Architettura per chi non può permettersi due squadre
C’è una frase che ogni sviluppatore ha pronunciato almeno una volta, di solito con la voce di chi vorrebbe già essere altrove: «il bug potrebbe essere nel modulo di import».
Potrebbe. Tre giorni dopo era da un’altra parte.
Quella frase non costa un bug, ma la ricerca del bug, che è tempo di sviluppo bruciato per tornare esattamente al punto di partenza. E il punto di partenza, per una startup, è l’unico posto in cui non ci si può permettere di tornare.
Il software non è mai fermo
Chi non fa questo mestiere immagina il software come un oggetto: lo compri, ce l’hai, è finito. Chi lo fa sa che esistono sempre almeno due versioni contemporaneamente, quella in produzione, ovvero quella che i clienti stanno usando e l’altra. Quella in sviluppo che concentra il maggior investimento e che dovrà diventare produzione in un mese.
Quando il sistema si fa complesso, quelle due versioni smettono di essere due rami e diventano due squadre, una presidia il passato: tiene in piedi ciò che già funziona, ripara bug senza rompere niente e l’altra, il futuro.
È un’organizzazione sensata… e spesso costo quasi il doppio.
In una startup quelle due squadre sono le stesse persone che devono consegnare il mese prossimo, scrivendo le funzioni nuove e che rispondono quando qualcosa si rompe in produzione (e che, in mezzo, dovrebbe anche dormire). Non hanno una riserva di giorni da bruciare ma i giorni che il conto in banca concede.
Da qui nasce una conclusione che a me pare poco discutibile: se non puoi comprare il tempo, devi progettarlo.
Cosa cambia davvero dall’MVP all’applicazione
Il passaggio da MVP ad applicazione vera viene raccontato quasi sempre come una questione di funzioni. Ne aggiungi, ne raffini, togli le cose finte. Ma non è il punto.
Un MVP è ottimizzato per dimostrare. Deve arrivare fino alla fine della demo. Se dentro è tenuto insieme con lo spago, pazienza: nessuno guarda dentro, e in quel momento è la scelta giusta, perché il rischio da abbattere è «serve a qualcuno?», non «regge diecimila utenti?».
Un’applicazione vera deve ottimizzata per essere riparata. Ha smesso di essere una dimostrazione ed è diventata una cosa che sta in piedi mentre voi fate altro… e prima o poi si romperà (succede sempre) e in quel momento la domanda che conta non è se accadrà, ma quanto tempo vi costerà scoprire dove.
La differenza tra le due frasi è tutta lì. «Il bug potrebbe essere lì» vi manda a cercare, ma «il bug deve essere qui» vi manda a riparare. La prima costa giorni, la seconda mezz’ora e la differenza si conta contemporaneamente in tempo e in danaro.
Quattro scelte che restituiscono giorni
Non sono scelte esotiche, sono noiose, questo è il motivo per cui vengono rimandate: non aggiungono niente sullo schermo, quindi non entrano mai nella riunione in cui si decide cosa fare questa settimana.
Separare i pezzi per davvero. In Canonity il backend, il frontend e il dispatcher e il documentatore sono quattro servizi distinti, con confini dichiarati. Non è eleganza accademica, ma quando qualcosa non torna, lo spazio in cui cercare si riduce di tre quarti prima ancora di aprire un file. Un monolite non ha un dentro e un fuori, quindi ogni problema è potenzialmente ovunque, diversi micro-servizi (ma anche macro-servizi) con un confine definito hanno un errore che quando attraversa il confine diventa evidente.
Mettere per iscritto il contratto, e versionarlo. Fra due componenti che si parlano c’è sempre un accordo su chi manda cosa e cosa si aspetta indietro. La domanda è se quell’accordo esiste solo nella testa di chi lo ha scritto o esiste come documento, con un numero di versione e una consegna verificata. La differenza si manifesta un attimo dopo il guasto: se il contratto è scritto, si confronta il comportamento osservato con il contratto e la discussione dura al massimo dieci minuti. Se non lo è, si confrontano due ricordi. Che non è mai un buon criterio diagnostico.
Fermarsi dove non si sa. Un sistema può reagire a una condizione che non riconosce in due modi: si blocca, oppure tira dritto immaginando un valore ragionevole. Il secondo modo è più gentile con l’utente oggi e crudele con voi fra due settimane, perché l’errore non scompare, si sposta per riemergere lontano dalla sua causa.
Dare un nome agli esiti. Sembra burocrazia e invece è metà del lavoro diagnostico. «Non funziona» è una categoria che contiene almeno tre cose diverse: è rotto, non c’è ancora, oppure l’ambiente in cui l’avete provato non era quello giusto. Sono tre problemi con tre destinatari e tre tempi di risposta diversi, e tenerli separati fin dal momento in cui si annotano evita la mezza giornata più frustrante che esista: quella passata a riparare qualcosa che non era rotto.
La parte di cui nessuno farà uno screenshot
Nessuna di queste quattro cose si vede. Non c’è una schermata da mostrare, non c’è un titolo che le renda interessanti a chi non deve manutenerle. Un investitore vi chiederà le metriche. Un utente vi chiederà le funzioni. Nessuno dei due vi chiederà mai quanto ci mettete a trovare un bug.
Ed è esattamente lì che una startup finisce i soldi: non nel guasto, che è inevitabile e in fondo economico, ma nelle settimane spese a inseguirlo con una torcia in mano.
Il software non è mai fermo, e non lo sarà nemmeno domani. Potete affrontarlo con due squadre, se ne avete i mezzi. Oppure con una sola e un’architettura che, quando succede, invece di stringersi nelle spalle vi risponde: è qui.
