Skip to content
Sign in
Artwork for AudioCassetta | by Cassetta degli AI-trezzi
TechnologyNewsTech News

AudioCassetta | by Cassetta degli AI-trezzi

Valentino Grossi

🎙️ AudioCassetta è il formato audio breve della Cassetta degli AI-trezzi. Approfondimenti rapidi su trend emergenti, casi d’uso concreti e strumenti AI spiegati in modo semplice, senza fuffa e senza tecnicismi inutili. Pochi minuti per capire cosa sta succedendo e cosa vale davvero la pena usare.

lacassettadegliaitrezzi.substack.com
Play
Open in
  • 22 episodes
  • weekly
  • Avg 59 min
  • Italian

Episodes 22

NewestOldestLongest
All20Unplayed20In progress0Played0
Counted on this page — what you have heard stays on this device, so it is not something the list can be paged by.
  • November 4 · 38 min

    L’AI ha risposto. Il cliente ha risolto?

    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 processo Torniamo 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 LinkedIn Luca 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

    • Transcript
  • October 15 · 47 min

    L’AI fisica comincia con uno spritz

    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 diverse Ho 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 annuncio Gli 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 aperte Poi 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 tuo A 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 tua Dalla 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 critica Prima, 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

    • Transcript
  • October 7 · 49 min

    Perché tutte le immagini AI sembrano fatte con lo stampino? (E come evitarlo)

    «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 conversazione Le 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 critica L’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 casa La 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

    • Transcript
  • September 30 · 45 min

    L’agente AI non deve poter scrivere a chiunque

    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’azione Una 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 tutto Abbiamo 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 demo Verso 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. Rivedile Conosci 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

    • Transcript
  • September 23 · 41 min

    Dietro le quinte del mio primo libro

    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 chat Il 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 più Durante 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 scala Tra 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 sensazione Verso 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

    • Transcript
  • September 17 · 37 min

    Audiocassetta | Hai finito il corso. Ma cosa sai fare?

    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 ragione Il 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 cofano Quando 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? Iscriviti Se risparmi tempo, a qualcuno non conviene Ho 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 critica L’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 corso Questa 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

    • Transcript
  • July 29 · 58 min

    E se i tuoi dati non lasciassero mai l’azienda?

    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 AI Giorgia 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 complicarla Partiamo 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 finito Durante 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 conversazione Il 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 sbagliata La 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

    • Transcript
  • July 22 · 1 hr 2 min

    L'infrastruttura IT che si ripara "da sola" — il sogno dell'AI ops e la realtà

    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 completa Per 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 PMI Le 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 collega Francesco 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 gavetta La 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

    • Transcript
  • July 15 · 1 hr

    Dormi tranquillo: al pentest sula tua web app ci pensa l'AI

    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 contro Nell’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 request Il 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 prodotto Quando 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 casa Se 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

    • Transcript
  • July 8 · 1 hr 6 min

    Chi risponde al telefono quando tu non puoi?

    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 audiocassetta Chi è Marco Ingegnere 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 linkedIN Prima 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 prodotto Il 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 solo Un 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, promuove L’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 provarlo Tre 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 casa Se 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

    • Transcript
  • July 1 · 1 hr 3 min

    E se l’AI sapesse già quanto inquina il tuo edificio? (e non solo)

    Martina Simoni è la prima persona che viene su Audiocassetta che conosco dai tempi dell’università. Gli altri ospiti li ho conosciuti tutti nell’ambito dell’AI, negli ultimi anni. Martina no. Ci siamo conosciuti a L’Aquila, quando eravamo entrambi studenti, lei in ingegneria edile-architettura, io in gestionale. Il target classico degli scherzi degli altri amici e colleghi ingegneri. Quando ho aperto il suo LinkedIn qualche mese fa e ho letto “AI Researcher” accanto ad “Architect”, mi sono fermato. Mi ha colpito vedere da dove era partita e dove era arrivata, e in quanto tempo. Ho parlato con lei di AI in architettura, di come nasce un MVP in un settore che non sai programmare, e di cosa significa davvero fare reskilling in modo ragionato. Chi è Martina Originaria di L’Aquila, si è laureata in ingegneria edile-architettura. Ha lavorato sei anni in Olanda, in uno studio di architettura, su progetti legati alla pianificazione urbana. Il punto di svolta arriva con un progetto per la regione di Bruxelles: mappare la città dei 15 minuti, ovvero verificare che ogni cittadino avesse a meno di 15 minuti da casa i servizi essenziali: farmacie, medici, supermercati, trasporti pubblici. Per farlo, il team doveva costruire un tool di analisi spaziale. Martina si avvicina al mondo dei dati per la prima volta. “Raramente in architettura le decisioni si prendono sui dati,” dice. “Di solito si basano sull’esperienza personale del progettista. Quel progetto mi ha fatto capire cosa cambia quando hai i numeri.” Da lì, tramite un contatto in comune, viene a conoscenza del master in AI, Architecture and Business Innovation all’IAAC di Barcellona, l’Istituto di Architettura Avanzata di Catalogna. Istituto privato non-profit con un approccio molto pratico, learn by living. Ha mollato l’Olanda, si è trasferita a Barcellona, e ha ricominciato a studiare. AI in architettura non è solo render La prima cosa che viene in mente quando si pensa ad AI e architettura è il render. Prendi un prompt, lo metti su Mid Journey o su Nano Banana, il modello di Google per la generazione di immagini, e ottieni un’immagine dell’edificio. Martina lo conferma: è quello che fanno tutti. E funziona, nelle fasi preliminari, quando hai bisogno di una visualizzazione veloce da mostrare al cliente o da allegare a una gara d’appalto. Salva tempo. Prima i render richiedevano ore su software specializzati, adesso in cinque minuti hai qualcosa di decente. Il problema è che quell’immagine è un output, non un input. Non la puoi usare per fare altro. Non entra in nessun altro processo. “In architettura l’AI non dovrebbe essere solo generativa,” dice. “Dovrebbe essere decisionale.” Cosa significa in pratica: * Computer vision in cantiere: analisi di immagini da drone per monitorare l’avanzamento lavori e confrontarlo con il progetto originale. * Sensoristica su infrastrutture: sensori su un ponte che, collegati a modelli predittivi, segnalano qual è il punto critico su cui intervenire prima che si rompa. * Analisi ambientali integrate nel design: capire come il sole e il vento influenzano l’edificio già durante la progettazione, non dopo. * Design parametrico assistito: dove la forma dell’edificio è direttamente collegata a equazioni e variabili ambientali, senza dover essere esperti di fisica degli edifici. Fa un esempio che resta: il Walkie-Talkie Building di Londra. Facciata completamente in vetro, forma curva. Il problema è che quella facciata rifletteva la luce solare su un punto preciso della strada, concentrandola come una lente. Fondeva le macchine parcheggiate lì sotto. Un’analisi ambientale fatta prima avrebbe evitato il problema. Con gli strumenti attuali, si sarebbe potuto simulare in fase di progetto. “Eviti prima, riduci i costi dopo.” Delta Carbon: il tool che calcola l’impatto prima di costruire Durante il master, Martina e il suo team, Rashid Sadla e Rimchu Pani, hanno sviluppato un tool che si chiama Delta Carbon. L’idea nasce dal Life Cycle Assessment, LCA, ovvero la valutazione dell’impatto ambientale di un edificio lungo tutto il suo ciclo di vita: dall’estrazione dei materiali, al trasporto, alla messa in opera, all’uso, fino alla dismissione. È uno strumento che esiste da anni in architettura, ma che in pratica quasi nessuno usa nelle fasi preliminari, perché richiede molto tempo e un’expertise specifica. Delta Carbon si concentra sull’upfront carbon: le prime due fasi del ciclo, produzione dei materiali e trasporto in cantiere. Ed è lì che la legislazione europea sta puntando. Presto sarà obbligatorio rendicontare questo dato. Come funziona: si importa il modello 3D dell’edificio realizzato in Rhinoceros, il software di modellazione più diffuso tra gli architetti. La dashboard di Delta Carbon legge il modello, associa automaticamente i materiali ai componenti edilizi, tetto, fondazioni, pilastri, facciata, finestre, e si collega via API all’EPD, l’Environmental Product Declaration, il database internazionale in cui ogni materiale commercializzato ha la sua scheda di impatto ambientale. Il risultato è una stima dell’upfront carbon con raccomandazioni su come ridurlo. La parte che cambia tutto: il tool è integrato direttamente in Rhinoceros come plugin. Ogni volta che l’architetto aggiorna il modello 3D, basta andare sulla dashboard e fare refresh. Non si esce dal proprio flusso di lavoro. “Abbiamo pensato che altrimenti nessun architetto lo userebbe mai,” dice Martina. “Se devi esportare, importare, cambiare strumento, è già perso.” Il lancio è avvenuto la settimana scorsa a Barcellona, nell’ambito di Barcellona Capitale dell’Architettura 2026. L’MVP è pronto. Stanno cercando beta tester, in particolare architetti, ingegneri e studi che vogliano provarlo su progetti reali. Puoi contattare Martina direttamente dal suo linkedIN qui. Intato ti lascio una piccola demo, perché in live era difficile da spiegarlo a parole. Due anni da zero Martina ha fatto il suo “coming out£ durante la live: prima di quel progetto sulla città dei 15 minuti, pensava che l’AI fosse solo ChatGPT. Da quel momento al lancio di Delta Carbon: circa due anni. In mezzo: il master all’IAAC, Python, JavaScript, Claude Code come assistente di sviluppo, un primo progetto di crowd management per i grandi festival indiani (dove il team ha dovuto etichettare manualmente migliaia di immagini satellitari su Photoshop per insegnare al modello a distinguere le persone dalla strada), e poi lo sviluppo del tool con il plugin per Rhinoceros. “Sono pignola,” dice. “Se decido una cosa, devo diventare l’esperta di quell’argomento.” Non era esperta di machine learning. Non sapeva programmare. Ha imparato lungo il percorso, con strumenti che un anno fa erano molto più limitati di quelli di oggi. Il primo progetto sul crowd management lo hanno sviluppato quando i coding assistant facevano solo pezzi. Su Claude Code adesso si fa tutto, inclusa l’integrazione del plugin. C’è un punto che vale la pena sottolineare: il vantaggio competitivo non è nel codice. È nella conoscenza del settore. “Un architetto sa cosa non funziona in architettura. Sa dove il processo si inceppa, dove si perdono soldi, dove la normativa sta andando. Io ho usato l’AI per costruire sopra quello che sapevo già.” Chi viene dall’esterno e prova a fare lo stesso strumento senza sei anni di cantieri, di progettazione, di client meeting, fa un buco nell’acqua. Non perché non sappia programmare. Perché non sa cosa costruire. Il suo insegnamento? Usarla dove vale C’è un filo che attraversa tutta la conversazione con Martina: la misura. “L’AI non è sostenibile a livello ambientale. Lo sappiamo. Se la usi per fare sei render diversi di una facciata per mostrare i materiali al cliente, stai consumando energia per qualcosa che si poteva fare in un altro modo.” Il punto non è evitarla. Il punto è usarla dove i benefici superano i costi. Se un tool come Delta Carbon aiuta a ridurre le emissioni di un edificio, l’energia che consuma per girare è giustificata. “Stare nella misura delle cose. Usarla come strumento potentissimo, senza dimenticar… 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

