dopo ha senso decidere dove l’agente è utile e quali controlli gli servono. La live non ha dato una regola valida per ogni azienda. Ha lasciato però un metodo per la prossima scelta: partire dal lavoro, guardare i dati coinvolti, definire i permessi e preparare le persone. Poi si può valutare lo strumento.Se domani collegassi un agente a un’attività della tua azienda, quale sarebbe il primo permesso che limiteresti?Ti è piaciuta questa chiacchierata. RivedileConosci qualcuno che non usa substack? Nessun problema, Audiocassetta è anche su Spotify, Apple podcast e YouTube. Ecco una piccolo raccolta delle ultime puntate Non perderti le prossime uscite della Cassetta, iscriviti. This is a public episode. If you'd like to discuss this with other subscribers or get access to bonus episodes, visit lacassettadegliaitrezzi.substack.com/subscribe

Valerio guarda il titolo sulla copertina e mi chiede se quel “Gli ultimi saranno i primi” è un riferimento biblico. Siamo all’Out Music Lab, a Montesilvano, con le chitarre appese alle pareti e la prima copia cartacea del mio libro sul tavolo.È una domanda giusta. Ma il titolo, per me, parla soprattutto di chi arriva per ultimo nelle decisioni sull’intelligenza artificiale e per primo ne sente gli effetti.Con Valerio De Carolis, giornalista e amico, ho presentato per la prima volta Gli ultimi saranno i primi, il mio libro E invece di fare una lezione sull’AI, finiamo a parlare di un fornaio, di una classe di scuola media, di un pesto zucchine e rucola e del libero arbitrio.Il fornaio che non ha mai aperto una chatIl primo personaggio è Marco, un fornaio. Non usa ChatGPT, Gemini o altri assistenti. Eppure, nel racconto, l’apertura di un data center vicino alla sua città finisce per cambiare il destino della sua attività.La storia è romanzata. La domanda, però, è concreta: che cosa cambia per chi vive accanto alle infrastrutture che alimentano l’AI? Energia e risorse smettono di essere un dettaglio tecnico quando entrano nell’economia di una città e nella vita di chi ci lavora.Questo è il filo del libro. Non cinque capitoli per spiegare come si usa una chat, ma cinque persone diverse per guardare a ciò che succede quando una tecnologia entra nel lavoro, nella scuola e nelle comunità.La docente e il riassunto che non basta piùDurante la live racconto di una docente che ha cambiato il compito: invece del riassunto di un libro, ha chiesto ai ragazzi di costruire un oggetto che ne raccontasse il contenuto. Il riassunto si ottiene in pochi secondi.Non penso che la risposta sia vietare ogni strumento. A scuola, però, c’è una capacità che non possiamo delegare prima ancora di averla allenata: capire se una risposta regge, cercare conferme, accorgersi quando manca un pezzo.Valerio mi chiede se l’intelligenza artificiale ci lascia il libero arbitrio. La conversazione si fa filosofica per un momento, poi provo a spiegare come funziona un modello con una ricetta.Gli chiedo del pesto di zucchine e rucola che aveva preparato seguendo ChatGPT. Una ricetta è una sequenza: metti questi ingredienti, fai questi passaggi. Un modello linguistico impara in un altro modo: vede moltissimi esempi e cerca le combinazioni che assomigliano di più a quello che gli chiedi. Non c’è qualcuno che gli ha scritto la ricetta riga per riga. C’è matematica, e ci sono le scelte fatte da chi ha costruito il sistema.È il genere di spiegazione terra terra che provo a fare anche nel libro. Per capire l’AI, a volte aiuta più una cena riuscita che una sfilza di definizioni.Il primo gradino della scalaTra i personaggi c’è un giovane del Sud che si trasferisce a Milano. Mi interessa una domanda che spesso resta fuori dalle previsioni sui lavori che spariranno: se automatizziamo i compiti con cui si comincia una professione, dove farà esperienza chi entra adesso?E poi c’è la giornalista, ispirata anche alle cause aperte sul rapporto tra editori, autori e sistemi di AI. Nel libro ho intrecciato storie inventate e fatti riconoscibili. I personaggi non sono cronaca con nomi cambiati: servono a rendere leggibili conseguenze che spesso discutiamo in astratto.Un libro nato da una sensazioneVerso la fine Valerio mi chiede da dove sia arrivata l’idea del libro. Risalgo ad Abbateggio, a un incontro di paese e a una sensazione che mi è rimasta addosso. Il testo poi è rimasto fermo a lungo. Ci sono tornato ripensando a quei giorni.Un modello potrà descrivere quel paesaggio e imitarne i colori. Ma non avrà il ricordo di esserci stato con gli amici, né quello di essere tornato a casa con quella sensazione. È da lì che è ripartito il libro.Intanto sto iniziando a portare il libro in giro con le prime presentazioni. Per raccogliere date, luoghi e tutte le informazioni, ho preparato un sito dedicato.Come ne parliamo, allora?Nel libro non sostengo che l’AI sia soltanto un male. La insegno e ci lavoro. Ma non voglio nemmeno raccontarla come un giochino senza conseguenze.Con Valerio siamo passati dalla scuola ai bias, dall’energia al potere. Ci siamo persi in qualche parentesi, come succede quando si parla con un amico. Ma il filo era sempre quello: seguire l’intelligenza artificiale dal punto di vista delle persone che di solito restano fuori dalla conversazione.La registrazione integrale arriverà sulle piattaforme della Cassetta. Gli ultimi saranno i primi è disponibile su Amazon in formato digitale e cartaceo. Valerio, quando gli chiedo da quale storia partire, sceglie quella del giornalista. Tu quale apriresti per prima?Dove trovo il libro?Facile, “Gli ultimi saranno i primi” è disponibile su Amazon in formato kindle e cartaceo.Valentino This is a public episode. If you'd like to discuss this with other subscribers or get access to bonus episodes, visit lacassettadegliaitrezzi.substack.com/subscribe