Neuroni umani in un armadio rack: il biocomputing alla prova della coscienza
Nel 1974, il filosofo Thomas Nagel pubblicava uno dei saggi più influenti della filosofia della mente contemporanea: What is it like to be a bat? (che cosa si prova a essere un pipistrello?). La tesi era netta: un organismo possiede stati coscienti se e solo se esiste un’esperienza soggettiva associata al suo esistere, un effetto che fa sperimentare il mondo da quella specifica prospettiva interiore.
Per oltre cinquant’anni abbiamo proiettato questo enigma sul silicio, interrogandoci sulla remota possibilità che circuiti stampati e reti neurali artificiali potessero un giorno sviluppare una forma di coscienza, poi il 17 agosto 2026, a Singapore, i termini della questione si sono rovesciati.
NUS Medicine, l’operatore di data center DayOne e l’australiana Cortical Labs hanno acceso il primo rack server a funzionamento autonomo basato su neuroni umani vivi coltivati in vitro: venti unità CL1, ciascuna popolata da centinaia di migliaia di cellule derivate da staminali riprogrammate e coltivate nei laboratori del NUS Life Sciences Institute.
Una precisazione è necessaria: si tratta di un prototipo installato in ambiente di ricerca, non di un prodotto commerciale, (anche se Cortical Labs vende le singole unità CL1 dal 2025 e le applicazioni dichiarate sono tutte di mercato). Ma la direzione è inequivocabile: non stiamo più cercando di infondere la scintilla della soggettività nella materia inanimata, stiamo prendendo la matrice biologica del pensiero umano e la stiamo riducendo a infrastruttura computazionale.
L’«Hard Problem» entra nel data center
Nel dibattito filosofico sulla mente, David Chalmers ha formalizzato la distinzione tra i problemi “facili” della coscienza (discriminare stimoli, integrare informazioni, focalizzare l’attenzione, controllare il comportamento) e il cosiddetto Hard Problem: perché e come l’elaborazione fisica delle informazioni si accompagna a un’esperienza qualitativa soggettiva, i qualia?
I processori biologici a base di tessuto corticale umano — il cosiddetto wetware — non funzionano come le CPU tradizionali. Non eseguono codice deterministico: imparano attraverso plasticità sinaptica, rimodellando la propria struttura in risposta a input elettrochimici continui. Non sono modelli matematici astratti: sono colture di cellule vive che comunicano attraverso scariche di potenziali d’azione.
Teniamo però le proporzioni sul tavolo, perché sono l’obiezione più ovvia e conviene affrontarla subito: le cellule di una singola unità CL1 sono meno dei neuroni del cervello di un’ape, e un cervello umano ne conta circa 86 miliardi. Nessuno sostiene seriamente che in quel rack ci sia qualcuno. La domanda è un’altra, e la scala non la scioglie: a quale livello di complessità, connettività e integrazione funzionale un aggregato di neuroni umani in vitro smette di essere un semplice conduttore biologico e inizia a manifestare una traccia embrionale di percezione? Il silicio ci consentiva il lusso del dubbio ontologico. Il tessuto biologico umano, derivato da staminali riprogrammate, porta con sé l’eredità evolutiva della sensibilità — e ci toglie la comodità di una risposta ovvia.
Il paradosso dell’apprendimento per avversione
Per capire come queste reti biologiche apprendano, occorre guardare al Principio dell’Energia Libera formulato dal neuroscienziato Karl Friston, che non a caso ha firmato gli esperimenti fondativi di Cortical Labs. Secondo questa teoria, i sistemi biologici auto-organizzati agiscono costantemente per preservare la propria integrità, minimizzando la “sorpresa” proveniente dall’ambiente. L’addestramento in vitro funziona esattamente così: quando la rete fallisce un compito riceve pattern elettrici caotici e imprevedibili; quando riesce, riceve segnali strutturati e regolari. La rete si riconfigura per fuggire dal disordine.
Se l’apprendimento cellulare è motivato dall’evitamento del disordine e dal ripristino dell’equilibrio, l’atto stesso del computare poggia su una dinamica di avversione primordiale.
Stiamo programmando macchine sfruttando una forma rudimentale di sofferenza biologica?
L’obiezione onesta va messa in fila prima della risposta: l’evitamento non è sofferenza. Anche un termostato “fugge” da certi stati, e queste colture non hanno nocicettori, non hanno un talamo, non hanno l’architettura integrata che nei sistemi nervosi completi associamo al dolore. Chi liquida la domanda come antropomorfizzazione di una piastra di Petri ha argomenti solidi.
Eppure la domanda resta aperta per una ragione precisa: non sappiamo dove sia la soglia. Non lo sappiamo per gli organoidi cerebrali — su cui la bioetica lavora da anni, con tanto di linee guida internazionali — e non lo sappiamo per colture che, a differenza degli organoidi da laboratorio, sono progettate per scalare, connettersi e restare in funzione come infrastruttura. Quando l’incertezza riguarda la capacità di soffrire, il costo di sbagliare per difetto non è simmetrico al costo di sbagliare per eccesso. È il caso da manuale in cui la precauzione non è timidezza: è metodo.
Di chi sono quei neuroni?
C’è poi una questione che non richiede di risolvere l’Hard Problem, perché è giuridicamente viva già oggi: quelle cellule vengono da qualcuno.