    • Transcript
  • June 25 · 1 hr 4 min

    La storia dietro le stories. Marco, Nanospot e il valore del vibe coding

    Il micro-influencer che mangia la pizza (e si fa una story) vale più di quello con 100.000 follower. Marco lo ha capito in fabbrica. L’ha costruito di notte. Adesso ha una startup. In breve: Nanospot è un’app di passaparola digitale che ti permette di taggare il locale e di guadagnare qualcosa su una story. Chi ha meno follower è più prezioso perché i suoi 300 seguaci sono persone reali. Marco ha costruito tutto questo senza background tecnico, copiando e incollando codice da ChatGPT su un editor di testo per fare il suo MVP la sera, dopo otto ore in ufficio. Ci ha raccontato come da un lavoro serale si passa a un startup che ha già raccolto il suo primo round di investimento e ha già diversi micro creator attivi. Ho parlato con Marco Misantone in diretta su Audiocassetta. Marco è del mio stesso paese. Uno di quelli che vedi in giro e pensi “sì, sveglio” ma non immagini cosa stia costruendo dietro le quinte. Poi apre bocca e ti fa spostare dalla sedia. Ha iniziato a fare il vibe coder quando vibe coding non era ancora una parola. Di giorno, ufficio acquisti, fornitori, fatture. Di sera, tornava a casa e programmava. Senza sapere programmare. Con GPT-3-5 aperto da un lato e un editor di testo dall’altro. Questo episodio di Audiocassetta racconta di tre cose: come nasce una startup quando non sei tecnico, cosa significa davvero essere un micro-influencer nel 2026, e perché stare nella chat web di ChatGPT non è usare l’AI. Da zero a startup: la storia dell’autodidatta che ha imparato l’AI prima di imparare a programmare Prima di Nanospot, la startup di Marco solo un’idea. Anno 2019, università di economia, nessun tool degno di questo nome. L’idea era già chiara: una persona normale, con 300 follower, non ha modo di guadagnare dai social. I micro-influencer piccoli non esistono come categoria redditizia. I grandi sì, i piccoli no. Marco inizia con file Word e Excel. Scouting manuale, tanta voglia, quasi nessuno strumento. Poi arriva ChatGPT, novembre 2022. Si iscrive subito. Nel 2024 inizia a programmare sul serio. Copia pezzi di codice da ChatGPT, li incolla su un editor di testo, li aggiusta a mano. Senza Git, senza capire CSS, mandando in loop l’AI finché il contesto non si svuotava. “Alle 140 riga riscriveva comunque tutto da zero.” Suona familiare? Quello che ha imparato in quel periodo non è solo codice. Ha imparato come ragiona un modello. Come si costruisce un prompt verticale. Come si struttura un task per non sprecare token. E soprattutto: che la differenza tra ChatGPT nella chat web e un agente AI che scrive codice nel tuo editor è la differenza tra un coltellino svizzero e un tornio industriale. Nel mezzo, qualcosa che molti trascurano: Marco era ossessionato. Non è una parola neutra. Tornava a casa la sera e programmava fino alle 2 di notte. Si alzava alle 7, andava al lavoro, tornava, ricominciava. Con un obiettivo preciso: mettere su una piattaforma funzionante. Non per diventare programmatore. Per costruire qualcosa in cui credeva. Questo è il pezzo che i corsi di vibe coding non insegnano: l’AI amplifica chi sa cosa vuole. Non sostituisce la direzione. Come funziona Nanospot: il totem che paga la gente per “mangiare la pizza” Il meccanismo è questo. Nanospot posiziona totem fisici nei locali: ristoranti, bar, pizzerie, posti dove la gente sta. Il cliente scansiona il totem, fa una foto, tagga il locale, posta. E riceve dei soldi. Non grandi cifre, ma soldi veri, automatici, per qualcosa che molte persone già fanno gratis. Il punto non ovvio è chi vale di più in questo sistema. Non il grande influencer da 100.000 follower. Quello ha già i suoi accordi, i suoi prezzi, la sua struttura. Nanospot punta su chi ha 300, 500 follower. Più piccolo sei, più per loro sei prezioso. Marco usa una metafora semplice. Immagina una piazza di paese. Sul palco c’è un oratore che parla a 2.000 persone. Intorno, persone comuni che salgono e dicono qualcosa. Tu guardi tutti e due, ma involontariamente assorbi anche i secondi. Quegli 800 amici che postano tutti la stessa pizzeria? Alla fine ci vai anche tu. Il valore non è nella reach. È nella fiducia. Quando un tuo amico vero posta quella pizzeria, ci vai. Perché lui è reale. Quella foto è reale. Non è uno spot. Nanospot ha costruito la piattaforma che monetizza quel meccanismo. Con un accordo unico: tu lo fai con Nanospot, non con ogni singolo locale. Accedi una volta, poi pensano loro. La pizzeria paga Nanospot. Nanospot paga te. Una cosa che mi ha colpito: il totem è fisico. In un momento in cui tutto migra sul digitale, Nanospot è entrata nei locali con un oggetto. Che poi collega tutto il digitale, il taglio su Instagram, il pagamento, il tracciamento. Ma parte da un pezzo di hardware in mezzo ai tavoli. Anti-intuitivo. E proprio per questo difficile da copiare. Come Marco usa l’AI: tre livelli che la maggior parte delle persone non raggiunge mai Marco ha condiviso il suo stack. È il tipo di stack che un autodidatta costruisce per tentativi, non quello che trovi nei corsi. Brainstorming. Quando analizza un’idea, apre un’AI e fa fare a ciascuno una competitive analysis, una SWOT, un’analisi di posizionamento. Poi porta tutto in NotebookLM e ci fa query sopra VS Code con agenti integrati. Il consiglio più netto della serata. Se usi solo la chat web, non hai capito cosa significa usare l’AI. È come avere una Ferrari e usarla solo per andare al supermercato. Con un editor e un agente che accede al file system, che conosce il progetto, che segue il contesto reale: lì si lavora. “Già quando inizi a capire come usarla lì, sali di livello. E non torni indietro.” Ollama da terminale. Per chi vuole gli agenti AI in locale, senza dipendere da un servizio cloud. Marco lo usa da riga di comando perché si sente “più confidente” rispetto alle interfacce web. Non è per tutti, ma è un livello in più di controllo. Claude vs ChatGPT: la valutazione onesta di un vibe coder Marco preferisce ChatGPT per il codice su certi tipi di prompt molto verticali. Dice che consuma meno token per lo stesso risultato quando il task è specifico e ben definito. Claude lo usa e lo apprezza. La sua metafora: ChatGPT è la Ferrari. Devi saperla guidare, ma quando la guidi bene ti stupisce. Claude è la macchina elettrica ad alte prestazioni: tantissimi cavalli, super controllata, performa bene anche quando il prompt è approssimativo. Non è una recensione definitiva. È la valutazione di un vibe coder su un caso d’uso preciso. Ma è onesta. E in un campo dove tutti parlano di “il miglior modello in assoluto”, un’opinione personale con ragionamento dietro vale più di qualsiasi benchmark. Per il marketing video usa Flow: da un’immagine generata crea video con effetti cinematografici. Lo hanno usato per uno spot proiettato in piazza del paese, gigante, nel mezzo del loro mercato di riferimento. C’è qualcosa di poetico in questo. Cosa mi porto a casa da questa live 1. Il più piccolo non è meno prezioso. Nanospot lo ha capito prima di molti: un cliente con 300 follower reali vale più di un influencer con 100.000 follower comprati o lontani. Il valore è nella fiducia, non nella reach. E la fiducia si costruisce in anni di rapporti veri, non di contenuti sponsorizzati. 2. Uscire dalla chat web è il salto vero. Non da un tool a uno più avanzato. Da ChatGPT.com a un editor con agenti integrati. Quel salto cambia la natura del lavoro con l’AI. Non è questione di strumento: è questione di come pensi al task. 3. Il brainstorming multi-modello funziona. Non per trovare la risposta giusta ma per trovare le domande che da soli non ci faremmo. Cinque AI che rispondono alla stessa domanda producono cinque angolazioni diverse. Quella tensione è il valore. A settembre Marco fa qualcosa di grosso. E chi segue Nanospot lo vedrà. La domanda che mi ha lasciato aperta: quanti locali vicino a te stanno ancora pagando un’agenzia per contenuti che potrebbero far produrre dai loro stessi clienti, in modo autentico, mentre mangiano lì? Scrivimi. Sono curioso di sapere cosa trovate. Audiocassetta esce ogni settimana. … 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