Prima di un corso faccio spesso una survey per capire il livello delle persone che avrò davanti. Mi aiuta a scegliere da dove partire. Ma mi restituisce un livello medio, e in aula la persona media non esiste.C’è chi usa già quei concetti tutti i giorni. Chi li ha sentiti nominare. E chi crede di averli capiti, ma poi li applica male. Stesso corso, bisogni parecchio diversi.Ne ho parlato con Fabio Gatto a Genova, nella prima puntata di Audiocassetta on the road. Siamo saliti al Santuario della Madonna del Monte per registrare con la città alle spalle. Nel frattempo c’erano i cani, un calabrone e il Genoa che giocava poco sotto di noi. Insomma, lo studio insonorizzato lo abbiamo lasciato a casa.Fabio era stato il primo ospite di Audiocassetta. Allora avevamo parlato di avatar per la formazione. Questa volta siamo tornati allo stesso problema da una direzione diversa: come fai a capire che cosa una persona deve ancora imparare?La Cassetta degli AI-trezzi esce ogni lunedì in forma scritta, mercoledì in live e giovedì puoi rileggere o risentirla in formato live podcast. Che aspetti? Iscriviti.Il corso è uguale. Le persone no.Fabio fa un esempio molto concreto: un negozio deve insegnare al personale a vendere una nuova linea di scarpe. Immagina due persone del negozio.Una persona lavora lì da anni. Conosce i clienti, sa leggere una scheda prodotto e ha già venduto articoli simili. Un’altra è appena arrivata e deve ancora capire quali domande fare a chi entra.Puoi metterle nella stessa aula. Ma quello che per una è un passaggio veloce, per l’altra richiede spiegazioni, esempi e tentativi. Se imposti tutto sui principianti, chi ha esperienza aspetta. Se acceleri, perdi chi ha appena cominciato.Il problema continua nell’e-learning: il video dura uguale per tutti, anche se ciascuno si ferma su cose diverse.L’apprendimento adattivo prova a intervenire qui. Nel modello descritto da Area9, il percorso cambia mentre il partecipante risponde: può proseguire su ciò che conosce oppure ricevere spiegazioni e altre domande dove incontra difficoltà.Fabio oggi lavora su questa soluzione. È il suo caso concreto, raccontato da chi la porta alle aziende. Io non l’ho testata sul campo: quello che mi interessa capire è la logica, prima ancora della piattaforma.Sbagliare sicuri di avere ragioneIl passaggio che mi ha interessato di più riguarda una seconda domanda, accanto a quella sulla materia: quanto sei sicuro della risposta che hai appena dato?Rhapsode misura anche questa sicurezza, che il produttore chiama confidence. La risposta corretta e la certezza con cui la dai sono informazioni diverse.Puoi rispondere bene ed essere pieno di dubbi. Oppure sbagliare convinto che la questione sia chiarissima.Sul lavoro la differenza conta. Se so di essere incerto, posso fermarmi, verificare, chiedere. Se sono sicuro di sapere, il controllo rischio di saltarlo proprio quando mi servirebbe.Da qui il titolo della nostra conversazione.Dal dubbio di Socrate all’apprendimento adattivo. Senza fare un seminario di filosofia, il punto è riconoscibile: per imparare mi serve anche accorgermi di quello che non so.Va tenuto un limite: dichiarare sicurezza non equivale a misurare perfettamente la consapevolezza. Anche Area9 riconosce che autovalutarsi è difficile e che le risposte possono essere poco sincere. È un’informazione in più, non una lettura della mente.L’AI che lavora sotto il cofanoQuando ho chiesto a Fabio dove fosse l’intelligenza artificiale, siamo arrivati a una distinzione utile.Una funzione adatta il percorso. Un’altra aiuta a preparare il materiale che quel percorso utilizzerà. Area9 documenta anche l’uso dell’AI generativa per creare corsi e trasformare PDF in contenuti adattivi.L’utente può trovarsi davanti domande ed esercizi abbastanza familiari. Niente avatar spettacolare, niente chat da riempire con un prompt perfetto. L’AI lavora anche dove si vede meno.Per chi produce formazione, però, resta un compito preciso: decidere quali capacità sviluppare e controllare che contenuti ed esercizi le mettano davvero alla prova. Generare domande velocemente non garantisce che siano le domande giuste.