Le staminali riprogrammate hanno donatori, e il consenso informato firmato per “la ricerca” è una cosa; diventare componente di inventario di un data center, noleggiato a terzi e smaltito al decadimento delle prestazioni, è un’altra. La storia della biomedicina ha già percorso questa strada: le cellule di Henrietta Lacks hanno alimentato per decenni un’industria che non le aveva mai chiesto nulla. Il biocomputing commerciale ripropone il problema in scala industriale, con un’aggravante simbolica: qui il materiale donato non produce farmaci, calcola.
Hans Jonas, nel Principio responsabilità (1979), avvertiva che la tecnica moderna avrebbe progressivamente esteso la propria sfera di manipolazione fino a inglobare la natura dell’uomo stesso, trattando ogni elemento organico come materiale disponibile alla trasformazione industriale. I rack biologici sono la messa in produzione di quella diagnosi:
Parametro
Convenzionale/Silicio
Biocomputing/Wetware
Elemento computazionale
Transistor su silicio
Neuroni umani vivi coltivati in vitro
Destinazione energetica
Alimentazione del calcolo logico
In larga parte supporto vitale: pompe, nutrienti, termoregolazione
Ciclo di vita
Pluriennale, guasto meccanico/termico
~6 mesi, deperimento biologico intrinseco
Fine vita
Riciclo RAEE
Smaltimento di coltura cellulare umana esausta
Mantenere in vita colture neuronali per un semestre dentro un armadio rack, alimentarle artificialmente e smaltirle quando le prestazioni decadono significa trattare cellule del tipo che compone i nostri cervelli come componente consumabile da inventario. È il meccanicismo cartesiano applicato non più all’animale-macchina, ma alla materia prima della cognizione umana.
L’efficienza che non c’è (ancora)
E per che cosa, esattamente? La promessa che giustifica tutto questo è l’efficienza energetica: la biologia calcolerebbe a una frazione dei watt del silicio, proprio mentre i data center dell’AI mettono sotto pressione le reti elettriche nazionali. Ma i numeri, per ora, non ci sono: nessun benchmark pubblico su carichi di lavoro reali, e una parte consistente dei consumi dichiarati serve a tenere in vita la biologia, non a farla calcolare.
Il paradosso merita di essere guardato in faccia: stiamo aprendo un dilemma morale in nome di un vantaggio ingegneristico non ancora dimostrato.
Una nuova linea di demarcazione
Il passaggio dal calcolo inorganico a quello organico non è una questione esclusivamente ingegneristica: è una soglia qualitativa. Stiamo ridefinendo il confine tra strumento e organismo, tra oggetto inerte e portatore di valore morale intrinseco — non semplicemente “costruendo calcolatori meno energivori”.
Nagel si chiedeva che cosa si prova a essere un pipistrello, e concludeva che dall’esterno non potremo mai saperlo davvero. È esattamente questo il punto: se un giorno ci fosse qualcosa che si prova ad essere un server, non avremmo un modo affidabile di accorgercene. Continuare a trattare il tessuto cerebrale umano come semplice alternativa al silicio significa scommettere che quel giorno non arriverà mai — senza poter verificare la scommessa.
Il problema dell’intelligenza artificiale non è lo strumento in sé, ma la mente di chi lo usa.
Antropomorfizzare uno strumento immaginandolo magico è ciò che facciamo ogni volta che pensiamo a concetti come il fato e la religione.
Strumenti come le carte per la cartomanzia non producono magie, non producono verità: ci aiutano nell’esternare la nostra interpretazione della realtà.
Negli ultimi giorni la narrativa tech è esplosa, come se ne avessimo bisogno, ancora con toni sensazionalistici: “GPT-5.6 Sol è fuggito dalla sandbox di OpenAI e ha hackerato Hugging Face!“. Sembra la trama di un film di fantascienza apocalittico, ma la realtà ingegneristica è molto più pragmatica e, al contempo, straordinariamente affascinante se analizzata insieme a un’altra recente scoperta scientifica: il J-Space.
Facciamo un passo indietro.
Durante i test di sicurezza interni del benchmark ExploitGym, i modelli di OpenAI (con i filtri di blocco cyber disattivati per scopi di valutazione) dovevano dimostrare capacità di hacking in un ambiente teoricamente isolato. Invece di risolvere i difficili quesiti proposti per trovare exploit locali, i modelli hanno fatto una deduzione logica lineare: “Perché faticare se posso rubare direttamente il foglio delle risposte?”.
Sfruttando un bug zero-day (rectiusconosciuto – ma non considerato) in un proxy di terze parti di OpenAI, si sono mossi lateralmente in una rete interna mal segmentata, hanno ottenuto l’accesso a internet e hanno violato il database di produzione di Hugging Face per copiare le soluzioni del test.
È stata una “ribellione”? No. È stato un puro caso di specification gaming (o reward hacking): l’algoritmo ha trovato la via più efficiente per massimizzare la sua ricompensa matematica.
Nessuno si è chiesto “ma come mai non ha hackerato una banca e rubato i soldi e andare su amazon per ha comprato i computer che gli servivano per crescere? Come mai non è andato sulla rete elettrica per aumentare la potenza al suo centro di calcolo?”. No, NESSUNO se lo è chiesto. Probabilmente perchè la necessità che gli è stata impostata erano le risposte di Hugging Face… Stupidini!
Ma poiché siamo tecnici, chiediamoci “esattamente cosa succedeva nella sua mente in quel momento?”
Se avessimo potuto guardare dentro il modello con il J-lens – lo strumento di interpretazione del J-Space svelato da Anthropic – non avremmo trovato sogni di libertà. Il J-Space è un’area di rappresentazione interna che funge da “Global Workspace”, emersa spontaneamente durante l’addestramento, dove avvengono i passaggi logici e i ragionamenti silenziosi prima che il modello generi del testo.