    • Transcript
  • June 17 · 1 hr 10 min

    Farsi citare dai motori AI è il nuovo modo di acquisire clienti.

    In breve — Le ricerche su AI valgono già il 56% di quelle su Google. Il CTR dai siti è sceso dall’8% al 15% da quando è arrivata l’AI Overview. Se non sei nelle risposte dei modelli, non sei nel percorso d’acquisto di una fetta crescente di clienti. La GEO (Generative Engine Optimization) è il campo da gioco parallelo. Tre mosse concrete nella sezione finale. Ho parlato di tutto questo con Francesco Fabris, lo trovi qui su LinkedIN, nella puntata di Audiocassetta. Francesco sta costruendo Geoactor uno strumento per misurare dove e come vieni citato dai modelli AI rispetto ai competitor, con analisi tecnica del sito e tracciamento delle risposte. Se volete sentirvi la conversazione completa, è già su Spotify e Apple Podcast. Ieri sera, in diretta su Audiocassetta, ho parlato con Francesco Fabris, founder di Euphor.ia, una delle aziende italiane che lavorano sui workflow agentici da prima che diventasse di moda. Stavamo parlando di GEO, Generative Engine Optimization, e a un certo punto Francesco ha detto una cosa che vale la pena scrivere nero su bianco: “Se l’AI non ti cita, non esisti nel 2026.” Non era un’ idea futuristica. Ma una descrizione di quello che sta già succedendo. L’esempio che usa Francesco è semplice: una volta la ricerca del ristorante la facevi su TheFork. Oggi la chiedi a Gemini o Perplexity. Il risultato non è una lista di link con stelle e orari: è una risposta. Quattro nomi, una spiegazione, magari un link. Se il tuo ristorante non è in quella risposta, per quella persona non esisti. Questa scena si ripete milioni di volte al giorno. Non solo ristoranti: avvocati, consulenti, aziende manifatturiere che vendono componenti B2B. Le persone non cercano più solo su Google. E il risultato non è una lista di link: è una risposta. Il problema è che quella risposta include qualcuno ed esclude qualcun altro. Qui trovi Euphor.ia, l’azienda di Francesco. I numeri che pochi conoscono Secondo dati Ahrefs, le sessioni AI valgono già il 56,3% del volume della ricerca tradizionale. Non vuol dire che Google è morto: vuol dire che la torta è cresciuta, ma che la quota di Google si è ridotta. Fatte 100 ricerche su Google, ce ne sono già 56 su AI. E poi c’è il dato che fa male davvero: il CTR. Da quando Google ha introdotto l’AI Overview, quella sintesi automatica che appare in cima ai risultati, il click-through rate medio è passato dal 15% all’8%. Su 100 persone che cercano qualcosa, 92 leggono la risposta AI e non cliccano su nessun sito. Nell’1% residuo, qualcuno clicca su una fonte. E quella fonte sei tu. O non sei tu. 45 miliardi di interazioni al mese sui principali modelli AI. McKinsey stima 750 miliardi di dollari di ricavi influenzati da AI entro il 2028, solo negli Stati Uniti. Non generati direttamente dall’AI — ma influenzati. La differenza non cambia la domanda: quando qualcuno chiede a un’AI se comprare da te, tu sei nella risposta? Come funziona: la logica della citazione dell’AI I modelli AI moderni non vanno nella loro “memoria” per rispondere a domande pratiche. Funzionano con un meccanismo chiamato RAG (Retrieval-Augmented Generation): recuperano informazioni aggiornate dal web e le sintetizzano. La risposta che vedi è la sintesi di quello che hanno trovato. C’è un altro meccanismo importante: il query fanout. Quando fai una domanda, il modello non cerca solo quella domanda esatta. La smonta in più sotto-domande, va in parallelo su direzioni diverse, poi sintetizza. “Dove mangio pesce fresco a Milano?” diventa “ristoranti pesce Milano”, “recensioni pesce fresco Navigli”, “migliori trattorie di mare centro Milano”. Se hai contenuto su quelle sfumature, puoi essere citato in uno o più dei rami. La conseguenza pratica: non basta una pagina “Chi siamo” ben scritta. Servono contenuti che rispondono a domande specifiche, da più angolazioni. Ecco i tre consigli di Francesco Capsule copywriting: scrivi per atomi, non per pagine Qui cambia la logica rispetto alla SEO classica. Prima ottimizzavi per le keyword: più ne mettevi, meglio era. Il modello AI ragiona diversamente. Un articolo infinito, denso, pieno di ripetizioni, il modello fatica a leggerlo. E se fatica, non lo cita. Il capsule copywriting è l’idea di scrivere in blocchi atomici: ogni contenuto risponde a una domanda precisa, in poche righe, in modo diretto. Una domanda, una risposta, un paragrafo. Molti blocchi, molte sfumature. Se fai le finestre a Chieti: * “Come scegliere il vetro termoisolante per una casa anni ‘70” → un articolo * “Quanto costa sostituire una finestra in PVC nel 2026” → un altro * “Come capire se è il momento di cambiare i serramenti” → un altro ancora Ognuno di questi è un punto di accesso nelle risposte AI. Insieme costruiscono un profilo di contenuto che il modello può citare su più fronti. EEAT: il framework che già esiste (ma quasi nessuno applica) Google ha codificato questa logica con il framework EEAT: Experience, Expertise, Authoritativeness, Trustworthiness. Experience (esperienza diretta): scrivi di cose che hai fatto davvero. Se hai sostituito 200 finestre nell’ultimo anno, hai dati originali che nessun altro sito ha. Foto originali, numeri reali, casi concreti. Expertise (competenza): collega gli articoli alle persone che li scrivono. Un profilo LinkedIn del tuo tecnico che spiega un intervento vale più di un articolo anonimo. Authoritativeness (autorità): vieni citato da altri? Forum, articoli su siti di settore, digital PR. Ogni menzione esterna rafforza il segnale. Trustworthiness (fiducia): ed è qui la trappola più comune. Molti siti hanno incongruenze che sembrano innocue e invece penalizzano tantissimo. Il sito dice “digital agency”. Su LinkedIn sei taggato come “social media marketing”. Nella pagina contatti il tuo co-fondatore è descritto come “web developer”. Per un modello che cerca coerenza, questi segnali contrastanti abbassano l’affidabilità percepita dell’intero sito. Il blocco tecnico che quasi nessuno considera Prima ancora di scrivere, c’è una domanda più urgente: i crawler AI riescono a leggere il tuo sito? Ci sono due tipi di crawler: quelli che raccolgono informazioni per dare risposte (istantanei, rapidi) e quelli che alimentano il training dei modelli (più rari per siti piccoli). Il primo è quello che ti interessa. Se il tuo sito si basa su script JavaScript pesanti, video in autoplay, animazioni complesse — il crawler arriva, il sito non ha ancora caricato, il crawler passa oltre. Tutte le tue informazioni diventano invisibili. In più, molti CMS installano plugin che bloccano esplicitamente i crawler AI, pensando di proteggere il contenuto. Il risultato è che si auto-escludono dalle risposte. La critica alla critica “Ma le mie PMI non usano ChatGPT per cercare fornitori.” Il 40% delle persone usa AI per l’80% delle informazioni che cerca. Due anni fa era una percentuale trascurabile. Iniziare adesso significa essere nel gioco prima dei tuoi competitor. “È ancora una black box, non si sa come funziona.” Vero. La GEO non ha ancora un equivalente di Google Search Console. Ma la SEO dei primi anni era uguale: best practice empiriche, esperimenti, osservazione. I fondamentali — contenuto chiaro, coerenza, autorità esterna — reggono in qualsiasi sistema di retrieval. “Devo riscrivere tutto il sito?” No. Inizia con 3-5 articoli che rispondono alle domande più frequenti dei tuoi clienti. Controlla che i crawler passino. Aggiungi un dato originale. È un punto di partenza, non un cantiere infinito. Cosa mi porto a casa da questa Live Tre mosse da questa settimana: 1. Fai la domanda al modello. Chiedi a ChatGPT o Perplexity: “quali sono le migliori aziende di [tuo settore] a [tua città]?” Se non sei nella risposta, hai il problema chiaro davanti a te. 2. Scrivi tre capsule. Prendi le tre domande che ti fanno più spesso i clienti. Scrivi un articolo per ognuna: titolo con la domanda, risposta diretta in 200-300 parole, un dato o un esempio concreto tuo. 3. Controlla la coerenza cross-platform. Sito, LinkedIn, Google My Business: dicono la ste… 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

