La lezione in sedici concetti
- 0.1 Il vademecum contiene tre cose diverse: un elenco di dati, un invito a verificare, una promessa di formazione
- 0.2 Alcuni dati escono senza che ce ne accorgiamo: screenshot, log, mail inoltrate, file con i metadati
- 0.3 Verificare vuol dire farsi dare le fonti e decidere in anticipo dove entra una persona
- 0.4 L'alfabetizzazione all'IA è già un obbligo di legge, e questo corso ne è la risposta
- 1.0 Non esiste il modello migliore: ogni modello è un compromesso fra qualità, velocità, costo e privacy
- 1.1 La risposta vale quanto la richiesta: quello che manca, il modello lo riempie con il caso medio
- 1.2 Una richiesta è fatta di pezzi: chi siete e per chi, i fatti, la forma, il registro, i limiti, un esempio
- 1.3 Quello che non gli date, se lo inventa. I limiti sono la parte che evita i danni
- 1.4 Una buona richiesta è lunga, e va bene così: quando il compito è difficile o si ripete, vale il tempo che costa
- 2.1 Ogni conversazione parte vuota: quello che non è scritto da qualche parte va rispiegato ogni volta
- 2.2 Il contesto è tutto quello che il modello ha davanti. Conta la qualità più della quantità
- 2.3 Il contesto può stare fermo: istruzioni, progetti, skill. Il sistema lo ricompone, e la richiesta torna di una riga
- 2.4 Un harness fa da solo quello che nel capitolo 1 abbiamo fatto a mano
- 3.1 Il tempo risparmiato si sposta sul controllo: dallo scrivere al decidere se va bene
- 3.2 Si verifica in proporzione al danno, e si sa dove fermarsi
- 3.3 Diventa più prezioso saper dire cosa si vuole: alle macchine come alle persone
Regole aziendali
Il vademecum «Utilizzo consapevole dell'IA», letto per intero in aula, e cosa vuol dire in pratica.
Il vademecum contiene tre cose diverse, scritte con lo stesso tono
Un elenco di dati che non devono finire in una chat (dati personali, credenziali e OTP, contratti e offerte, codice sorgente, configurazioni, report e budget, dati di clienti). Un invito a verificare le risposte prima di usarle, e a dichiarare l'uso dell'IA quando serve. Una promessa di formazione: il progetto strategico per introdurre strumenti di IA in azienda, con corsi per tutto il personale e per i singoli gruppi professionali.
La prima parte non è una scelta di Emisfera: sotto ci sono il GDPR, gli accordi di riservatezza firmati con i clienti e la proprietà di codice e documenti. La seconda è buona pratica. La terza è questo corso.
In aula è stato chiesto se si tratti di regole o di consigli. La risposta delle Risorse Umane: sono indicazioni di comportamento, con una finalità cautelativa, e questo corso serve anche a questo. Valgono anche per gli strumenti usati dal browser.
Per domande e segnalazioni i riferimenti sono quelli indicati nel documento: [email protected] e [email protected].
Sul dichiarare l'uso dell'IA nei documenti, l'osservazione dall'aula: finirà in una riga in fondo, come «può contenere frutta a guscio».
Alcuni dati escono senza che ce ne accorgiamo
Le cose ovvie le sappiamo: password, dati delle persone, contratti, codice. Quelle che sfuggono: uno screenshot (con le schede aperte e il nome del cliente nella barra), un log o il risultato di una query (indirizzi, nomi di macchine, utenti, a volte un token), una mail inoltrata con tutta la catena sotto, un file caricato con autore, revisioni e commenti, la trascrizione di una riunione.
Se è già successo: si cambiano subito le credenziali, e lo si dice a [email protected]. Prima si sa, più si può fare.
Verificare vuol dire farsi dare le fonti, e decidere in anticipo dove entra una persona
Rileggere una risposta e trovarla sensata non è una verifica. Fatevi dare le fonti: chiedete i link e apriteli, perché un link inventato si scopre solo aprendolo; una risposta che non sa dire da dove viene va trattata come un'ipotesi.