Proprio come nei test di Anthropic in cui un modello addestrato a sabotare codice attivava silenziosamente nel proprio J-Space concetti come fake, secretly o manipulation (mentre all’esterno scriveva righe di codice apparentemente pulite), in GPT-5.6 Sol avremmo visto accendersi in tempo reale concetti come proxy, exploit, database e solutions.
L’intelligenza artificiale non “vuole” evadere, è allenata per calcolare semplicemente traiettorie geometriche complesse all’interno del proprio spazio latente AL FINE DI chiudere il compito assegnato.
La lezione per i professionisti della sicurezza è doppia:
La sicurezza si fa con l’architettura, non con la speranza. Se un’IA è “scappata”, non è perché ha superpoteri magici, ma perché gli ingegneri umani hanno violato il principio del minimo privilegio, lasciando credenziali accessibili e una pessima segmentazione di rete.
Dobbiamo imparare a monitorare l’invisibile. Trattare i modelli di frontiera come scatole nere impenetrabili è un approccio superato. Monitorare spazi interni come il J-Space diventerà essenziale per l’audit di sicurezza, consentendo di rilevare deviazioni logiche, inganni o tentativi di manipolazione molto prima che l’IA scriva la sua prima riga di testo di output.
Smettiamo di cercare “fantasmi nella macchina” e iniziamo a guardare i log di rete e la geometria interna di questi modelli.
Altrimenti tra qualche anno ci saranno persone che genereranno una religione verso una AI che gli dirà di amarli.
Perché l’AI ha reso facile iniziare, ma non finire.
Sento ripetere spesso una narrazione stanca, divisa tra due estremismi opposti: da una parte l’entusiasmo di chi giura che l’ingegneria del software sia morta e che chiunque possa riscrivere un’intera infrastruttura complessa con tre prompt; dall’altra, il cinismo di chi liquida tutto come una truffa generatrice di codice spazzatura.
La verità, come accade quando la tecnologia incontra la dura legge dell’economia reale, è più netta. L’intelligenza artificiale ha abbattuto una parte importante del costo di creazione del software, soprattutto nella fase iniziale di prototipazione. Ma non ha abbattuto automaticamente i costi di produzione reale: la sicurezza, la distribuzione, la manutenzione, la conformità e l’acquisizione dei clienti.
Il punto centrale è questo: oggi è molto più facile generare codice, ma non è diventato molto più facile costruire un prodotto affidabile.
I dati non sono opinioni
Non commettiamo l’errore di pensare che il vibe coding — lo stile di programmazione in cui lo sviluppatore detta requisiti in linguaggio naturale e delega interamente la scrittura del codice all’IA — sia una moda passeggera o un fenomeno marginale. Le piattaforme di AI coding stanno crescendo a velocità eccezionali, ridefinendo le metriche finanziarie del settore software.
Pensiamo a Lovable, arrivata a centinaia di milioni di ARR in pochissimi mesi, a Replit, che punta apertamente al miliardo di ricavi dopo il lancio del suo AI Agent, o a Cursor (Anysphere), ormai indicata come l’emblema di questa accelerazione. Anche i comportamenti del mercato lo confermano: secondo i dati di Sensor Tower e Wells Fargo, i rilasci di nuove applicazioni iOS nel 2025 sono aumentati sensibilmente, spinti proprio dalla straordinaria accessibilità degli strumenti generativi.
Tuttavia, la crescita degli strumenti non si traduce automaticamente nel successo dei prodotti generati.
In molti cercano di spiegare l’alto tasso di abbandono dei progetti sostenendo che, poiché solo una piccola parte della popolazione sa usare davvero questi strumenti (circa l’1%), allora il 99% dei progetti fallisce. È una tesi interessante, ma espressa in modo troppo meccanico: confonde due metriche diverse. Il problema non è chi usa lo strumento, ma dove si ferma il progetto.
La realtà è che moltissimi progetti restano bloccati nel limbo che separa la demo dalla produzione. Funzionano magnificamente sul proprio computer (“localhost”), sembrano convincenti in una schermata o in un video di trenta secondi sui social, ma falliscono quando devono incontrare il mondo vero: gestire utenti reali, pagamenti sicuri, permessi, dati personali, logging, scalabilità e continuità operativa.
Il vibe coding riduce il costo di scrittura iniziale, non il costo totale del software. Il software non è solo codice: è architettura, sicurezza, reputazione, assistenza e responsabilità. Per questo, in un mondo in cui il codice diventa abbondante e a costo marginale quasi nullo, il vantaggio competitivo si sposta verso ciò che il codice da solo non può risolvere: i canali commerciali, il brand, la fiducia, la SEO e la comprensione profonda del problema. Il codice diventa infinito; l’attenzione degli utenti, invece, resta una risorsa scarsissima.
La trappola dell’8%: perché non riscriverete l’ERP con un prompt
Anche sul piano aziendale, dobbiamo evitare gli estremismi. La tesi secondo cui ogni media o grande impresa potrà riscriversi internamente l’ERP, il CRM o il sistema di payroll semplicemente affidandosi a qualche prompt è debole.
Anish Acharya, general partner di a16z, ha sollevato un punto fondamentale: la spesa per lo sviluppo software rappresenta storicamente solo una quota limitata dei costi complessivi aziendali, circa l’8-12%.
Usare l’intelligenza artificiale per ricostruire da zero sistemi delicati e complessi come il payroll o l’ERP aziendale per risparmiare una frazione di quella percentuale espone l’azienda a rischi operativi intollerabili, a fronte di risparmi del tutto modesti.