È una responsabilità che conosco bene da formatore. Una spiegazione può essere chiara, una slide può essere bella, e l’esercizio può comunque misurare la cosa sbagliata.La Cassetta degli AI-trezzi esce ogni lunedì in forma scritta, mercoledì in live e giovedì puoi rileggere o risentirla in formato live podcast. Che aspetti? IscrivitiSe risparmi tempo, a qualcuno non convieneHo chiesto a Fabio quali attriti trovasse nelle aziende. Uno dei primi che ha raccontato riguarda la formazione organizzata intorno a un monte ore.Se il vincolo è tenere le persone dentro un percorso per un certo tempo, arrivare prima all’obiettivo diventa difficile da valorizzare. Stiamo cercando di risparmiare proprio l’unità con cui quel percorso viene riconosciuto.È l’attrito raccontato da Fabio, non una regola valida per qualsiasi corso finanziato o obbligatorio. Ma mette sul tavolo una domanda seria: stiamo comprando ore di presenza oppure capacità utili al lavoro?Gli ho chiesto anche del ritorno economico. Fabio ha portato esempi di tempo risparmiato, vendite e riduzione degli errori. Sono casi raccontati dall’ospite, non risultati che ho verificato personalmente.Per la mia azienda vorrei una misura più vicina al lavoro: quanto prima una persona riesce a svolgere un compito senza affiancamento? Quali errori diminuiscono? Il senior che la segue può dedicarsi ai passaggi difficili, invece di ripetere le basi?Il tempo passato nel corso è un dato. Quello che succede dopo è un altro.La critica alla criticaL’obiezione facile è che con una piattaforma del genere il formatore diventi superfluo. Nella conversazione con Fabio emerge una possibilità diversa: usare la parte asincrona per preparare le basi e lasciare all’aula domande, casi, pratica e confronto.Chi forma deve progettare quel passaggio. Altrimenti rischia soltanto di aggiungere una piattaforma al corso che faceva già.C’è poi l’entusiasmo opposto: se il sistema porta tutti a completare gli obiettivi, allora tutti saranno competenti sul lavoro. Qui mi fermo. Rispondere bene nel percorso e saper intervenire in una situazione reale non coincidono automaticamente. La verifica deve continuare fuori dallo schermo.E quei dati sulla sicurezza delle risposte meritano attenzione. Chi li può vedere? Servono ad aiutare una persona o a giudicarla? Se vuoi che qualcuno ammetta una lacuna, devi costruire anche le condizioni perché possa farlo. Il software, da solo, non le crea.Prima del prossimo corsoQuesta Audiocassetta inaugura un esperimento: incontrare le persone anche fuori dalla videochiamata e parlare di applicazioni che stanno provando a risolvere problemi concreti. Con le loro frizioni, non soltanto con le demo. Scrivimi per organizzare una chiacchierata da te.Prima del prossimo corso che organizzi, o che la tua azienda acquista, prova a scrivere una frase: alla fine, questa persona saprà fare questa cosa. Poi scegli un compito reale con cui verificarlo.Se riesci a scrivere soltanto quante ore dovrà frequentare, hai già trovato una buona domanda da fare al fornitore.Tu come verifichi che un corso abbia cambiato davvero il lavoro? Rispondimi a questa email: sono curioso di conoscere il tuo metodo.Valentino This is a public episode. If you'd like to discuss this with other subscribers or get access to bonus episodes, visit lacassettadegliaitrezzi.substack.com/subscribe

Durante un assessment di processo, un cliente ti racconta come lavora davvero.Ti parla dei passaggi manuali, delle eccezioni, dei clienti, dei fornitori, dei problemi che non sono scritti da nessuna parte. Ti sta consegnando il suo vantaggio competitivo, anche se non lo chiama così.Poi tu prendi tutto e lo incolli dentro un chatbot.È una scena normale. Talmente normale che spesso smettiamo di farci la domanda più importante: dove finiscono quei dati?Ne ho parlato con Giorgia Tamborrini , IT Project Manager e Head of AI di Nexid, durante la live di Audiocassetta. Giorgia arriva dalla psicologia, non dall’ingegneria, e proprio per questo la sua lettura mi è sembrata utile: l’AI non è una gara a chi installa il modello più grosso. È una decisione di processo, di persone e di responsabilità.La soluzione locale non serve a tutti. Ma per alcuni dati, alcuni settori e alcuni team può essere la differenza tra usare l’AI oppure rinunciarci del tutto.Da psicologa a Head of AIGiorgia oggi guida progetti e sperimentazioni sull’AI in Nexid, ma il suo percorso è iniziato come project manager IT. Quasi tre anni fa, in azienda, è nato un laboratorio interno facoltativo.Non un corso con le slide già pronte. Un gruppo multidisciplinare che ogni settimana provava qualcosa e poi si chiedeva se quella cosa servisse davvero: sviluppatori, UX e UI designer, project manager, persone con competenze diverse.I primi obiettivi erano concreti: automatizzare pezzi del marketing, creare documentazione del codice, trasformare le interviste con i clienti in una mappatura più ordinata dei processi.Il laboratorio ha portato a casa risultati, ma anche una domanda scomoda. Puoi sperimentare quanto vuoi con le chat. A un certo punto, però, devi inserire l’AI dentro i flussi aziendali. E devi sapere che cosa stai consegnando a quei sistemi.Giorgia lo dice in un modo che mi trova completamente d’accordo: l’aspetto tecnico è fondamentale, ma se non capisci il contesto rischi di costruire automazioni che non servono a nessuno, non vengono usate e non risolvono il problema.Prima il processo, poi l’AI.L’AI locale