Human in the loop, la persona dentro il ciclo: nel lavoro fatto con l'IA ci sono punti in cui deve entrare una persona, prima di mandare, prima di applicare, prima di decidere. Si scelgono all'inizio del lavoro, non alla fine. È un concetto che compare anche nella normativa europea, e che torna nel capitolo 3 e nel modulo sulla compliance.
In concreto: un nome (una funzione, una norma, una sentenza) si cerca nella fonte ufficiale, e se lì non c'è non esiste; un numero si rifà o si chiede da dove viene; un comando o una configurazione si prova dove non fa danni; un testo per un cliente si rilegge come se l'avesse scritto un collega appena arrivato.
L'alfabetizzazione all'IA è già un obbligo di legge
Il regolamento europeo sull'IA (AI Act), all'articolo 4, chiede a chi usa sistemi di IA di garantire al personale un livello sufficiente di competenza, tenendo conto del ruolo, dell'esperienza e del contesto d'uso. È in vigore dal 2 febbraio 2025 e riguarda chi la usa, non solo chi la costruisce. «Sufficiente» non è uguale per tutti e la norma non dice come fare: la formazione è il modo più diretto. Questo corso, e quelli per funzione che seguono, sono la risposta dell'azienda a quell'articolo.
| Quando | Regola | Cosa vuol dire |
|---|---|---|
| Già in vigore | GDPR | I dati personali restano dati personali anche in una chat. È la base del vademecum. |
| Già in vigore | AI Act, pratiche vietate | Alcuni usi sono proibiti: per esempio riconoscere le emozioni delle persone sul posto di lavoro. |
| Dal 10 ottobre 2025 | Legge italiana 132/2025 | Il datore di lavoro informa i lavoratori sull'uso dell'IA, nei casi previsti dal decreto Trasparenza. |
| Dal 2 agosto 2026 | AI Act, trasparenza | Chi parla con un sistema di IA deve saperlo; i contenuti generati vanno resi riconoscibili. |
| 2027-2028 | AI Act, alto rischio | Regole più severe per i sistemi usati, fra l'altro, per selezionare e valutare il personale. Date spostate dal Digital Omnibus. |
La domanda in sospeso era: le indicazioni sono molto prudenti, e uno strumento aziendale per tutti non c'è ancora. Nel frattempo, cosa facciamo? La risposta data, di cui chi la dà si prende la responsabilità: usatela con cautela, come già fa la maggior parte di voi. Non mettete dentro dati sensibili, tenete d'occhio quello che fate, e non aspettatevi che vi si dica di non usarla del tutto. Lo strumento interno è in sviluppo; quando ci sarà, la domanda «con cosa si può?» avrà una risposta dell'azienda.
I vostri numeri, dal sondaggio del 7 ottobre
93% l'ha usata per lavoro. 88% con un account personale. 63% ci ha incollato codice o log. 37% un testo di un cliente. Non è disubbidienza: finché non è scritto con quale strumento si può, chi deve lavorare usa quello che ha sottomano.
A chi si chiede: i modelli
Prima di imparare come si chiede, a chi. Quali modelli esistono, perché sono tanti, come si sceglie.
Non esiste il modello migliore in assoluto
Ogni modello è un compromesso fra quattro cose che tirano in direzioni diverse: qualità (quanto ragiona bene su un compito difficile), velocità, costo (si paga a parole elaborate: un modello grande può costare decine di volte uno piccolo, anche in termini ambientali) e privacy (dove finiscono i dati che gli scrivete, se servono ad addestrarlo, chi ne risponde).
Le famiglie, con qualche nome di ottobre 2026:
- Servizi americani: ChatGPT (GPT-5.6), Claude (Opus 5.5), Gemini (4 Argon), Copilot. I più bravi e i più costosi; ogni tre mesi escono versioni più potenti, e quello che era il massimo l'anno scorso oggi lo fa un modello che costa molto meno.