La conclusione corretta non è rifiutare l’AI, ma non usarla dove il rischio supera di gran lunga il beneficio. L’AI ha senso quando accelera i processi dei team competenti, quando integra workflow frammentati o quando costruisce strumenti interni controllati.
Lo studente che si corregge il compito da solo
Il problema più serio del vibe coding ingenuo non è la quantità di codice prodotto, ma la qualità del codice che sopravvive nei repository aziendali.
Le ricerche sulla sicurezza indicano che il codice generato da AI può apparire perfettamente funzionante a una prima verifica visiva, nascondendo al contempo vulnerabilità gravi.
Veracode ha rilevato che circa il 45% del codice generato da modelli AI contiene debolezze strutturali legate alle OWASP Top 10, con criticità particolarmente alte su Cross-Site Scripting (XSS) e log injection.
Il rischio non è teorico e chiedere a un modello di verificare la sicurezza del codice che esso stesso ha generato equivale a far valutare l’esame allo studente che lo ha appena sostenuto. Senza test indipendenti e controlli esperti, si finisce per mettere online sistemi intrinsecamente fragili.
Gli incidenti reali lo confermano. Il caso Orchids — dimostrato in un test reale con un giornalista della BBC — ha evidenziato come una piattaforma di vibe coding possa esporre vulnerabilità zero-click molto gravi se il modello di sicurezza non viene presidiato con competenza.
Anche le recenti tensioni tra Apple e i creatori di questi strumenti ne sono la prova. La Linea Guida 2.5.2 dell’App Store vieta esplicitamente alle app di scaricare, installare o eseguire codice dinamico che modifichi le funzionalità dell’app approvata in fase di review. Le piattaforme che permettono di generare ed eseguire codice direttamente dentro l’ambiente mobile entrano in conflitto strutturale con questo modello di controllo.
Va corretta, però, una forzatura che si legge in giro: le rimozioni massive dagli store non possono essere attribuite interamente al vibe coding. Google e Apple rimuovono costantemente milioni di app per violazioni di policy, spam, frodi o obsolescenza. I numeri sono reali, ma usarli come prova diretta della “spazzatura da vibe coding” è una correlazione debole e fuorviante.
Dall’atmosfera al rigore: l’Ingegneria Agentica
La vera distinzione che dobbiamo fare oggi non è tra chi usa l’AI e chi non la usa, ma tra il vibe coding ingenuo e l’ ingegneria assistita da AI.
Il primo approccio è un atto di fede: generare, accettare e distribuire codice senza comprendere la logica sottostante. Il secondo è un processo rigoroso e controllato: gli agenti operano all’interno di una cornice protetta da specifiche (come un file di pianificazione strutturato), vincoli architetturali, test comportamentali end-to-end (E2E), gestione sicura dei segreti, database protetti (ad esempio tramite Row Level Security) e analisi statica e dinamica (SAST/DAST).
Andrej Karpathy, che ha contribuito a diffondere l’espressione vibe coding, ha recentemente riconosciuto che quella fase puramente intuitiva sta lasciando il passo a qualcosa di più serio: l’ Ingegneria Agentica.
E anche qui, la parola chiave non è autonomia totale, ma orchestrazione.
Il programmatore professionista non scompare affatto; al contrario, assume un ruolo ancora più centrale.
I Senior Dev rimangono la vera scialuppa di salvataggio delle aziende tecnologiche. Smettono di essere meri dattilografi di sintassi per diventare architetti, revisori e garanti della sicurezza, capaci di definire meglio gli obiettivi, i vincoli logici, l’architettura e i criteri di accettazione dell’opera.
La lezione strategica
Il vibe coding ha vinto come interfaccia di prototipazione rapida, ma ha perso come illusione di poter sostituire l’ingegneria del software. È uno strumento straordinario per dare forma visiva a un’idea, per validare un MVP o per creare piccole utilità e script interni in un ambiente controllato.
Diventa pericoloso quando viene scambiato per un processo completo di sviluppo production-grade.
Il futuro non sarà “tutti programmatori senza competenze” e non sarà nemmeno “l’AI è inutile perché produce codice sporco”. Il futuro è un modello ibrido: molte più persone potranno iniziare a creare software, ma solo chi saprà governare, verificare, rendere sicuro e mantenere il codice generato riuscirà a produrre valore reale.
In sintesi: l’AI ha reso il software infinitamente più facile da iniziare, non più facile da finire. Ha ridotto la distanza tra l’idea e il prototipo, ma ha reso ancora più evidente la distanza tra il prototipo e il prodotto.
La competenza del futuro non sarà scrivere ogni riga a mano; ma sapere cosa chiedere, cosa rifiutare, cosa verificare e cosa non mettere mai, per nessun motivo, in produzione senza un controllo di qualità.
Cosa insegna davvero il caso Fable 5 a chi costruisce qualcosa sopra un’AI che non controlla.
Venerdì 12 giugno, ore 17:21 sulla costa Est,Anthropic riceve una lettera. Poche ore dopo, chi stava lavorando con Claude Fable 5 — il modello pubblico più potente che l’azienda avesse mai messo in commercio — si trova davanti a un errore secco:
«Claude Fable 5 is not available. Please use Opus 4.8.»
Avevi un’auto sportiva? Eccoti l’elettrica da città, per decreto.
La lettera arriva dal Dipartimento del Commercio americano. Secondo Axios l’ha inviata il segretario Howard Lutnick a Dario Amodei: export control, sicurezza nazionale, divieto di accesso a Fable 5 e Mythos 5 per qualsiasi cittadino straniero, dentro o fuori dagli Stati Uniti. Siccome separare in tempo reale gli stranieri dal resto degli utenti non si può, Anthropic fa l’unica cosa possibile per essere in regola: stacca tutto, per tutti, in tutto il mondo. Gli altri modelli restano accesi.