spiegata senza complicarlaPartiamo da una distinzione semplice.Se spegni internet e il sistema continua a funzionare, stai usando un modello locale. Il modello e i dati si trovano sulla macchina o sul server che controlli tu, invece di passare ogni volta da un servizio esterno.Questo non significa che il modello locale sia automaticamente migliore. Significa che sai dove si muovono le informazioni, chi può vederle e quali parti del processo puoi governare.LAiR nasce da questa esigenza. Non è un singolo chatbot e non è un modello proprietario. È uno stack che mette insieme diversi strumenti open source: un’interfaccia di chat, un sistema per far girare i modelli, automazioni, gestione dei documenti, ricerca nelle proprie informazioni e, quando serve, strumenti per immagini e sviluppo.Il repository pubblico è Lair-ai/lair su GitHub. L’idea è rendere più accessibile una combinazione di strumenti che, presi singolarmente, richiederebbe a un team di smanettoni parecchio lavoro di installazione e integrazione.La parte difficile, però, resta proprio questa: spiegarlo senza farlo sembrare una cosa magica.LAiR non è “un ChatGPT privato con due click”. È un modo per comporre modelli e strumenti diversi dentro un ambiente aziendale, con la possibilità di decidere quali dati restano in casa e quali, eventualmente, possono passare da un’API esterna.Open source non significa prodotto finitoDurante la live ho fatto a Giorgia la domanda che arriva sempre quando un’azienda pubblica un progetto su GitHub: perché rendere open source tutto questo lavoro?La risposta non è stata “perché il codice è gratis”.Nexid ha scelto di aprire il progetto perché una piattaforma di questo tipo migliora attraverso il confronto con chi la prova. Il feedback della community serve a capire se le guide sono chiare, se i passaggi funzionano, se il prodotto è davvero utilizzabile da persone con esigenze diverse.Il codice pubblico è una parte del lavoro. Il valore che Nexid porta ai clienti sta anche nell’assessment, nella mappatura dei processi, nella formazione, nella manutenzione e nelle integrazioni con i sistemi già presenti in azienda.È un modello che vale anche per molte PMI italiane: puoi condividere un pezzo di tecnologia e continuare a vendere la parte che richiede esperienza, contesto e responsabilità.Il software open source non elimina il lavoro. Sposta il punto in cui quel lavoro crea valore.Tre casi in cui il locale cambia la conversazioneIl primo caso riguarda l’amministrazione. Una fattura può essere letta, classificata e controllata da un sistema locale. Se poi deve essere archiviata, condivisa con l’amministrazione o verificata rispetto a un progetto come il PNRR, il modello diventa un passaggio dentro un processo più grande.Il punto non è “facciamo leggere le fatture all’AI”. Il punto è evitare di caricare documenti sensibili su un account personale e poi sperare che nessuno si accorga di dove siano finiti.Il secondo caso riguarda la documentazione del codice. Giorgia ha citato anche COBOL, un linguaggio ancora presente in sistemi bancari e conosciuto da sempre meno sviluppatori. Un modello locale può aiutare a spiegare un repository, creare documentazione tecnica e facilitare l’ingresso di una nuova persona in un progetto, senza consegnare quel codice a un provider esterno.Non fa tutto da solo. Su repository grandi servono professionisti tecnici, controlli e una collaborazione con chi conosce il sistema. Però permette di affrontare progetti che, con un modello esterno, avrebbero troppi vincoli di sicurezza.Il terzo caso è quello dei trial clinici. Documenti complessi, informazioni sanitarie, molte persone che devono leggere e validare i risultati. In questi contesti l’AI può essere utile proprio perché riduce il tempo necessario per orientarsi nella documentazione, ma il dato originale deve restare dentro un perimetro controllato.Lo stesso ragionamento vale per le risorse umane. Un colloquio di selezione può contenere informazioni delicate. Oggi qualcuno trascrive, anonimizza e prepara manualmente una sintesi per evitare di mandare tutto a un chatbot. Un sistema locale può ridurre questo lavoro senza trasformare il colloquio in materiale da addestramento per un servizio che l’azienda non controlla.La domanda non è se l’AI sappia leggere quel documento. La domanda è se il processo autorizza qualcuno, o qualcosa, a vederlo.Locale contro cloud? La domanda è sbagliataLa parte più interessante della conversazione è arrivata quando abbiamo smesso di trattare cloud e locale come due squadre contrapposte.Giorgia non sostiene che ogni azienda debba comprare subito una macchina e installarsi tutto in casa. Ha raccontato anche la possibilità di testare una soluzione sul cloud, capire se funziona e solo dopo valutare l’investimento nell’hardware.In alcuni casi il cloud ha perfettamente senso. Può essere il modo più rapido per sperimentare, oppure la scelta adatta quando l’azienda non ha dati abbastanza sensibili da giustificare una gestione locale.In altri casi, il costo dell’hardware può avere senso per un piccolo team che usa ogni giorno lo stesso sistema. Durante la live Giorgia ha indicato, molto a spanne, un ordine di grandezza di circa 5.000 euro per un setup recente. Non è un listino e non basta per decidere: bisogna considerare utilizzo, manutenzione, competenze e numero di persone coinvolte.La flessibilità è il punto. Puoi tenere in locale i documenti sensibili, usare un modello esterno per un’attività autorizzata e gestire i permessi in modo diverso per gruppi diversi.Non devi scegliere una religione tecnologica. Devi scegliere il perimetro giusto per ogni lavoro.La critica alla critica“Il cloud è più semplice. Se metto l’AI in locale, aggiungo complessità al reparto IT.”