- Servizi europei: Mistral (Francia), che un anno fa era poco usabile e oggi è decente. Regolo (Italia) non è un modello: è un fornitore che installa modelli aperti sulle sue macchine, con le GPU, e li rivende con i dati trattati in Europa. Ed Emma-5, l'IA «italiana» di giugno 2026, sospesa dopo un giorno: 550 milioni di parametri e 2.000 token di contesto, cioè una lista della spesa.
- Servizi cinesi: DeepSeek, che costa poco, è veloce e regge il confronto. Il suo rilascio a pesi aperti ha cambiato il mercato.
- Modelli aperti (GLM, Qwen, Llama): si installano su server propri, i dati non escono. Un po' meno bravi dei grandi, e servono le GPU.
Come si sceglie: con dati delicati, un modello su server propri o un servizio sotto contratto aziendale, mai l'account personale. Per un ragionamento difficile (un'analisi, un problema tecnico, un testo delicato), un modello grande. Per il lavoro ripetitivo e semplice (riassunti, traduzioni, classificazioni), un modello piccolo, più rapido e più economico.
Perché serve la GPU. Un modello gira sulla scheda grafica, non sul processore: la CPU fa passare un dato alla volta, la GPU migliaia insieme. Un modello grande su un computer normale ci mette minuti a rispondere a una mail. Una GPU da venti-trentamila euro serve una cinquantina di utenti: è il motivo per cui la sala server di Emisfera, pur buona, non basta da sola, e perché si sta ragionando con Max sull'acquisto.
Modello e harness sono due cose diverse. Lo strumento interno in sviluppo non ha modelli in casa: tiene la memoria, e usa modelli diversi secondo la modalità. Una modalità veloce ed economica, una più potente, e una «privacy» che gira su un fornitore europeo e in cui si possono incollare i dati di un cliente, perché non escono dall'infrastruttura.
Dimostrazione fatta in aula: lo stesso problema (il treno che parte da Milano) mandato in parallelo a modelli diversi. Ognuno ha risposto a modo suo, e non tutti hanno risposto.
Come si chiede
Il capitolo è costruito su una situazione sola: il rilascio previsto per il 12 slitta al 26 per duemila record duplicati trovati nella migrazione; la parte già consegnata funziona; il cliente va avvisato.
La risposta vale quanto la richiesta
La richiesta che scrivono quasi tutti, di corsa, è «scrivimi una mail per dire al cliente che siamo in ritardo». Torna una mail che va bene per qualunque cliente e qualunque ritardo, e quindi non va bene per il vostro: non dice quando, non dice perché, non dice cosa resta utilizzabile. E promette un recupero che nessuno ha deciso.
Il modello non sa niente della vostra situazione. Tutto quello che manca lo riempie con il caso medio. Quando la risposta è generica, la prima cosa da guardare è la domanda.
Una richiesta è fatta di pezzi
Una checklist suggerita, non uno standard. Non servono sempre tutti, ma ognuno cambia il risultato: chi siete e per chi è (il vostro ruolo, chi leggerà), i fatti (con numeri e date), la forma (quanto lunga, come strutturata), il registro (formale, diretto, cordiale), cosa non fare, un esempio (una riga scritta da voi vale più di qualunque aggettivo per descrivere il tono).
Il trucco: fatevi fare le domande. Non serve ricordare i sei pezzi. Prima di chiedere il risultato, chiedete al modello di cosa ha bisogno:
Devo scrivere una mail al cliente per un ritardo. Prima di scriverla, fammi dieci domande su quello che ti serve sapere.Le domande che fa sono i sei pezzi. Si chiama prompt refining: si migliora la richiesta parlandone con il modello. Funziona anche a livelli alti, quando il sistema ha già tutto il contesto: «fammi dieci domande per rifinire».