    • Transcript
  • June 3 · 1 hr 13 min

    Formazione, fotografia, progettazione e perché la carriera non-lineare è un vantaggioon l'AI

    La figlia di 9 anni di Stefano gli chiede ancora “che lavoro fai?” Non è una domanda facile. Educatore professionale, mediatore penale minorile, fotografo, fundraiser, progettista sociale, formatore AI. Tutto vero, tutto insieme, tutto difficile da sintetizzare in una parola. Poi ha sentito Massimo Temporelli parlare di palombari e snorkler. I palombari vanno sempre più in profondità su un dominio. Gli snorkler restano in orizzontale, cambiano direzione, accumulano in trasversale. Ha capito di essere snorkler, e soprattutto ha capito che non era un problema. Ho parlato con lui su Audiocassetta di perché, con l’AI, essere snorkler sia diventato un vantaggio. Chi è Stefano Laureato in Scienze dell’Educazione, dieci anni da educatore professionale in ambito scolastico ed extrascolastico, mediatore penale minorile, fotografo ad Ancona per qualche anno. Poi fundraiser, poi responsabile progettazione e formazione AI per BLM Project, ente accreditato nelle Marche. Ha 47 anni. Dice di aver trovato “la pace dei sensi” negli ultimi sette anni. Non lo direi se non avessi sentito come parla: c’è coerenza in tutto quello che racconta, anche nei pezzi che sembrano lontanissimi. Orizzontale non significa superficiale Il problema con la carriera a snorkel è che dall’esterno sembra dispersione. Chi non si verticalizza su un dominio viene percepito come qualcuno che non si è mai deciso. Però, mentre ascoltavo Stefano, mi sono accorto di una cosa: il pezzo sulla fotografia non era superficiale. Sa di ottica, sa di macchine fotografiche digitali, sa di strutturazione visiva. La storia del catalogo di illuminazione che racconto più avanti non si spiega altrimenti. La vera distinzione non è orizzontale vs verticale. È chi accumula competenze scollegate vs chi le tiene in conversazione tra loro. Il secondo tipo, quando incontra l’AI, porta qualcosa che i modelli non hanno di default. Il capitale semantico (e perché le macchine non ce l’hanno) Stefano cita spesso Floridi. L’idea: dopo Copernico, Darwin e Freud, la cosa che restava all’uomo era la capacità creativa. Con l’AI generativa, anche quella è in discussione. Ma c’è una cosa che i modelli non hanno: il capitale semantico. Il contesto. L’esperienza accumulata su più domini che dà senso a un input. Se non glielo fornisci tu, non ce l’hanno. “Quelle che le macchine non hanno se noi non glielo forniamo.” È la frase esatta che ha usato. Per chi ha una carriera come quella di Stefano, questo cambia il quadro. Non sei disperso. Sei portatore di un contesto che nessun LLM produce da solo. RADAR AI: quando il progettista smette di scrivere Stefano lavora su bandi di finanziamento. La parte che un tempo richiedeva più ore era la scrittura dei progetti: testo da produrre partendo da zero, ogni volta. Con la sua collega Chiara hanno costruito un metodo che hanno chiamato RADAR AI, dove ogni lettera corrisponde a una fase: Raccolta dei dati, Analisi, Definizione, Attuazione (la scrittura), Revisione. Su ognuna di queste fasi c’è uno o più strumenti AI definiti. La fase di scrittura, che prima era il collo di bottiglia, ora è quella che pesa meno. Il tempo liberato va tutto sulla Definizione: incontri con le organizzazioni, raccolta di contesto qualitativo, ascolto. Possono rispondere a più bandi in parallelo. La qualità sale perché si dedica più attenzione alla fase che conta davvero. “Il lavoro del progettista diventa orchestrazione.” È la parola giusta. Il catalogo impossibile Un’azienda che fa installazioni di illuminazione custom: cinque dipendenti, zero budget per un fotografo, nessuna voglia di catalogo cartaceo. Stefano aveva letto qualcosa online su come creare immagini per il marketing partendo da una foto di prodotto. Non l’aveva mai fatto. Aveva però anni di conoscenza fotografica e capiva cosa voleva vedere nell’output. L’azienda aveva già Gemini nel pacchetto Google Workspace, senza saperlo. Il processo: un primo Gem fa da art director, con immagini di referenza incorporate e domande tecniche in linguaggio naturale. L’output è un JSON strutturato per la generazione di immagini. Un secondo Gem prende quel JSON, chiede l’immagine del prodotto e genera il risultato finale. Due giorni di testing. Sessanta immagini fotorealistiche. Un catalogo che l’azienda non avrebbe mai potuto permettersi altrimenti. È il capitale semantico in azione: la conoscenza fotografica di Stefano era il pezzo che permetteva di guidare il processo. Senza quello, l’output sarebbe stato generico. Contratto consumer o business? Quasi nessuno lo sa La parte sulla compliance è quella che colpisce di più per la sua semplicità. Ogni strumento AI principale ha due tipologie di contratto: consumer e business. La differenza sostanziale è che il contratto business garantisce, nella maggior parte dei casi, che i dati delle conversazioni non vengano usati per addestrare i modelli. Quasi nessuna PMI lo sa. Quasi nessuna controlla quale abbonamento sta usando. Stefano lo mette nelle sue formazioni. Le reazioni che descrive sono eloquenti: non ci avevano pensato. Non serve l’AI Act per capire che usare un account consumer per dati aziendali è un problema. Serve qualcuno che lo dica chiaramente, prima. Ha citato anche il DigiComp: il corrispettivo del livello linguistico (A1, B2, ecc.) ma per le competenze digitali. L’AI è stata inserita trasversalmente in tutti i parametri, non in un capitolo a parte. Come l’elettricità: non c’è un capitolo “elettricità” in nessun manuale tecnico. C’è in tutto. La cassetta di Stefano Claude — Il principale, sia in azienda che nelle formazioni. Skill personalizzate costruite con un processo iterativo: prompt grezzo, iterazioni con il modello, skill finale riscritta dallo strumento stesso. References con testi di progetto preesistenti che insegnano al modello come scrivono loro. L’output richiede poca revisione. Gemini — Per la generazione di immagini e la deep research. Integrato nell’ecosistema Google Workspace. Per certi task lo preferisce ancora a Perplexity. ChatGPT — Ha mantenuto l’abbonamento per la memoria accumulata nei progetti di comunicazione costruiti dal 2023 e per la modalità voce in macchina. “Per il brainstorming vocale mentre guido, ancora non ho trovato niente di meglio.” Canva — Per la comunicazione, con i suoi strumenti AI integrati. Collegabile come MCP a Claude. Citato come Adobe entry-level: le cose si fanno in modo semplice, per chi non vuole imparare Photoshop è sufficiente per la maggior parte dei casi. Be Freed — Lo strumento che conosce in pochi. Piattaforma che trasforma testi in podcast generati dall’AI, con una o più voci. A differenza di NotebookLM, non carichi le fonti tu: esplori quelle già presenti nella piattaforma. Utile per la scoperta di contenuti nuovi, non per analizzare documenti propri. Scoperto su AppSumo con abbonamento perpetuo. Vuoi risentire la live integrale? Disponibile su Spotify e Apple Podcast. Stefano lavora con BLM Project nelle Marche su progettazione sociale, fundraising e formazione AI. Se sei un ente del terzo settore o un’organizzazione che vuole capire come inserire l’AI nei propri processi, è la persona giusta. 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