È vero. L’AI locale non è una scorciatoia. Richiede hardware, aggiornamenti, sicurezza, monitoraggio e persone capaci di gestire l’infrastruttura.Ma usare … This is a public episode. If you'd like to discuss this with other subscribers or get access to bonus episodes, visit lacassettadegliaitrezzi.substack.com/subscribe

Un cliente aveva un problema di lentezza. Ha chiesto a Copilot di leggere i log di Windows e di spiegargli che cosa non funzionava.Copilot ha visto due agent di backup attivi. La diagnosi sembrava chiara: due attività stavano lavorando contemporaneamente e si stavano rubando le risorse.Il cliente, convinto di aver trovato la causa, aveva già iniziato a fermare i servizi di backup.Peccato che nessun backup fosse in esecuzione in quel momento. Gli agent erano attivi perché aspettavano un job schedulato. Il contesto, quello che diceva quando partivano i job e come era configurata davvero l’infrastruttura, non era dentro i log che Copilot aveva letto.La diagnosi era plausibile. Era anche sbagliata. Di questo e tanto altro abbiamo parlato di questo con Francesco durante la live di Audiocassetta. Francesco arriva dal mondo dell’hardware e lavora sulla parte dell’azienda che viene prima del click: server, rete, firewall, backup, cloud e sistemi di monitoraggio.La sua tesi è semplice: nell’infrastruttura l’AI non è un tecnico da lasciare solo davanti alla console. È un collega molto veloce, che prima deve conoscere il cliente, la configurazione e i limiti entro cui può muoversi.Il log è un frammento. L’infrastruttura è la storia completaPer molto tempo Francesco ha usato l’AI soprattutto per fare ricerche e orientarsi nella documentazione tecnica. Con i log, invece, il risultato era spesso pieno di allucinazioni.Non perché il modello non sapesse leggere una riga. Perché non sapeva che cosa ci fosse intorno a quella riga.Un firewall non è solo un firewall. Dietro ci sono una rete segmentata, macchine che comunicano in un certo modo, regole costruite nel tempo, eccezioni e sistemi legacy.La svolta arriva quando puoi dare all’AI una cartella intera di documentazione, configurazioni e informazioni sul cliente. Non più una domanda isolata, ma il contesto necessario per capire quello che sta guardando.È come fare l’onboarding di un junior. Se gli dai una schermata, può commentarla. Se gli spieghi come funziona l’azienda, quali sistemi comunicano tra loro e quali vincoli non può toccare, può iniziare a ragionare.L’AI non crea il contesto che manca. Ti fa notare quanto ti manca.Da un SIEM enterprise a una PMILe grandi aziende hanno strumenti e reparti dedicati alla sicurezza e all’osservabilità. Una PMI spesso ha gli stessi alert, gli stessi log e le stesse configurazioni stratificate, ma non ha un team interno per gestirli.Durante la live Francesco ha raccontato il progetto su cui sta lavorando con il suo team: AI-Pete.AI-Pete è un sistema di triage operativo per l’IT. Correla alert provenienti dalla mailbox e dai tool già presenti in azienda, li trasforma in casi prioritizzati e permette di interrogarli in chat, con il contesto a disposizione.La parte importante è l’ultima: le azioni richiedono un’approvazione umana. AI-Pete può rilevare, collegare, spiegare e proporre. La decisione finale resta all’operatore.Il paragone usato da Francesco è quello del pronto soccorso. Prima qualcuno raccoglie i sintomi, valuta l’urgenza e ti indirizza verso il problema giusto. Non sostituisce il medico.Lo stesso vale per l’infrastruttura. Il valore non è lasciare che l’AI prenda il controllo. È togliere il rumore che impedisce al tecnico di concentrarsi.Un alert ripetuto cento volte non è cento problemi. È un problema che non è stato ancora riassunto bene.L’AI come collegaFrancesco usa una metafora che mi sembra più utile di molte discussioni sulla sostituzione del lavoro: l’AI è un collega.A un collega puoi delegare una ricerca, una classificazione o una prima analisi. Poi controlli il risultato e decidi se procedere.La parte grezza deve restare ai sistemi che sanno farla meglio. Se devi filtrare 150 server Linux per sistema operativo, versione o ambiente, non serve chiedere a un modello di ragionare su ogni riga. Serve un sistema di gestione che faccia quel filtro in modo deterministico.L’AI entra dopo, quando deve interpretare il risultato, spiegare un’anomalia o mettere insieme informazioni sparse.Prima il processo. Poi il modello.Il junior che non deve saltare la gavettaLa domanda finale della live riguardava i junior. Se