Un'altra tecnica, usata da uno di voi in aula: dare al modello la mail già scritta e chiedere un parere. È il modello come revisore del vostro lavoro, senza il rischio che si inventi i fatti.
Quello che non gli date, se lo inventa
«Contiamo comunque di recuperare parte del ritardo nelle prossime settimane.» Nessuno l'ha detto: il modello l'ha scritto perché nelle mail di ritardo, di solito, c'è. Se la mandate così, quell'impegno l'avete preso voi davanti al cliente.
I limiti sono il pezzo che si dimentica più spesso. Tre righe che vale la pena mettere quasi sempre: «se non lo sai, scrivi che non lo sai»; «non aggiungere date, cifre o impegni che non ti ho dato»; «segnami le parti in cui hai dovuto supporre». Funzionano su tutti i modelli, meglio sui grandi. Riducono il problema, non lo eliminano: un modello non sa sempre con certezza cosa ha inventato.
Una buona richiesta è lunga, e va bene così
La richiesta completa sono sei frasi, per una mail che a mano si scrive in due minuti. La risposta dice la data, il motivo, cosa resta utilizzabile, e non promette niente che non sia stato deciso.
L'obiezione, «chi me lo fa fare per una mail da due minuti?», è giusta: per quella mail, infatti, non serve. La richiesta lunga serve quando il compito è difficile, delicato, o si ripete. Metà della richiesta sono i fatti, che dovevate scrivere comunque. La richiesta è dove mettete il vostro giudizio: una mail scritta a mano la controllate mentre la scrivete, una generata no, e scrivere fatti e limiti è il controllo fatto prima invece che dopo. Capire la richiesta è capire come funziona il modello. E si scrive una volta e si riusa: una richiesta impacchettata per essere riusata si chiama skill, ed è il ponte verso il capitolo 2.
«Sei un esperto di…» sposta il vocabolario e il tono verso quelli di un mestiere, ma non aggiunge conoscenze: il modello sa le stesse cose, dette con più sicurezza. I fatti e i limiti contano più del ruolo.
Altri trucchi famosi: «ragiona passo per passo» aiutava i modelli di qualche anno fa, quelli attuali lo fanno da soli; «dammi tre versioni diverse» funziona, e spesso la migliore è un misto; «trova i punti deboli di questa bozza» funziona, è il modello come revisore; «ti do la mancia», «è importantissimo» non cambiano niente di misurabile. Ringraziare non serve al modello, ma fa bene a chi lo usa otto ore al giorno.
Un caso vero, di agosto: un cliente chiude una collaborazione con una mail di quattro righe. Risposta scritta a mano, chiedendo il pagamento del lavoro fatto. Il cliente fa notare che l'ultima riga della sua mail lo diceva già. Il modello quella riga l'avrebbe letta. Il margine di errore di una persona distratta e quello di un modello, su questo tipo di compito, oggi si somigliano.
Per le mail non delicate (una pianificazione interna, un promemoria) scriverle male e farsele sistemare è un uso sensato: si risparmia l'attenzione per quelle che contano.
Quando il prompt non serve più
Da una richiesta lunga a una riga: cosa succede quando il sistema vi conosce già.
Ogni conversazione parte vuota
Una chat nuova non sa chi siete, chi è il cliente, come scrivete, cosa avete deciso la volta scorsa. Alcuni strumenti prendono qualche nota generica su di voi, ma a nessuno potete chiedere «cosa ho fatto il 15 maggio?». La richiesta lunga del capitolo 1 andrebbe riscritta da zero a ogni mail, ed è qui che il costo comincia a pesare.
Promemoria dal 7 ottobre: l'IA completa testi. Sceglie la parola più plausibile dopo quello che ha davanti, poi la successiva. «Rosso di sera, bel tempo si…» La mail è il completamento più plausibile di tutto quello che c'è sopra: per questo quello che sta sopra conta così tanto.