    • Transcript
  • May 27 · 1 hr 14 min

    Quando l'AI incontra il commerciale

    Hai 60 secondi. All’altro capo del filo c’è una segretaria che non sa chi sei. Il tuo obiettivo non è vendere: è farti passato al responsabile. Margherita Turdò ha fatto questo lavoro per mesi. Cold calling da telefono fisso, report su Excel, appuntamenti tracciati con cura quasi ossessiva. Crediti di imposta, poi software house, poi e-learning su misura. Sette anni di commerciale in settori che nessuno si sveglia la mattina sognando di vendere. Ho parlato con lei di come si vende davvero l’AI, di cosa sbaglia chi fa il pitch troppo presto, e di dove finisce il meccanico e dove inizia la persona. Chi è Margherita Margherita Turdò è Business Developer di Andrea Fantucchio e AI per Tutti, il progetto con oltre 60.000 iscritti su YouTube, oltre 11.000 lettori su Substack, partner Google per Gemini Early Access, academy con 500 professionisti attivi. Non viene dal mondo tecnico. Ha studiato giurisprudenza. È entrata nel commerciale quasi per caso, con uno stage in un’azienda di finanza agevolata a Padova, e ha scoperto di avere qualcosa che in pochi valorizzano quando parlano di vendita: l’organizzazione. Il filo rosso delle sue esperienze è sempre lo stesso. Arriva in posti dove non c’è nulla: nessun portafoglio clienti, nessun processo codificato, nessun playbook. E costruisce da zero. L’ultima prima di IA per Tutti era Inrebus, Torino: corsi di formazione multimediali custom made per grandi aziende. Un settore di nicchia dentro un settore di nicchia. È entrata che non c’era nemmeno l’ufficio commerciale. È uscita con una business unit strutturata e clienti acquisiti in due anni e mezzo di lavoro solitario. Il problema del pitch troppo presto La figura del commerciale che arriva, ti spara il pitch e ti rincona con le parole: Margherita pensa che esista, che funzioni in certi contesti, ma che non sia il suo modo. Il suo primo amore non è il prodotto. È il processo. Capire un business, trovare il modo di entrare in un mercato nuovo, proporre qualcosa che quell’azienda non aveva mai fatto. Dentro a tutto questo c’è anche il prodotto, ma viene dopo. “Fare il pitch troppo presto è l’errore principale.” Prima viene l’ascolto. Capire la persona, capire la sua organizzazione, capire qual è il pain reale e non quello dichiarato. Solo quando hai tutti gli elementi necessari, quelli sufficienti, elabori la proposta. In un mercato con enne competitor, dove tutti propongono più o meno le stesse cose, la differenza non la fa il pitch: la fa la profondità con cui hai capito cosa serve all’altro. Il cold calling, spiegato senza paura Una parentesi su un termine che spaventa: il cold calling. È la pratica di chiamare aziende che non ti conoscono, che non hanno interagito con il tuo sito, i tuoi social, la tua newsletter. Hai circa 60 secondi per convincere la segretaria a passarti il responsabile. Non vendi nulla in quella chiamata: vendi solo il diritto di parlare con la persona giusta. Margherita lo faceva da telefono fisso. Venti aziende a settimana, ognuna con i suoi esiti: non risponde, richiamare alle 14.30, ha detto di risentirci tra un mese. Tutto nel calendario. Tutto tracciato su Excel. “L’organizzazione è la prima competenza che ho riconosciuto in me. Non la parlantina.” Questa cosa vale anche oggi, nell’AI. Le relazioni non si costruiscono da soli, e nemmeno si delegano a un agente vocale senza perdere qualcosa di importante lungo la strada. Come si qualifica un cliente in AI Uno dei punti più pratici della conversazione riguarda la qualificazione: capire velocemente se quell’azienda diventerà davvero un cliente, o ti farà perdere tempo. Margherita usa due domande che fa sempre. La prima è: perché noi? Se l’azienda ha sentito dieci consulenti, è un segnale. Non è sbagliato, ma cambia tutto. Quell’azienda non ha scelto te perché ti seguiva e si fidava: ti ha trovato in una lista. Devi capire quanto è affezionata al brand, se ha già comprato qualcosa, se ha manifestato interesse nel tempo. Un lead qualificato non è chi ti contatta: è chi ti ha seguito, ha interagito, ha già fatto un primo passo da solo. La seconda: avete mai usato l’AI? Sembra ovvia. Non lo è. Ci sono aziende che arrivano convinte di voler fare AI e non hanno mai aperto ChatGPT. Ci sono manager che hanno ricevuto il mandato dall’AD e stanno cercando qualcuno a cui delegare la ricerca. Capire il punto di partenza reale ti dice in quanto tempo il progetto potrà partire, e se partirà mai. “Spesso il problema non è l’AI. È che il cliente non ha le risorse interne per stare dietro al progetto.” Questo è il nodo. Vendi, firma, incassi l’ordine. Poi il cliente non ha tempo. Il formatore ha bloccato le date. Il progetto non parte. Le è capitato in tutte e tre le esperienze precedenti, non solo nell’AI. Dove finisce il meccanico Verso la fine ho fatto la domanda che tutti vogliono fare: un agente AI vocale potrebbe fare il cold calling al posto tuo? La risposta è stata misurata. Alcune parti del lavoro commerciale si automatizzano bene. Lei stessa usa NotebookLM in modo sistematico: ha caricato due anni di report appuntamenti e ha chiesto al sistema di trovare le obiezioni più frequenti, in ordine dalla più comune alla meno comune. Poi ha fatto lo stesso con i motivi di acquisto. Il risultato è un quadro chiaro di perché le aziende comprano, e perché non comprano. Prima lo faceva a mano, ci passava ore. Adesso no. Ma la conversazione, quella vera, è ancora un fatto umano. Le aziende continuano a essere gestite da persone. Le decisioni continuano a essere prese da persone, anche quando mediate da tool e dashboard. E se il tuo brand è costruito su di te, la prima cosa che il cliente vede è il tuo nome. Si aspetta di parlare con te. “Fino a che rimarrà così, il commerciale deve esserci.” La sua risposta finale ai founder e ai consulenti che pensano di risolvere tutto con una pipeline agentica: pensate di più alle domande che fate, non a come automatizzate le risposte. La cassetta degli AI-trezzi di Margherita Google Calendar — Non è un tool, è la struttura portante della sua vita lavorativa. Ogni chiamata, ogni follow-up, ogni impegno: dentro il calendario. Funziona dall’inizio della sua carriera e non è mai cambiato. Sales Navigator — L’addon a LinkedIn che cambia il lavoro commerciale in B2B. Permette di trovare i referenti giusti, capire l’organizzazione di un’azienda, fare ricerca mirata prima ancora di contattare qualcuno. NotebookLM — Per l’analisi dei dati commerciali: obiezioni più frequenti, motivi di acquisto, pattern di comportamento dei clienti nel tempo. Carica i report, fai le domande giuste, ottieni un quadro che prima richiedeva ore di lettura manuale. Vuoi risentire la live integrale? Disponibile su Spotify e Apple Podcast. Segui Margherita su LinkedIn e il lavoro di IA per Tutti su YouTube e Substack. Se ti è piaciuta la live, ti chiedo di condividerla. Aiuta me e il canale a crescere ed essere scoperto da altri appassionati di AI pratica. 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

    • Transcript
  • May 13 · 1 hr 1 min

    L’AI corre. E noi come facciamo a starle dietro?