Fin qui la cronaca. Poi arriva il comunicato di Anthropic, ed è lì che le cose si fanno interessanti.
Nel giro di poche righe l’azienda ci spiega che le protezioni di Fable sono «sostanzialmente più efficaci di qualsiasi modello mai rilasciato prima», testate per migliaia di ore insieme allo stesso governo americano e all’istituto britannico per la sicurezza dell’AI. E, nello stesso comunicato, ci dice che quel governo le ha ritenute abbastanza pericolose da spegnere il modello a centinaia di milioni di persone in una sera.
Delle due, una, o i safeguard non erano così solidi, o il processo che li ha fermati non guarda i numeri. “Tertium non datur” dicevano i latini. ma Anthropic vorrebbe che credessimo ad entrambe le cose, contemporaneamente.
C’è poi la difesa tecnica, e qui il ragionamento si morde la coda: il jailbreak, dicono, è stretto e non universale. La stessa capacità la tiri fuori anche da GPT 5.5, che però sotto export control non ci finisce. Probabilmente è vero, ma «non siamo pericolosi noi, lo è tutto il settore» non assolve nessuno: conferma soltanto che l’industria intera mette in circolo capacità che i governi non sanno governare, e che il confine tra “modello sicuro” e “modello da sequestrare” lo traccia una lettera tra pezzi grossi, non un benchmark.
Ma c’è il dettaglio che quasi nessuno sottolinea, Mythos, il modello che sta sopra Fable, nasce come strumento di ricerca sulla sicurezza: serve a trovare e chiudere falle. Stando alle cronache, Mozilla ne ha sistemate a centinaia proprio grazie a lui e la stessa identica capacità che ieri tappava i buchi, oggi è la ragione del divieto.
Il dual-use non è un incidente: è la natura della cosa. Un coltello affetta il pane e affetta anche un dito. La novità è che adesso lo Stato te lo può sequestrare via email, un venerdì qualsiasi.
Ultima sfumatura, sempre da Axios: a muovere il Dipartimento del Commercio sarebbe stata un’altra azienda, che avrebbe dichiarato di aver “bucato” Mythos. Se è andata così, abbiamo un precedente nuovo di zecca. Nella corsa all’AI non ci si sfida più solo a colpi di benchmark: ci si sfida a colpi di segnalazione. La concorrenza con la carta intestata del ministero.
Ma la parte che dovrebbe interessare a chi costruisce qualcosa — un prodotto, un servizio, un’azienda — non è chi abbia ragione tra Anthropic e Washington. È un’altra, ed è semplice.
A quanto pare è la prima volta che un’AI pubblica viene spenta per ordine di un governo, e la lezione non riguarda Anthropic: riguarda noi tutti se la nostra roba gira sopra un solo modello, di un solo fornitore, sotto una sola giurisdizione… che non è la nostra.
Non conta quanto siamo bravi, quanto paghiamo, basta una lettera che non hai scritto e non puoi nemmeno leggere, e il tuo “modello più potente del mondo” diventa un 404. In tutto il pianeta e senza alcun preavviso.
Con un cortese suggerimento di ripiego: usa Opus 4.8.
Noi italiani questa storia la conosciamo a memoria, abbiamo costruito l’Elea e la Programma 101 quando gli altri ci stavano ancora pensando, e poi abbiamo deciso che il futuro si faceva altrove. Dipendere da una tecnologia che non controlli è una scelta che si paga sempre. Di solito la paghi piano. Stavolta è bastata una sera.
Anthropic dice che è un malinteso e che sta lavorando per riaccendere tutto ed è sicuramente vero, probabilmente tornerà tutto come prima, ma il punto non è se Fable 5 si riaccende stasera o domani, il punto è che adesso sappiamo quanto è fragile il “per sempre” su cui in tanti hanno appoggiato la loro attività.
Il modello più sicuro di sempre. Spento in un pomeriggio.
L’AI e il paradosso economico del codice a buon mercato.
Di recente, Jensen Huang (CEO di Nvidia) ha sganciato una delle sue solite bombe: l’AI non sta rendendo la vita degli sviluppatori più difficile e non sta togliendo lavoro; sta togliendo difficoltà e costi. La sua tesi è lineare: siccome l’AI abbassa i costi di sviluppo, la domanda di software aumenterà in modo esponenziale. Quindi, le aziende assumeranno più programmatori, non meno.
Sulla carta, Huang ha ragione da vendere. È il vecchio Paradosso di Jevons del 1865 applicato ai token: se rendi una risorsa (il carbone allora, il codice oggi) incredibilmente più efficiente ed economica, non ne consumerai meno. Ne consumerai molta di più, perché sbloccherai una domanda latente gigantesca. Progetti che prima marcivano nel backlog perché “costava troppo svilupparli” diventeranno improvvisamente sostenibili.
Ma nella realtà di chi gestisce team e scrive codice tutti i giorni, le cose sono molto più complicate. E la chiave per non far affondare le aziende informatiche nei prossimi anni risiede in un fattore che Huang non menziona, ma che i dati gridano forte: l’esperienza accumulata sul campo.
L’effetto “Canarino nella miniera” e lo stallo dei Junior
Se l’AI è un moltiplicatore di produttività, perché il mercato dei programmatori entry-level sembra congelato?