metti un agente accanto a un tecnico appena entrato, crescerà più velocemente o smetterà di imparare?La risposta è doppia.Un junior curioso può accelerare moltissimo. Può usare l’AI per cercare documentazione, farsi spiegare un errore, confrontare ipotesi e capire dove guardare.Ma se delega tutto, non costruisce gli schemi mentali che servono quando il sistema si rompe davvero.Francesco ha fatto il paragone con la calcolatrice. Se la usi prima di aver imparato il procedimento, ottieni il risultato ma non acquisisci la competenza. Quando la calcolatrice non basta, non sai più da dove partire.L’AI può rendere più rapido il percorso di crescita. Non può saltarlo al posto tuo.Vuoi risentire la live integrale?La registrazione è disponibile anche su Spotify e Apple Podcast.Francesco racconta il suo lavoro su sistemi, infrastrutture e AI nella newsletter Log di Fine Giornata e trovi maggiori info sul suo sito. La prossima volta che un chatbot ti dà una diagnosi sicura dopo aver letto tre righe di log, chiedigli che cosa non sa ancora del sistema.Di solito, il problema è lì.Valentino This is a public episode. If you'd like to discuss this with other subscribers or get access to bonus episodes, visit lacassettadegliaitrezzi.substack.com/subscribe

Qualche settimana fa a Guido è capitata questa scena: manda un link a un cliente per fargli vedere la nuova app. Il cliente clicca, non si apre niente. Era un localhost. Cioè un indirizzo che gira solo sul computer di chi l’ha creato, non su internet.È capitato anche a me di vedere la stessa scena, se vi state chiedendo perché ve lo racconto con un certo imbarazzo.Ho intervistato Guido Frigeri, co-fondatore di Kosuke, la startup che ho conosciuto un anno e mezzo fa quando eravamo tra i primi in Italia a “sfondare” i limiti gratuiti di Lovable (lo so è una storia divertente, se vuoi scoprirla senti l’edizione completa di audiocassetta).Biotecnologo di formazione, laurea a Bologna, tirocinio all’EMBL di Barcellona a contatto con i modelli che poi hanno portato ad AlphaFold, era il 2021, quindi prima di ChatGPT. Poi consulenza sull’innovazione in Italia, poi la startup. Il pattern, dice lui, è sempre lo stesso: gente che smanetta e si costruisce le cose da sola. La sua tesi triennale era una biostampante 3D che stampava cellule umane al posto della plastica.Il problema che nessuno vede finché non ci sbatte controNell’estate 2025 Guido e i suoi tre co-fondatori guardavano l’esplosione di Lovable e del vibe coding, cioè costruire software parlando in linguaggio naturale invece di scrivere codice. Da un lato la barriera d’ingresso crolla: chiunque può chiedere una feature, un sito, un’app intera. Dall’altro, due limiti che nessuno raccontava con lo stesso entusiasmo: la qualità del codice e la sicurezza.“Per me era: finalmente non dovrò più parlare con i developer” mi dice Guido, ricordando la sua fase da utilizzatore sfegatato di Lovable. Poi arriva il problema vero, quello che non si vede finché il prodotto non è in produzione: chi ha creato quell’app non ha idea dei rischi che si porta dietro. Login fatti male, dati esposti, vulnerabilità che nessuno ha mai controllato perché il tool ti fa vedere solo il risultato, non quello che c’è sotto.Kosuke nasce da qui. Non da un piano industriale scritto a tavolino, ma da un cliente svedese che aveva esattamente questo problema e da un team che si accorgeva di gestirlo bene.Prima: ticket e attese. Dopo: chi non sa scrivere codice apre una pull requestIl primo prodotto di Kosuke era quasi un servizio: prendevano il codice generato dal team non tecnico di un’azienda e ci mettevano sopra un controllo umano, come una revisione di un documento condivisa che qualcuno deve approvare prima che diventi definitiva. Funzionava, ma non scalava: era troppo legato alla consulenza, un progetto alla volta.La piattaforma che vendono oggi fa un salto diverso. Prende tutto lo stack tecnologico di un’azienda, frontend, backend e database, e lo fa girare in cloud dentro un browser. Chiunque nel team, non solo chi scrive codice, può aprire una chat, chiedere una nuova funzione, testarla live, mandare il link a un collega o al cliente. Quando è pronta, apre una pull request, cioè chiede al team tecnico il via libera prima che la modifica finisca online.I numeri che mi ha dato Guido: l’85% delle richieste va in produzione senza modifiche, il 10% ha bisogno di piccoli aggiustamenti, il 5% viene respinto con una spiegazione scritta del perché. Un CTO cliente gli ha regalato una cassa di vino perché finalmente il backlog di richieste minori veniva smaltito dal team non tecnico, e lui poteva dedicarsi al refactoring vero.La differenza con Replit o Lovable, mi spiega, non è la produttività individuale del developer che apre venti chat in parallelo invece di venti terminali. È rendere produttivo tutto il team, comprese le persone che un ticket lo scrivono e poi aspettano. Qui aspettano molto meno, ma soprattutto la revisione umana resta un passaggio obbligato: “Non succederà mai che io possa modificare una parte della piattaforma senza che passi da un controllo tecnico,” dice Guido, ed è