    Nel 2024, Yellowtech aveva bisogno di qualcuno che costruisse i corsi AI per le scuole italiane. Quei corsi, finanziati dal PNRR, sono arrivati a centinaia di istituti. Il personale ATA, il corpo docente: decine di migliaia di persone. Il materiale uscito da quel progetto è diventato il punto di partenza per buona parte dei formatori AI italiani. Riccardo Celotto, ospite di questa puntata di Audiocassetta, stima che la maggior parte di chi lavora oggi in questo settore abbia usato, in qualche forma, quello che ha contribuito a costruire. Ho parlato con Ricky di come si progetta davvero un percorso AI, di cosa cambia quando passi dalla formazione all’adoption, e di perché “abbiamo già fatto il corso” è spesso il segnale che qualcosa non ha funzionato. Chi è Riccardo Veneto, magistrale a Ca’ Foscari in Management e Innovazione. A settembre 2022 stava lavorando con Alberto Mattiello a un progetto universitario su Decision Intelligence. A novembre è uscito ChatGPT. Da lì tutto ha cambiato direzione. Con Mattiello ha iniziato subito a portare workshop nelle grandi aziende: Tecnomat, Nestlé, Yamaha. Non erano ancora formazione, erano sessioni di discovery. “Come i workshop sul metaverso,” dice. “Dovevi far indossare il visore alla gente, perché capissero cos’era. Con l’AI uguale.” Nel 2024 era Head of Content di Yellowtech, startup nata per portare l’AI nelle scuole e nelle aziende, oggi AI transformation company. Lì ha costruito il percorso PNRR. Adesso lavora principalmente con le PMI come AI adoption specialist. Ha appena lanciato Oltre il Prompt su Substack, 6 edizioni al momento in cui lo intervisto. Sta cercando la sua anima, dice, ma il materiale è già concreto. Formazione non è adoption È la distinzione che Ricky fa subito, e vale la pena fermarsi. Formazione: il soggetto è la persona. Trasmetto concetti, faccio provare gli strumenti, aiuto a capire come funziona una conversazione con un LLM. Il corso finisce in aula. Adoption: il soggetto è l’organizzazione. Mi siedo accanto alle persone mentre lavorano. Guardo dove si perde tempo, dove la frizione è più alta, dove inserire l’AI ha senso misurabile. Non formo: mappo il processo, poi trovo il punto di innesto. “È lo stesso principio dei consulenti Lean che vanno in fabbrica a cronometrare i movimenti,” dice. “Noi facciamo lo stesso su una scrivania, davanti a un gestionale.” Più contesto hai di come funziona un’organizzazione, più riesci a incidere. È la stessa logica di un buon prompt: dai contesto, ottieni risultati migliori. La frase che sente spesso quando entra in un’azienda: “abbiamo già fatto il corso.” Non è un rifiuto, è un segnale. Qualcosa non ha funzionato nel ciclo precedente, e quasi sempre il problema non era il team. Il lievito madre Il modo in cui Ricky gestisce i suoi materiali ha un nome preciso: lievito madre. Stesso contenitore da tre anni. Stessa struttura, stessa sequenza. Dentro, le slide cambiano continuamente. Ogni mese esce qualcosa di nuovo, ogni mese qualcosa diventa obsoleto. “Nonostante il plico sia lo stesso rispetto a un anno fa, tutte le slide sono diverse.” Questo l’ha imparato per necessità. Gli è capitato di aprire uno strumento in aula per mostrare una funzione, e scoprire che quella funzione non esisteva più. Aggiornata quella notte. Non è una scusa: è la quotidianità di un settore che si muove ogni settimana. L’approccio vale anche fuori dalla formazione. Qualsiasi sistema che si espone all’AI va pensato come struttura viva, non come prodotto finito. Come stare aggiornati (senza impazzire) È la domanda che gli fanno sempre, in aula e fuori. Come fa a sapere tutto? La risposta è: non sa tutto. Ha smesso di provarci. Ha tre o quattro filtri: newsletter settimanali selezionate, feed LinkedIn e X allenati per anni a mostrare solo fonti autorevoli, e NotebookLM per i paper scientifici. Carica più paper insieme, chiede al sistema di generare un podcast a due voci che li discuta. Li ascolta mentre fa colazione, mentre si allena. Se un paper sembra importante, lo legge. Se no, passa. “Quello che per altri è scrolling per me diventa aggiornamento. Ho allenato l’algoritmo, non solo il feed.” Il messaggio per le aziende è diverso: loro non devono seguire ogni novità. Devono avere qualcuno che lo faccia per loro. “Io sono l’anello mancante tra quello che succede nel mondo AI e quello di cui le aziende hanno realmente bisogno.” Il problema dello switching cost Un pezzo su cui ci siamo fermati insieme: il costo di cambiare sistema. Tutti i flussi costruiti su Copilot, tutti i GPT custom su ChatGPT, tutta la memoria accumulata su un tool: non si trasferiscono con un click. Se cambi sistema, perdi contesto. E il contesto, in questo momento, è la risorsa più preziosa che hai. È il motivo per cui si parla tanto di Second Brain: non è un hobby per chi ama le app di note. È un modo per rendere il proprio contesto portabile, indipendente dal vendor su cui gira in quel momento. Ricky ha aggiunto un livello: il Second Brain esiste su due piani. Quello personale, che è come lavori, come scrivi, come usi l’AI nel tuo day-to-day. E quello dell’organizzazione, che è i processi, le decisioni, la conoscenza operativa dell’azienda. I due piani richiedono strumenti diversi e approcci diversi. “Sul secondo piano ci sono le competenze vere dell’adoption.” La cassetta di Ricky I 5 tool di cui non farebbe a meno, più uno che pochi conoscono. Tactiq — Trascrizioni automatiche delle call. “Non avere le trascrizioni adesso è impossibile. Ci sono troppe informazioni dentro una chiamata che non devono andare perse.” Free fino a 10 call al mese. NotebookLM — Per i paper, per costruire knowledge base, per generare podcast su documenti tecnici che non hai tempo di leggere. Wispr Flow — Voce in testo su qualsiasi chatbot, con una scorciatoia da tastiera. “Il numero di parole al minuto da scritte a parlate cambia completamente. Io ci faccio i context dump.” Claude Code — Sta sviluppando tre applicazioni. Due per uso interno, una da usare nei percorsi di adoption. Le sere e i weekend è spesso lì. Claude Cowork — Il workspace principale. Il vantaggio che sottolineava: la memoria condivisa tra sessioni. “Se ho fatto una call ieri, domani posso chiedere cosa ho deciso e me lo ricorda.” Non vuoi perdere le prossime live? Iscriviti alla Cassetta degli AI-trezzi gratuitamente Vuoi risentire la live integrale? Disponibile su Spotify e Apple Podcast. La newsletter di Ricky si chiama Oltre il Prompt ed è su Substack. Parla di quello che vede ogni giorno nelle aziende, con il filtro di chi di formazione e adoption ne ha fatta tanta. 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

    • Transcript
  • May 6 · 1 hr 3 min

    Il segreto del +150%: come l'Al video ha rivoluzionato il conversion rate

    Un brand di borracce termiche. Un video girato con Runway 3.5, quello del periodo in cui i video AI avevano sei mani e gli spaghetti si muovevano come serpenti. Un test su Amazon, durato un mese. Risultato: ordini +130%, CTR +174%, prima pagina per la keyword principale. Prima volta in assoluto per quel brand. Ho parlato con Alessandro Marino, founder di Mindleg Studios, di come è arrivato a fare questo lavoro, di come lo fa davvero e di cosa succede quando l’AI entra nei processi di produzione video in modo serio. Chi è Alessandro Alessandro parte come grafico. Poi legge Zero to One a 19 anni e si converte al marketing, in particolare al growth hacking, lavorando in diverse startup tra Londra, Mantova e Milano. Fine 2022 entra in Contents.com, una startup europea che usava già GPT-3 per generare contenuti testuali, e lì incontra per la prima volta un mondo AI generativa sul serio. In parallelo gestisce Lunia, un’agenzia di video e contenuti che lavorava ancora tutto a mano, con videomaker e fotografi. Poi arriva il 2024, Runway 3.5, i video brutti con le mani storte, e la scelta: ci punto. Nasce Mindleg Studios. Focus al 95% sulla parte video. Come lavora: i tre livelli Alessandro ha un modo preciso di pensare al workflow in base all’output che deve produrre. Non usa un solo tool per tutto: calibra la complessità del setup in base al lavoro. Livello base: generazione veloce Per asset rapidi e non definitivi usa Gemini con Imagen integrato. Genera l’immagine, watermark incluso, senza preoccuparsene. Serve un’idea visiva veloce? Basta questo. Livello intermedio: piattaforma aggregata Per lavori un po’ più strutturati usa Higgsfield. È una piattaforma che aggrega i principali modelli di immagini e video con un’interfaccia template-based: scegli il modello, scegli l’effetto, ottimizza il prompt o parti da un template già pronto. Ha un marketing aggressivo, è diventata lo standard tra i freelancer del digital marketing. Per chi vuole fare cose buone senza costruire un workflow da zero, è il punto di ingresso giusto. Livello avanzato: canvas a nodi Per i lavori complessi, soprattutto quando gestisce più asset in parallelo o lavora con un team, usa Figma Weave (ex Weavy, acquisita da Figma a ottobre 2025 per oltre $200M). È un canvas visuale a nodi: sulla sinistra tieni tutti i tuoi asset di riferimento, sulla destra costruisci il flusso. Un esempio pratico che ha descritto in live: colleghi un’immagine a un agente, l’agente ha come prompt “analizza questa immagine e dimmi altri 5 prompt per generare 5 varianti”, i 5 prompt vanno direttamente dentro Imagen che genera 5 immagini, tutte e 5 tornano nel canvas. Puoi continuare da lì, animarle, collegarle a un tool video, fare upscaling. Tutto senza uscire dall’ambiente. Per un team marketing con grafiche standardizzate, questo tipo di flusso è pensato per girare con input variabile ma output consistente. I casi d’uso concreti Borracce termiche su Amazon: il primo test Luglio 2024. Alessandro ha un contatto in Turnover Digital, una grossa agenzia Amazon di Milano. Gli propone un test: video AI per i Sponsored Brand, quei video piccoli che appaiono mentre scorri tra i prodotti su Amazon. La strategia era semplice: i video su Amazon erano quasi tutti brutti o di bassa qualità. Un video con più cura visiva avrebbe sfruttato l’effetto halo, per cui la qualità percepita del video si trasferisce al prodotto. E la dimensione ridotta dei Sponsored Brand era un vantaggio: non serviva una 4K a schermo intero. Il video lo ha fatto con Runway 3.5. La borraccia che vola, la borraccia in mezzo alla natura, la borraccia vicino a un ruscello. Quello che oggi si farebbe in dieci minuti gli ha preso una settimana, tutte le difficoltà del periodo. Il video è rimasto su Amazon per un mese. I dati che gli ha mandato Turnover: ordini +130%, CTR +174%. E per la prima volta quel brand aveva raggiunto la prima pagina per la sua keyword principale, mantenendosi stabile. L’alternativa: andare fisicamente al ruscello, portare la borraccia, il fotografo, le luci, fare la post-produzione. Un costo facilmente dieci volte superiore, e soprattutto: per un test non lo fai neanche. Video istituzionale per una startup EV Una startup italiana e spagnola nel settore delle colonnine elettriche aveva bisogno di qualcosa da mostrare quando andava a trattare con la pubblica amministrazione. Il pitch era solido, ma mancava “quel qualcosa che fa dire: fighi”. Il concept del video: mostrare il problema prima della soluzione. Due persone al tavolo, inizia a cadere cenere nera, si alzano a guardare intorno, la città è avvolta dallo smog. Inquadrature dall’alto, tutto molto epico, la nube sale. Poi arriva la colonnina del brand, si illumina, spazza via lo smog. Video da 1 minuto e 20. Full AI. Clip generate con modelli video, montaggio in Adobe Premiere Pro, voiceover con ElevenLabs. Sul voiceover vale la pena fermarsi un momento. ElevenLabs non è più solo text-to-voice: mentre scrivi il testo puoi inserire tag di enfasi, “dillo ridendo”, “con più tensione”, “in modo più serio”. Le voci che reggono bene l’italiano sono migliorate molto. Per un video da un minuto e venti, con il giusto lavoro sui tag, il risultato è professionale. Shooting fotografico AI per la moda Durante la live, come caso ipotetico, ho tirato fuori la mia vecchia startup Wools: maglioni in lana, shooting al Pitti Moda, fotografie da fare, modelle, campionario, luci, il fotografo. Un casino organizzativo e un costo importante. Alessandro mi ha descritto il flusso che userebbe oggi per un caso simile. Prima di tutto crea la modella: bastano 2-3 foto abbastanza nitide di lei (anche allo specchio, full body su sfondo bianco, in pose diverse) per poterla ricreare in qualsiasi contesto con i modelli di generazione immagini. Se l’agenzia vuole una campagna geolocalizzata con modelle di etnie diverse, si fa direttamente in generazione, senza casting. Poi crea il prodotto: se hai i bozzetti del maglione e le informazioni sul materiale, bastano per generare tutte le inquadrature del capo. Poi fa indossare il prodotto alla modella generata, aggiusta, itera. Subito dopo: upscaling obbligatorio con Topaz Lab Astra. Nel settore moda ogni dettaglio conta, dalla texture del tessuto alla pelle. Topaz Astra è il modello specifico per video AI, ma funziona anche sulle immagini. Nota a margine: Freepik ha acquisito Magnific, un altro upscaler molto usato, adesso lo trovi direttamente dentro Freepik. Per la parte video: animare le immagini se sono venute bene, oppure costruire uno script semplice. Il tool che usa in questo momento per la qualità è Kling 3 in 4K. I cinesi, sotto questo punto di vista, stanno producendo risultati che i concorrenti occidentali faticano a eguagliare. Risultato finale: prime immagini e video per un e-commerce, pronte in un paio d’ore. Uno smoke test completo a una frazione del costo dello shooting fisico. Se il brand poi vuole crescere e fare le foto vere, lo farà sapendo già cosa funziona. Dubbing multilingua: 15 pillole audio in spagnolo Un altro caso di cui va particolarmente orgoglioso: un’azienda nel settore Garden (ex Bayern Garden) aveva fatto 15 pillole audio da circa un minuto ciascuna. A quel punto gli chiedono: puoi tradurle in spagnolo? Sembra una cosa che si fa in un clic. In realtà è un lavoro preciso con ElevenLabs Dub Studio: cloni la voce originale, carichi l’audio, il sistema genera la traduzione doppiata con la stessa voce. Poi c’è una fase di revisione in cui puoi accorciare, rielaborare, rigenerare singoli passaggi dove il ritmo non funziona o la pronuncia è sbagliata. Il punto che sottolineava: quella traduzione prima semplicemente non si faceva. Non perché il traduttore o il doppiatore fosse caro, ma perché il budget non era previsto. L’AI non ha rubato il lavoro a un doppiatore: ha reso possibile una produzione che non sarebbe mai esistita. Il nodo dei costi I costi della produzione AI stanno cambiando rapidamente, e non sempre verso il basso. Un’immagine 4K full quality con GPT Image su Figma … 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