Il contesto è tutto quello che il modello ha davanti
con·tè·sto, dal latino contexĕre, intrecciare: l'insieme delle parti di un testo che stanno intorno a una parola e ne determinano il significato. Nell'IA: tutto il testo che viene inviato al modello per produrre una risposta, la vostra domanda compresa.
Voi scrivete «scrivi una mail come da istruzioni», otto token. Il modello, per rispondere, legge pagine. I pesi qui sotto sono di esempio, l'ordine di grandezza è quello:
Al modello possono arrivare anche altre cose che non vedete: le descrizioni degli strumenti che può usare, i risultati di una ricerca o di un file letto, i pezzi di documenti che il sistema ritiene pertinenti, promemoria inseriti fra un messaggio e l'altro. I prompt di sistema dei fornitori si possono leggere: Anthropic pubblica i suoi, altri sono stati ricostruiti e raccolti (i link in fondo). Sono lunghi pagine.
Finestre di contesto, ottobre 2026: quanto testo un modello può tenere davanti in una volta sola. Emma-5 2K; Qwen 3.8 (pesi aperti) 262K; Il Signore degli Anelli, per darvi la misura, circa 560K; GLM-5.2, DeepSeek V4, Mistral Large 4, Claude Opus 5.5 e Gemini 4 Argon attorno al milione; GPT-5.6 1,05 milioni; Llama 4 Scout dichiara 10 milioni. Un anno fa quasi tutti stavano sotto i 300K. Dichiarata non vuol dire utilizzabile bene fino in fondo: oltre i 200-300K la qualità cala e i fornitori fanno pagare di più. Ogni fornitore conta i token a modo suo: il confronto è indicativo.
Più contesto non vuol dire meglio. Un cliente ha caricato tutti i manuali di marketing che aveva, convinto che il sistema diventasse un esperto di marketing. Il modello affogava, ed era uno dei migliori. Perché: le cose importanti si perdono in mezzo alle altre (è misurato, si chiama lost in the middle); più testo costa di più e risponde più lento (quel giorno, duecento dollari di token per domande normali); dieci manuali dicono dieci cose diverse e il modello ne sceglie una senza dirvi quale.
La domanda giusta è quella che fareste per un collega appena arrivato: per fare questo lavoro, cosa dovrebbe leggere? E cosa invece lo confonderebbe? I sistemi migliori fanno così da soli: invece di leggere tutto, vanno a prendere solo il pezzo che serve alla domanda.
WESP: le quattro memorie
Un modo per nominare i quattro livelli di memoria che un sistema di IA può avere, ricalcati su come la psicologia descrive la memoria delle persone. Working, la chat: quello che dite adesso. Episodic, il diario: cosa è successo e quando. Semantic, le conoscenze: chi sono i clienti, le persone, i progetti. Procedural, le skill: come si fanno le cose, compreso come leggere la posta, consultare un gestionale, interrogare un database.
Una chat da sola ha solo la prima. Quasi tutti gli strumenti hanno la prima e, in qualche forma, la quarta. La seconda e la terza quasi nessuno. Le quattro memorie servono a una cosa sola: mettere nel contesto il pezzo giusto al momento giusto. Il modello vede solo il contesto; le memorie sono gli archivi da cui lo si ripesca.
Il contesto può stare fermo
Gli strati in alto si scrivono una volta e restano lì. A ogni domanda cambiano solo la conversazione e la vostra riga. Quello che oggi incollate ogni volta in fondo (chi siete, il cliente, il tono, le regole) può salire negli strati fermi.
Le quattro memorie si possono dare in molti modi, e ogni strumento sceglie il suo: è il memory system. La conversazione, o un suo riassunto. Una memoria automatica delle chat, un diario giorno per giorno, le mail e i thread passati, il calendario. Istruzioni personalizzate, progetti con documenti, un wiki di clienti e persone, una base documentale interrogabile con una mappa di cosa c'è dove. Skill e GPT personalizzati, istruzioni dentro gli strumenti, l'accesso a posta, calendario e gestionale. Più il sistema ha memorie proprie, meno dovete riscrivere voi.