la frase che mi ha convinto che non stanno vendendo l’ennesimo tool di autonomous coding.Il pen test nato per errore, diventato il secondo prodottoQuando Kosuke ha iniziato a fare onboarding di aziende vere, mid-market da 30 a 150 dipendenti, con team tecnici già esistenti che usavano Cursor o Claude Code per generare codice, si sono trovati davanti a un problema collaterale: c’erano già vulnerabilità di sicurezza al momento dell’ingresso. Non necessariamente colpa del vibe coding, spesso solo la normale distanza tra velocità e code review che si accumula quando un team smette di rileggere quello che l’AI scrive.Hanno iniziato a offrire gratis un penetration test black box, in pratica un tentativo controllato di sfondare l’applicazione da fuori. Prima per i clienti in onboarding, poi per gli amici, poi qualcuno ha chiesto di pagarlo. Le due alternative sul mercato erano un estremo automatizzato e veloce ma qualitativamente debole, oppure il pen test consulenziale classico, settimane di lavoro e costi che una startup non si può permettere. Kosuke ha costruito una pipeline con controllo umano su ogni vulnerabilità trovata e l’ha benchmarkata su XBOW, uno standard di riferimento per la qualità dei penetration test. Primo posto.Non è un pivot. È un secondo prodotto, dice Guido, perché il core business resta la piattaforma, quella su cui hanno chiuso un round da 1,2 milioni in SAFE. A settembre aprono la sede a San Francisco, quattro persone a tempo pieno, perché lì c’è il mercato dei fondi che hanno raccolto e i partner con cui parlare. Restano un team agnostico rispetto ai modelli: non costruiscono LLM propri, li integrano tutti, aggiornandosi ogni volta che esce qualcosa di nuovo, perché un cliente che vede mancare l’ultimo modello in piattaforma se ne accorge subito.Critica alla critica“Il vibe coding democratizza lo sviluppo, è tutto positivo.” Vero fino a un certo punto. Abbassa la barriera d’ingresso in modo enorme, ma se nessuno controlla cosa viene scritto, il debito tecnico e le vulnerabilità arrivano comunque. La domanda giusta non è se usarlo, ma chi lo revisiona.“Con l’AI ormai i developer servono sempre meno.” Kosuke dimostra il contrario: il ruolo del team tecnico cambia, non sparisce. Passa dallo scrivere codice ripetitivo al fare da controllo qualità e architettura, un lavoro più alto, non meno necessario.“Basta un tool di pen test automatico, costa meno.” Guido stesso ammette che la loro pipeline potrebbe essere commoditizzata se un modello raggiungesse i loro benchmark. Il vantaggio oggi è la combinazione tra automazione e verifica umana su ogni evidenza, cosa che i tool puramente automatici ancora non garantiscono con la stessa qualità.Cosa mi porto a casaSe in azienda avete qualcuno che vibe coda, anche solo per prototipare, la domanda da fare lunedì mattina non è “funziona?” ma “chi lo ha controllato prima che andasse online?” Se la risposta è nessuno, avete lo stesso problema che aveva Guido prima di fondare Kosuke.E se quel link che avete appena mandato al cliente si apre solo sul vostro computer, saperlo prima è meglio che scoprirlo insieme a lui.Tu la fai la code review prima di mandare in produzione quello che l’AI ti scrive? Rispondimi, mi interessa sapere quanto è diffusa questa abitudine. This is a public episode. If you'd like to discuss this with other subscribers or get access to bonus episodes, visit lacassettadegliaitrezzi.substack.com/subscribe

E se fossi tu il collo di bottiglia della tua azienda? Un’azienda delle Marche che conosco fa schede elettroniche. Se manca un pezzettino da un centesimo, la scheda intera, che ne vale dieci tipo, resta ferma. Moltiplicato per centomila pezzi, capisci quanto materiale immobilizzato si blocca per una vite mancante.Quindi lui chiama tutti i fornitori, tutto il giorno. E riceve altrettante chiamate di ritorno. Durante una formazione che stava seguendo con me, non riusciva a starci dietro: “Scusami, devo rispondere se no succede un macello.”Si è accorto, con qualche settimana di ritardo, di una cosa scomoda: il collo di bottiglia della sua azienda era lui. Non un macchinario, non un fornitore. Lui, al telefono, tutto il giorno.Ne ho parlato con Marco Caputo , Country Manager Italia di Fonio.ai, un centralino AI che ho testato di persona prima di questa live di audiocassettaChi è MarcoIngegnere meccanico, specializzato in aerodinamica automotive, laureato a Modena. Ha girato mezza Europa: Copenaghen, Budapest, Berlino, ora Vienna, da dove gestisce il mercato italiano di Fonio.Lo trovi qua anche su linkedINPrima di Fonio lavorava su computer vision per aeroporti, a rilevare anomalie nei bagagli. Ha conosciuto i fondatori a dicembre cercando una soluzione per un cliente in consulenza. Ha scoperto che stavano aprendo la Francia e ha chiesto lui stesso di aprire l’Italia. Sei settimane dopo, ci lavorava.