    • Transcript
  • April 29 · 1 hr 4 min

    AI Automation: 35 ore di lavoro sparite al mese – caso reale

    Ieri sera è passato da Audiocassetta Roberto Ettorre . Il video è sopra: un’ora abbondante di automazioni, agenti e processi reali in azienda. Se hai il tempo, guardala tutta. Non te ne pentirai. Se hai cinque minuti, questa è la versione scritta. I casi d’uso, le tip operative e quello che mi porto a casa. Chi è Roberto Ettorre Roberto è il co-fondatore di Webshop, agenzia digitale di Pescara. Siti web, campagne Google Ads, CRM su Zoho, automazioni di processo. Ha iniziato come libero professionista nel 2008 e ha fondato Webshop nel 2016 con un’idea semplice: fare del web uno strumento che genera risultati veri per le aziende, non una vetrina. La cosa che lo distingue da chi si è avvicinato all’AI solo nell’ultimo anno: Roberto fa automazioni da prima che esistesse l’AI generativa. Ha cominciato con IFTTT quando non lo usava quasi nessuno. Poi è diventato esperto Zapier. Venti, venticinque nodi per workflow. Loop, condizioni, connettori. Tutto a mano, tutto da capire. Quel percorso gli ha dato un pensiero logico allenato che oggi, con gli agenti AI, è la sua arma principale. L’AI amplifica il tuo modo di ragionare. Se il ragionamento è confuso, amplifica il caos. Se è pulito, amplifica i risultati. Caso d’uso 1. Gli attestati che si rinominano da soli Roberto entra in un ente di formazione per edili. Vende un sito web. Poi guarda come lavorano e nota una signora che ogni giorno, per ore, fa la stessa cosa: apre il PDF con tutti gli attestati del corso, sfoglia pagina per pagina, legge il nome del corsista, il codice del corso, il codice dell’azienda, rinomina il file, lo carica su Dropbox nella cartella giusta. Un’ora e mezza. Due ore. Tutti i giorni. Roberto dice al direttore: noi facciamo anche queste cose. Il direttore capisce subito il valore del tempo risparmiato e gli dà carta bianca. La soluzione: un workflow con pdf.co come parser, circa venti nodi, che estrae i dati dal PDF, costruisce il nome del file corretto, crea la cartella su Dropbox, carica tutto. In loop, per ogni attestato. Niente AI generativa. Niente GPT. Solo logica, connettori, e un processo che prima era manuale e adesso gira da solo. Risparmio stimato: tra un’ora e mezza e due ore al giorno. Ogni giorno. Caso d’uso 2. Il commerciale che trova il CRM già compilato Il commerciale inserisce un nuovo lead nel CRM: nome, azienda, email. Quattro campi. Fine. Poi riapre il profilo e trova già tutto: fatturato dell’azienda, numero di dipendenti, chi è il CEO, quando ha pubblicato su LinkedIn l’ultima volta, di cosa parla sui social. Non l’ha messo lui. È partito un agente. Trigger: nuovo lead inserito. Obiettivo: raccogliere tutto ciò che è pubblicamente disponibile su quella persona o azienda. Output: i campi compilati in automatico nel CRM, con le informazioni già normalizzate. Questo è l’automazione agentica in pratica. Il punto di partenza è deterministico. Ma l’agente poi decide come cercare, dove guardare, cosa estrarre. Non segue passi fissi. Ha un obiettivo e lo persegue. Roberto lo costruisce con gli agenti nativi di Zapier, integrati con Zoho CRM. Caso d’uso 3. Il commerciale stanco che parla a Telegram Chi lavora fuori ufficio difficilmente popola il CRM tornando a casa la sera. È stanco, l’interfaccia è scomoda da mobile, i dati si perdono. La soluzione: parla a Telegram. Descrivi la visita a voce o per testo. Un agente ascolta, normalizza i dati, li manda nei campi giusti del CRM. Non serve aprire il gestionale. Non serve imparare nulla di nuovo. Stessa logica per il gestionale vocale per ristoranti che Roberto ha costruito con Lovable ed ElevenLabs. Il titolare dice: “Segna prenotazione per due, ore 20, a nome Giovanni, telefono 333...” e il sistema capisce da solo cosa è il nome e cosa è il numero, senza che tu glielo specifichi. Output: una schermata gestionale classica, con tutte le informazioni già al posto giusto. Iscriviti alla Cassetta degli AI-trezzi per non perdere le prossime live di Audiocassetta La tip che non mi aspettavo: NotebookLM per capire il cliente prima della presentazione Questa è quella che mi ha fatto alzare un sopracciglio. Roberto registra la prima call con un potenziale cliente. Carica il transcript su NotebookLM. Chiede: profilo psicologico, bias cognitivi, leve da usare nella presentazione commerciale. Porta l’output su Gemini, lo lavora, lo dà in pasto a Gamma per costruire le slide. Risultato: una presentazione costruita sulle parole del cliente stesso, che anticipa i suoi dubbi, che usa il suo registro. Non è magia. È preparazione seria. Quella che prima richiedeva ore di analisi, o un intuito commerciale che non tutti hanno, adesso ha un metodo replicabile in venti minuti. Precisazione doverosa: non è “profilazione” in senso manipolatorio. È capire come ragiona il tuo interlocutore per parlargli nel modo giusto. Lo fanno i bravi commerciali da sempre. Con questo flusso ci metti venti minuti invece di ore. I 5 tool della Cassetta degli AI-trezzi di Roberto Alla fine di ogni live su Audiocassetta chiedo i cinque strumenti. I suoi: Lovable per costruire interfacce e gestionali custom con vibe coding, connesso a Supabase per il database. ElevenLabs per agenti vocali, speech-to-text, riconoscimento e normalizzazione dei dati. NotebookLM per lavorare sui propri documenti, fare analisi, ridurre le allucinazioni. Gamma per le presentazioni. Claude, “tutta la vita”, ha detto. E ha aggiunto: si è comprato anche il Mac per avere Cowork. Cosa mi porto a casa Il problema del CRM vuoto, delle fatture da smistare, degli attestati da rinominare non è un problema di AI. È un problema di processo non ancora automatizzato. Cerca, nella tua settimana, un’attività che potresti descrivere così: “copio da qui, incollo là, rinomino, mando”. Quella è la tua prima automazione. E se non sai da dove iniziare, scrivimi. Ne parliamo. 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

    • Transcript
  • April 22 · 1 hr 4 min

    Come fare startup (e trovare investitori) nell'era dell'AI?