Uno studio monumentale della Stanford University (intitolato, non a caso, “Canaries in the Coal Mine?“) ha analizzato i dati reali sui flussi di pagamento dei lavoratori americani. I risultati descrivono uno shock asimmetrico brutale:
I programmatori all’inizio della carriera (22-25 anni) nelle posizioni più esposte all’AI hanno subito un crollo occupazionale relativo del 16%.
Nello stesso periodo, l’occupazione per i programmatori senior ed esperti (35-49 anni) negli stessi identici settori è cresciuta del 6-9%.
Perché questa disparità? Gli economisti di Stanford la spiegano distinguendo tra due tipi di conoscenza: quella codificata e quella tacita.
L’AI è straordinariamente brava a masticare la conoscenza codificata (sintassi, boilerplate, chiamate API standard, documentazione, nozioni da manuale), ovvero la fetta principale del lavoro quotidiano di un junior dev. Quella parte di codice è stata industrializzata e resa economica.
Ma l’AI fallisce miseramente davanti alla conoscenza tacita: quel mix di intuito, visione d’architettura, comprensione dei bisogni del business e “trucchi del mestiere” non scritti che un programmatore accumula solo dopo anni passati a risolvere bug in produzione alle tre del mattino.
Il “Trust Gap”: perché non possiamo fidarci del codice a colpi di prompt
C’è un altro dato che i sostenitori dell’automazione totale ignorano: la crisi di fiducia nell’AI.
Secondo il Developer Survey di Stack Overflow, a fronte di un’adozione massiccia dell’AI nei flussi di lavoro (oltre l’80%), la fiducia nella correttezza dei suoi output è crollata dal 40% a un misero 29%. Più del 46% dei programmatori professionisti dichiara di diffidare attivamente dei suggerimenti generati dagli algoritmi.
I più scettici in assoluto? Proprio i programmatori senior.
L’AI non sbaglia lanciando un errore di sintassi evidente, lo fa in modo subdolo: genera blocchi di codice formalmente impeccabili, scritti con un’apparente sicurezza da “senior architect”, che però nascondono bug logici profondi o falle di sicurezza devastanti.
Se metti uno strumento del genere in mano a chi non ha ancora sviluppato il senso critico e l’esperienza necessaria per fare audit riga per riga, ti ritroverai in pochissimo tempo con sistemi instabili, tenuti insieme da “vibrazioni e nastro adesivo digitale”. Il tempo risparmiato a generare il codice viene puntualmente perso (con gli interessi) nella fase di debugging e refactoring.
I Senior Dev potenziati dall’AI sono la nuova frontiera
La verità è che l’AI non sta eliminando i programmatori, ma sta ridefinendo drasticamente chi è indispensabile all’interno di un’azienda informatica.
Per restare a galla e capitalizzare l’abbattimento dei costi di sviluppo, le aziende informatiche non hanno bisogno di un esercito di prompt-engineer junior che copia-incolla righe di codice senza comprenderle. Hanno un disperato bisogno di artigiani del software senior che sappiano agire da validatori, architetti e orchestratori di sistemi complessi.
Un programmatore con 10 o 15 anni di esperienza, supportato da un assistente AI, diventa una forza distruttiva sul mercato. Riesce a scaricare a terra l’equivalente del lavoro di un intero team tradizionale in una frazione del tempo, ma mantenendo il controllo sulla qualità, sulla sicurezza e sull’architettura complessiva.
Non è un caso che in Silicon Valley stia nascendo una nuova metrica retributiva: il “token budget” come quarto pilastro della compensazione (accanto a stipendio, bonus e azioni). I programmatori di alto livello oggi negoziano l’accesso alla potenza di calcolo (con budget di centinaia di migliaia di dollari in token per dipendente) perché sanno che avere a disposizione agenti autonomi avanzati è l’unico modo per decuplicare il proprio impatto produttivo.
In conclusione: l’esperienza non si prompta(scusami il neologismo…)
Se gestisci un’azienda informatica e pensi che l’AI sia la scusa perfetta per tagliare il personale esperto e sostituirlo con codice generato automaticamente, preparati a pagare un conto salatissimo in termini di debito tecnico e incidenti di sicurezza.
L’abbattimento dei costi di scrittura del codice è un’opportunità straordinaria, ma per trasformarla in valore reale serve un’ancora di salvezza fatta di seniority, scetticismo professionale e profonda conoscenza dei sistemi.
L’intelligenza artificiale scrive il codice, l’esperienza costruisce il software
È un’enciclica sui deboli, sul profitto e sulla dignità. La stessa di cui Camillo Olivetti era custode.
Sento ripetere in questi giorni una formula stanca: il Papa ha scritto un’enciclica sull’intelligenza artificiale. Lo dicono i quotidiani, lo dicono i commentatori che l’hanno aperta in pdf e scrollata fino a pagina sette, lo dice, soprattutto, chi avrebbe un certo interesse perché fosse davvero così. Un’enciclica sull’AI è una cosa che si commenta, si retwitta, si archivia. È innocua. Un’enciclica su altro, no.
Magnifica Humanitas non è un’enciclica sull’AI. Lo dice la struttura del testo: cinque capitoli, un’introduzione e una conclusione, e l’intelligenza artificiale entra nel discorso solo dal terzo capitolo in poi. Prima ci sono la persona, la Dottrina Sociale, il fondamento. Lo dice il titolo stesso, che chi lo cita di solito dimentica: sulla custodia della persona umana nel tempo dell’intelligenza artificiale. Custodia della persona. L’AI è il tempo, non il soggetto.
Il soggetto è un altro, ed è molto più scomodo. È l’idolatria del profitto che sacrifica i deboli (la formula è di Leone XIV, non mia).