“Aprire un nuovo mercato significa capire un problema, più che un prodotto.” È la frase con cui ha aperto la conversazione, ed è anche il motivo per cui questa puntata parte dal problema e non dal prodotto.Il problema, prima ancora del prodottoIl primo caso che Marco ha visto da vicino: un cliente elettricista con una rete di trecento installatori. Mentre lavora su un quadro elettrico, gli squilla il telefono. Deve rispondere, senza sapere se la chiamata durerà cinque minuti o cinquanta.L’idea di Fonio: un centralino che si interpone, ma non il classico IVR “premi 1, premi 2”. Un sistema che riconosce se chi chiama è un cliente esistente o nuovo, capisce cosa serve, propone un richiamo con orario preciso, e avvisa in anticipo la persona giusta.In pratica: risponde al posto tuo. Sa se passarti la chiamata, prenderti un appuntamento, controllare la disponibilità sul tuo calendario. E lo fa in modo conversazionale, non a bottoni.Qua te lo spiegano in 100 secondo, ma tornaci dopo che tra poco ci sono i casi d’uso.Il 95% dei problemi si risolve da soloUn hotel di quaranta stanze usa Fonio per il supporto in camera. Non funziona il climatizzatore? L’IA fa un primo aiuto (”controlla le batterie del telecomando”), e se non si risolve, apre un ticket automatico per il servizio tecnico.Il dato che racconta Marco è quello che vale la puntata intera: il 95% di quei ticket non richiede nessun intervento. Nel tempo in cui il cliente riprova, il problema si è già risolto da solo, e la percezione è “hanno sistemato tutto”. Prima, con centralino umano, l’hotel perdeva il 50-60% delle chiamate nei momenti di check-in.Non è che l’AI risolva meglio i problemi. È che avere un supporto, punto, è quasi tutto quello che serve. La risoluzione reale interessa il giusto.Il centralino non licenzia, promuoveL’obiezione più prevedibile, e più onesta, è: “non voglio che un’IA sostituisca una persona.”Marco risponde con un dato: dopo le prime settimane le chiamate si accorciano, ma il punteggio di qualità (quello che Fonio chiama IA quality score) sale. Le persone si adattano in fretta a un servizio che funziona.Chi prima faceva il centralinista, dice Marco, diventa la persona più adatta a impostare le regole del sistema. Non un tecnico, ma chi ha ricevuto per anni gli insulti al telefono e sa esattamente cosa serve dire, e quando.È un’inversione che vale la pena notare: non è la persona non tecnica a doversi adattare al software. È il software costruito attorno a lei.Sotto il cofano (per chi vuole i dettagli tecnici)Fonio lavora con quattro famiglie di modelli: modelli di ragionamento (OpenAI, Anthropic, Mistral, niente modelli cinesi per policy), modelli text-to-speech (ElevenLabs, Cartesia, Deepgram), modelli specializzati per dati sensibili (numeri, codici fiscali), e modelli proprietari per la latenza conversazionale.Server a Norimberga, non negli Stati Uniti: scelta esplicita per la sovranità del dato in Europa. Sull’anti-allucinazione, il sistema fa sempre un doppio controllo sui dati che il cliente ha caricato, prima di dare per buona un’informazione fornita da chi chiama. Serve a evitare sia gli errori sia le fughe di dati non autorizzate.Se questa parte non ti interessa, saltala pure. Il resto della puntata funziona lo stesso.Come provarloTre passaggi, non un progetto:Primo, vai su fonio.ai e inserisci il tuo numero. Ti richiama subito un agente AI con cui puoi parlare e fare domande, per farti un’idea in due minuti di come suona e come risponde.Secondo, prenoti una demo gratuita di 30 minuti con il team. Ti chiedono cosa fai e qual è il tuo problema con le chiamate, e lo testate insieme in diretta, in chiamata, sul tuo caso specifico.Terzo, se ti convince, l’attivazione in piattaforma richiede un onboarding di circa 15 minuti: trasferimenti di chiamata, formato delle notifiche (email o WhatsApp, scegli tu), eventuale conoscenza di base da caricare. Poi il team ti segue nel tempo, ma da lì in poi è già operativo.In totale, meno di un’ora dal primo test all’attivazione. Nessun contratto tecnico da leggere prima, nessuna integrazione da programmare: si scrive in linguaggio naturale cosa deve fare l’assistente, come si farebbe con un Gem o un GPT personalizzato.Cosa mi porto a casaSe ricevi chiamate mentre lavori e non puoi rispondere, oggi il problema si testa in 45 minuti, non in mesi di progetto: demo gratuita di 30 minuti, poi 15 minuti di onboarding.Chi in azienda risponde oggi al telefono è la persona più adatta a configurare un sistema del genere, non quella da sostituire.Prima di preoccuparti del costo, fai il conto del tempo che perdi a rispondere, o a non rispondere. Con quel numero il ROI si vede in pochi minuti, non in un business plan.Fonio ha appena chiuso un round da 14,5 milioni di euro, guidato dal fondo londinese 20VC di Harry Stebbings, con 3,5 milioni destinati proprio al mercato italiano nei prossimi 12-18 mesi. Il team Italia è passato da una persona a sei in poco più di due mesi.Marco sarà in Italia ad agosto per tre settimane. A settembre porterò casi d’uso reali di aziende e professionisti italiani che seguo, avvocati inclusi. La Cassetta vive di esempi veri, non di demo.Tu quante chiamate perdi al giorno, senza nemmeno accorgertene? This is a public episode. If you'd like to discuss this with other subscribers or get access to bonus episodes, visit lacassettadegliaitrezzi.substack.com/subscribe