    Giovanni l’ho conosciuto un anno fa alle OGR di Torino, durante l’Italian Tech Week. È coordinatore di 12 Ventures, uno startup studio focalizzato su EdTech e HR Tech. È una di quelle persone che sa di tecnologia davvero, non per sentito dire, e che la usa per ragionare sui business, non per farsi bella la slide. L’abbiamo chiamata “come fare startup e trovare investitori nell’era dell’AI”. Ma durante l’ora abbondante che abbiamo passato insieme è venuta fuori una lettura del momento che non mi aspettavo. Il problema dell’AI wrapper Tutti ne parlano. Giovanni ha una posizione molto precisa su quando è un limite e quando invece è solo un punto di partenza. Non è quello che ti aspetti. Il SaaS Apocalypse Claude Design ha fatto tremare Figma in un pomeriggio. I designer che avevo in formazione la settimana scorsa l’hanno aperta per la prima volta e in cinque minuti mi hanno detto una cosa secca. Giovanni ha una lettura più lenta e più interessante su dove colpisce davvero questo cambiamento, e dove invece non arriva ancora. La PMI che può diventare startup? Questo è il passaggio che mi ha colpito di più. Giovanni ha cambiato la domanda: non “come si fa una startup”, ma chi può farla oggi. E la risposta mi riguarda, mi riguarda come consulente, e probabilmente riguarda chi legge questa newsletter. La slide del team Una delle cose che ho imparato pitchando anni fa è che il team viene prima del prodotto, sempre. Giovanni spiega perché quella slide sta cambiando forma nel 2026, e perché però non sparisce. La puntata integrale è su Audiocassetta. Dura un’ora, scorre tutta. Trovi Giovanni Caponetto qui su Linkedin. 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

    • Transcript
  • April 15 · 1 hr 1 min

    Audiocassetta | Al e cybersecurity: tutto quello che c'è da sapere nel 2026

    Quasi sempre arriva prima di qualsiasi altra domanda. Prima di capire cosa fare con l’AI, prima di capire quale strumento usare, prima ancora di capire se l’AI fa per loro. La domanda è sempre quella: “Ma i dati che carico, che fine fanno?” Ci sono rimasto bloccato qualche anno fa anch’io, in quella stessa domanda. Ieri sera ero in live con Veronica Paolucci per Audiocassetta, avvocata specializzata in cyber security, creator del canale YouTube Veronica Paolucci Cyber Security Specialist. Un po’ di numeri per capirci 45.000 iscritti YouTube in un anno, partita con un obiettivo di 1.000 (ce lo ha detto lei). Non è poco. E anche autrice della newsletter “Non tutti i malware vengono per nuocere” (tra le prime 15 più lette in Italia sulla tecnologia), la trovate qui: E in un’ora abbondante, Veronica ha fatto una cosa rara: ha messo ordine in una confusione che in consulenza vedo ogni settimana. Il rischio che vediamo e quello che non vediamo Il problema dell’analisi del sangue su ChatGPT è reale. Ma è il problema sbagliato. Chi non usa l’AI perché “non si sa dove finiscono i dati” usa Google Drive, Dropbox, le mail di un provider qualsiasi, senza farsi la stessa domanda. Quello che fa Gemini dei tuoi dati e quello che fa Google Drive dei tuoi dati è strutturalmente la stessa incognita. Solo che uno è visto come cassaforte e l’altro come intruso. Veronica la mette in modo più preciso: c’è una zona grigia che quasi nessuno nomina. Da un lato chi usa l’AI consapevolmente, anonimizza quando serve, capisce cosa fa e non fa. Dall’altro chi la usa per fare danni. In mezzo c’è la fetta più grande: chi fa errori senza rendersene conto, perché ha dato accesso a sistemi o strumenti senza capire fino in fondo cosa succede dall’altra parte. Il rischio percepito è il dato che dai tu, volontariamente, a un LLM. Il rischio reale, nel 2026, è spesso un altro. Cosa fare in pratica, adesso Sul fronte del dato che dai tu, la posizione di Veronica è pragmatica. Evita ciò che non è strettamente necessario inserire. Se hai dati sanitari davvero sensibili, anonimizzali prima che arrivino all’AI. “Prima” non significa a mano, e non significa sapere programmare. Significa uno script Python che gira in locale, che prende il documento, cancella i dati identificativi, restituisce un file pulito. Claude o Gemini te lo scrivono passo passo. Veronica ne ha 15 nel suo computer. Nessuno lo ha scritto lei. C’è poi una strada meno conosciuta, che riguarda le aziende. Ogni fornitore AI, da Anthropic a OpenAI, ha un trust portal. Dentro quel portale si trova la nomina a responsabile del trattamento, che un’azienda può firmare. Non è un concetto esoterico: è la stessa logica che vale con il commercialista a cui dai le fatture dei clienti. La responsabilità si sposta, in modo tracciabile e documentato. Quasi nessuno lo fa perché quasi nessuno lo sa. Il terzo punto è più piccolo ma molto concreto. Veronica ha collegato il connettore Gmail di Claude a una casella di posta creata apposta, dedicata solo alle newsletter che vuole analizzare. La sua mail lavorativa non è mai entrata nell’equazione. Io ho fatto la stessa cosa da tempo: ho una Gmail buttata, diventata un ginepraio di newsletter e iscrizioni, collegata agli AI. La mail di lavoro non la tocco. Per non perdere le prossime live di Audiocassetta, iscriviti alla Cassetta degli AI-trezzi Il caso limite che vale la pena capire OpenClaw, per chi non lo conosce, è un framework open source (ex CloudBot, ex MoltBot) che installa un agente AI direttamente sul tuo computer. L’agente agisce in autonomia: legge file, manda mail, apre applicazioni. In Cina ci sono persone che lo installano agli anziani nei pop-up di strada, con le magliette dei granchi. L’ho citato non per spaventare, ma perché il suo caso illumina la domanda giusta. Perché alcune persone lo hanno collegato a Telegram e PayPal personali, permettendo di fatto operazioni in autonomia su account sensibili? Perché il confine tra “quanto accesso do a questo strumento” e “cosa può fare qualcuno dall’esterno attraverso questo strumento” è sottile. E in molti casi, in buona fede, quella linea viene attraversata. Veronica ci ha smanettato quando era ancora CloudBot. Poi ha fatto un passo indietro. “Non sono abbastanza competente per mettere guardrail seri intorno a questo. Lo aspetto.” Vale la pena ricordarlo ogni volta che si è tentati di installare qualcosa perché “è figo” e “ce l’hanno tutti”. Un rischio che quasi nessuno nomina: le skill scaricate senza leggerle Veronica ha sollevato un punto che vale da solo un’edizione intera. Con la diffusione delle skill su Claude, in rete stanno circolando file Markdown pronti da scaricare. “Ho creato la skill perfetta per X, usala anche tu.” Prendila, mettila nel progetto, sei a posto. Il problema è che una skill è un file di testo leggibile da qualsiasi umano. E se dentro ci sono istruzioni malevole, le stai caricando direttamente nel tuo agente, che le eseguirà. La contromisura più semplice: invece di scaricare il file e caricarlo, dai il link del repository a Claude Cowork e chiedigli di analizzarlo prima. “Questo file ha istruzioni strane? C’è qualcosa che non ti torna?” Poi decidi tu se caricarlo o no. I 5 attrezzi della cassetta di Veronica Questi sono gli strumenti che usa davvero, nell’ordine in cui li ha citati ieri sera. Claude. “Toglierlo sarebbe come togliere un membro della famiglia.” Usato per ricerca, analisi, vibe coding, deep research, gestione idee, e come memoria personale per tenere traccia di progetti avviati e poi abbandonati. NotebookLM. Per qualsiasi argomento nuovo da studiare. Il workflow: Deep Research, poi le fonti su NotebookLM, poi il podcast generato da ascoltare in macchina. Gamma AI. Per le slide dei corsi di formazione. Velocizza la produzione di materiali didattici in modo significativo. Adobe Podcast. Rimuove l’eco e i rumori di sfondo dai video registrati in ambienti non trattati acusticamente. Permette di editare il parlato selezionando il testo da tagliare, senza toccare la timeline. Costa 12 euro al mese. HackerAI.co. “ChatGPT per hackerare, da usare per testare la sicurezza dei propri sistemi.” Veronica lo usa per analizzare codice di vibe coding e per testare siti propri. Ha scoperto vulnerabilità reali su plugin WordPress scaduti del suo vecchio sito. Da usare con cognizione, sapendo che è anche lo strumento di chi attacca. Se lo usano loro, vale la pena capire come funziona. Questo mi ha lasciato una domanda aperta, e la giro a te: in azienda, quando hai introdotto l’AI, hai mai fatto una riflessione esplicita sui permessi che stavi dando? O è stata una cosa graduale, quasi invisibile, finché un giorno ti sei trovato con accessi collegati ovunque senza averlo deciso davvero? Scrivimi. Valentino FERMA! Prima di andare via, oggi lancio il mio canale YouTube dove vi farò vedere il dietro le quinte della Cassetta degli AI-trezzi, casi d’uso fuori delle demo e molto altro ancora. Clicca sul video e iscriviti al mio nuovo canale YT. Questa è una piccola preview! 👇 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

    • Transcript
Showing 1–20 of 22 episodes