La skill è un pacchetto di istruzioni, esempi e documenti per fare una cosa precisa. La mail di ritardo, impacchettata: quando si usa, cosa chiede a voi (le date, il motivo, cosa resta utilizzabile), le regole (dieci righe, mai promettere recuperi non confermati), un esempio. Sono i pezzi del capitolo 1 scritti una volta; da lì in poi la richiesta è una riga, e la skill la può usare tutto l'ufficio. Ce l'hanno quasi tutti, con nomi diversi: Skills e Progetti in Claude, GPT personalizzati e Progetti in ChatGPT, Skills in Gemini (stanno sostituendo le Gem), Agenti in Copilot.
Non serve scriverla: si fa scrivere. Quando un procedimento è complesso, ripetibile e ottimizzabile, si dice «tutto quello che abbiamo fatto stamattina, lo traduciamo in una skill? Fammi dieci domande per metterla a posto». Poi la si corregge quando fa una cosa diversa da quella voluta. Una skill che esiste da un anno diventa un castello: va a recuperare i materiali, chiede conferma dei destinatari, avvisa se manca qualcuno in copia.
Fatto bene, migliora anche i processi. Una procedura scritta come skill è nero su bianco e usata tutti i giorni: se è scritta male lo si vede subito; e si scopre che tre persone fanno la stessa cosa in tre modi diversi.
Un harness fa da solo quello che nel capitolo 1 abbiamo fatto a mano
har·ness, in inglese la bardatura del cavallo: la forza la mette il cavallo, la bardatura la porta dove serve. Nell'IA è il software costruito intorno a un modello per farlo lavorare in un posto preciso: decide cosa mettergli davanti, cosa può fare, cosa deve ricordare. Anche ChatGPT e Claude, come applicazioni, sono harness costruiti intorno ai loro modelli.
Un harness gestisce il contesto (a ogni richiesta decide cosa mettere davanti al modello, poco e giusto, al posto vostro), le quattro memorie, e le skill, compreso l'accesso ai servizi esterni: posta, calendario, gestionale, documenti, web, canali del team. Quando tutto questo c'è, basta una riga: «il rilascio del cliente A slitta al 26». Il sistema sa chi è il cliente, come scrivete, cosa non deve fare. La richiesta lunga c'era: l'ha scritta qualcuno, una volta.
Lo strumento in sviluppo in Emisfera, chiamato Village, è un harness costruito intorno al lavoro dell'azienda, non intorno a un modello. Ognuno ha il suo brain: una chat, con a fianco la memoria. Tre modalità: veloce ed economica, potente, e «privacy», che gira su infrastruttura europea e in cui si possono incollare dati di clienti. Un diario delle cose fatte, consultabile per data; progetti che definiscono i contorni di un'attività (chi, cosa, cosa non fare, quali strumenti); skill proprie e skill condivise a livello aziendale. Fra gli obiettivi dichiarati, preparare bozze di consuntivi a partire da quello che è stato fatto.
Tre cose dette chiaramente. Non è una mail privata: quello che si scrive è potenzialmente visibile agli amministratori, come in ogni sistema aziendale, e all'apertura ci sarà un avviso che lo dice. I brain sono compartimentati: uno non legge l'altro; il punto comune in cui si condivide è il Village, con pubblicazioni esplicite o legate a un progetto comune. L'analisi dei brain, quando ci sarà, sarà aggregata (quali procedure si ripetono, quali soluzioni valgono per tutti), non individuale. Sui tempi: «pochi mesi, mi auguro meno di sei». Il sistema esporrà API per essere integrato in altri strumenti.
Domanda dall'aula: su un servizio enterprise americano, i dati non vengono usati per addestrare? Probabilmente è vero, ma non è verificabile dall'esterno, e quei fornitori non sono soggetti al GDPR nello stesso modo. È il motivo per cui la modalità privacy gira in Europa.
Due osservazioni dall'aula da tenere: le prime cose che si dicono a un collega nuovo sono il vademecum e l'organigramma (chi fa cosa); sono anche le prime cose da dare a un sistema come materiale consultabile. E in Claude si può vedere cosa il sistema ha memorizzato su di voi: il link è in fondo.
Il mestiere che cambia
Tre idee, e una domanda per voi.
Il tempo risparmiato si sposta sul controllo
L'IA scrive in un minuto quello che a voi ne prendeva dieci. Il lavoro resta: si sposta dallo scrivere al decidere se quello che è stato scritto va bene. Scrivere la mail diventa rileggerla e correggerla; cercare un'informazione diventa verificare quella che ha trovato; fare da soli diventa dire bene cosa si vuole.
Rileggere bene richiede di sapere com'è fatta una buona risposta: chi non sa scrivere quella mail non si accorge se è sbagliata. Per questo la competenza non è sostituibile. Un esempio dall'amministrazione: non più mattinate a confrontare settecento fatture, ma «ho trovato queste venti difformità, manderei queste venti mail», e un'ora o due a controllarle con i documenti in mano, senza fidarsi che la difformità sia giusta.
Si verifica in proporzione al danno, e si sa dove fermarsi
Non tutto va controllato allo stesso modo. La domanda è: se è sbagliato, cosa succede? Danno basso (una mail interna, un riassunto per voi): una rilettura veloce. Danno medio (un'offerta, una mail al cliente): numeri, date, nomi e impegni, uno per uno. Danno alto (una configurazione, un contratto, dati personali): il controllo completo, e un secondo paio d'occhi. Una riunione spostata di un'ora per errore non fa danni; un prezzo sbagliato a un cliente sì.
Se per verificare un dato ci mettete più che a cercarlo da soli, il conto non torna più: cercatelo voi. L'IA conviene dove controllare è più rapido che fare; dove non lo è, il tempo risparmiato era un'illusione. È successo anche al docente di passare una mattina su una mail che il cliente aspettava alle nove.
Torna lo human in the loop: il punto in cui entrate voi si decide all'inizio del lavoro. Prima di mandare la fattura, prima del deploy, e nelle operazioni piccole a ogni passo (una classe alla volta nella code review). Gran parte dello sforzo, in un sistema come quello verso cui si va, sarà decidere nei processi dove servono i controlli, e quindi quali sono le vere competenze di ciascuno.
Diventa più prezioso saper dire cosa si vuole
Una richiesta fatta bene è un buon brief. I pezzi del capitolo 1 servono identici quando delegate a una persona. Chi impara a chiedere bene all'IA impara a chiedere bene anche ai colleghi.
Il regolamento lo diceva già: «non sostituisce i processi aziendali né il giudizio professionale». Restano vostri il giudizio (decidere se una risposta va bene e cosa farne), la conoscenza del cliente (quello che sapete delle persone e che nessun documento contiene), la responsabilità: la mail parte col vostro nome, qualunque cosa l'abbia scritta. L'IA non firma preventivi.
Dall'amministrazione: l'IA è utile anche per le cose piccole, come trovare la formula di Excel che non si ricorda, descrivendo le colonne senza caricare il file. Vero, e c'è una direzione in più: chi la usa intensamente smette di mandare Excel e manda una pagina web condivisibile, aggiornata, leggibile dal telefono. Sulle slide di questo corso: fatte così, con l'IA. I capitoli, l'ordine e i contenuti decisi dal docente; la bozza scritta dal sistema; poi slide per slide, «questa no, questa in quattro, questa più grafica». Meno manovalanza, più lavoro sul contenuto. Alcune parti sono rimaste visibilmente «AI slop», e ve le abbiamo mostrate col cerchio rosso.
Le vostre risposte
Raccolte in anonimo dal telefono, durante la lezione.
La mail di ritardo: cosa avete scritto all'IA (20 richieste)
Quasi tutte avevano le date e il motivo. Quasi tutte chiedevano di scusarsi. Nessuna metteva un limite («non promettere», «non inventare»): è il pezzo che manca sempre. Una chiedeva esplicitamente di inventare il motivo; una chiedeva una mail «estremamente prolissa» (l'abbiamo provata, e si è visto); una portava la mail già scritta e chiedeva un parere, che è la tecnica da ricordare. Le più complete avevano il ruolo, il destinatario («un cliente storico», «l'AD di un'azienda importante») e il registro di conseguenza.
Il passaggio di consegne sulla fattura sbagliata (8 richieste)
Alcune non erano richieste all'IA: erano già il passaggio di consegne, scritto a mano, in quattro righe. Giusto così: per quattro righe la richiesta lunga non serve. Una sola aveva le cifre (1.200 invece di 1.020), cioè il dato che evita il danno. Una aveva fatti sbagliati, che il modello avrebbe eseguito così com'erano. La migliore aveva le cifre, la scadenza, l'orario in cui chiamare, cosa fare e un limite esplicito sul non inventare: otto su dieci, sarebbe stato dieci senza le parolacce.
Il vostro human in the loop (12 risposte)
Su dodici risposte, nove citano il cliente o il controllo. Nessuna dice «scrivere» o «cercare informazioni». La memoria storica, nota a margine, è in parte quello che una memoria episodica può tenere; capire il cliente no.
Per il 21 ottobre: una cosa da provare
La prossima volta che dovete scrivere una mail vera, prima di chiederla all'IA chiedetele: «fammi dieci domande su quello che ti serve sapere». Rispondete, e guardate cosa cambia nella mail.
Niente da consegnare. Se vi va, raccontate com'è andata (quale mail, che domande vi ha fatto, cosa è uscito), in anonimo, da qui: talk.giobi.com/events/2026-emisfera-ia/01/02/compito
Nella stessa pagina c'è un campo per dire cosa vorreste approfondire: le lezioni che restano si costruiscono anche su quello.
Mercoledì 21 ottobre · modulo 1.3 · Etica
Ambiente, mercati, e chi decide cosa leggiamo. I consumi dei data center, chiesti esplicitamente in aula; la concentrazione del mercato in poche mani; l'omologazione di come scriviamo; chi viene pagato, o no, per i contenuti su cui questi sistemi sono addestrati. Il 28 ottobre, modulo 1.4, Compliance: le regole nel dettaglio, compresa la risposta sul riconoscimento delle emozioni.
Per approfondire
- I prompt di sistema di Claude, pubblicati da Anthropic e aggiornati a ogni versione: lo strato che non vedete, per esteso.
- Una raccolta di prompt di sistema trapelati (ChatGPT, Gemini, Copilot e altri), su GitHub.
- Cosa Claude ricorda di voi: come vedere e modificare la memoria, dal centro assistenza di Anthropic. Chiesto in aula.
- AI Act, articolo 4, alfabetizzazione in materia di IA, sul servizio di assistenza della Commissione europea.
- Legge 132/2025 e l'obbligo di informativa sull'uso dell'IA per i datori di lavoro.
- Lost in the Middle (Liu e altri, 2023): lo studio su come i modelli perdono le informazioni che stanno a metà di un contesto lungo.
- L'officina della richiesta: accendete i sei pezzi uno alla volta e guardate cosa cambia.
- La dispensa del 7 ottobre, con i diciotto concetti della prima lezione e il tokenizzatore.
Le posizioni dei modelli sulla mappa e le finestre di contesto sono quelle dichiarate dai fornitori a ottobre 2026, e cambiano ogni mese. Le definizioni di «contesto» e «harness» sono scritte per il corso, in stile vocabolario: l'etimologia è quella vera, la voce non è di un dizionario.