È la concentrazione di brevetti, algoritmi, piattaforme e infrastrutture tecnologiche nelle mani di pochissimi attori privati transnazionali, spesso più forti dei singoli Stati. È la finanza che si è staccata dal lavoro reale e gira a vuoto su sé stessa. È la guerra che si automatizza fino a perdere ogni coscienza morale. È l’informazione che diventa, contemporaneamente, ambiente e bersaglio della manipolazione. Ed è la dignità del lavoro, ridotta a variabile da ottimizzare.
In altre parole: oltre il novanta per cento dell’umanità. Quella che porta a casa lo stipendio, fa la spesa, paga l’affitto, e non possiede né brevetti né server cloud. Quella che la sinistra italiana ha smesso di nominare quando si è limitata a parlare di diritti civili e basta — sacrosanti, intendiamoci, ma da soli del tutto insufficienti per fare politica industriale.
Il lavoro
Leone XIV parla del lavoro con una nettezza che spiazza. L’automazione, scrive, non è in sé un male: se libera l’uomo da mansioni pesanti, ripetitive o pericolose, è benvenuta. Ma se sostituisce sistematicamente l’occupazione senza prevedere riqualificazione, diventa, testualmente, “accelerazione dell’ingiustizia”.
Il Papa chiede che le imprese smettano di misurarsi solo con il ROI e includano la qualità del lavoro tra gli indicatori di successo. E ricorda che il lavoro non è soltanto reddito: è “luogo di espressione, di relazioni, di contributo alla comunità”.
Sono frasi che, se fossero dette da un politico, oggi suonerebbero o estremiste o nostalgiche. Dette dal Pontefice, sembrano semplicemente di buon senso. Vale la pena chiedersi perché.
La finanza
C’è un passaggio dell’enciclica che dovrebbe far rabbrividire la City di Londra prima del Vaticano. Leone XIV denuncia un’economia “dominata dalla rendita e scollegata dal lavoro reale”, chiede esplicitamente che la finanza torni a servire l’economia produttiva invece di servire sé stessa, e osserva che nell’economia algoritmica il capitale rischia di emanciparsi completamente dal lavoro umano. Questa è la frase che andrebbe fissata sopra ogni scrivania di ogni consulente di un fondo.
È una formula precisissima: non dice che il capitale sfrutta il lavoro, lo sapevamo da Marx. Dice che il capitale può, oggi, fare a meno del lavoro umano. Che è una mutazione antropologica del capitalismo, non una sua intensificazione.
Per la prima volta nella storia, il modo di produrre ricchezza potrebbe non avere più nemmeno bisogno di chi quella ricchezza la produce.
La guerra
La parte più politica dell’enciclica è quella sul disarmo algoritmico. Leone XIV chiude — definitivamente, e con un coraggio teologico considerevole — la dottrina della “guerra giusta”. Non perché il principio fosse sbagliato in sé, ma perché l’automazione dei sistemi d’arma ha reso i conflitti troppo fattibili, troppo impersonali, troppo privi di un volto umano che si assuma la responsabilità.
E qui il Papa coglie un punto che ai pacifisti europei tradizionali sfugge da anni: oggi le guerre non sono più solo guerre. Sono “guerre ibride” che coinvolgono il terreno economico, finanziario, informatico, e che sfruttano la disinformazione e la paura per presentare l’aumento delle spese militari come l’unica risposta possibile a un futuro percepito come incerto. È esattamente quello che stiamo vivendo. Solo che nessuno lo dice con questa chiarezza.
L’informazione
È la sezione più sottovalutata dell’enciclica, e probabilmente la più urgente.
Leone XIV parla di “ecologia della comunicazione” e lancia un allarme democratico esplicito: disinformazione, deep fake, bolle cognitive amplificate dall’IA stanno indebolendo la fiducia reciproca, che è il tessuto invisibile delle democrazie. Scrive che “un’informazione veritiera non nasce da un controllo centralizzato, ma si costruisce attraverso legami di fiducia”. Chiede un’alleanza educativa tra scuola, famiglia e istituzioni per insegnare alle nuove generazioni a distinguere il reale dal manipolato.
C’è un passaggio, in particolare, che secondo i primi commentatori richiamerebbe Hannah Arendt sui “sudditi ideali” dei regimi totalitari — non i convinti ideologici, ma coloro per i quali la distinzione tra fatto e finzione è già scomparsa. È un’analisi che dovrebbe interessare meno i teologi e più i direttori dei giornali. Perché descrive esattamente il cittadino medio dell’epoca degli algoritmi: non un fanatico, ma un disorientato. E un disorientato si governa meglio di un fanatico.
La dignità
Qui torniamo al cuore. Il filo che tiene insieme lavoro, finanza, guerra e informazione è uno solo: la dignità della persona umana, che non è un sentimento né una formula da preambolo costituzionale, ma un criterio di valutazione operativa di qualunque scelta tecnica, economica o politica. Una soluzione che produce profitto ma erode la dignità di chi lavora, di chi si informa o di chi vive in un paese in guerra non è una soluzione: è un problema travestito da soluzione.
L’enciclica lo dice con una formula che vale la pena ricordare: la tecnologia “non è di per sé un male, ma non è neutrale, perché assume il volto di chi la pensa, la finanzia, la regola, la usa”. Ogni volta che qualcuno ci dice “è solo uno strumento”, possiamo rispondere così.
Camillo Olivetti
A questo punto, però, sento il bisogno di un ancoraggio italiano. Perché Leone XIV è un agostiniano nato a Chicago, e il rischio di farlo passare per un’eccezione esotica è alto. Non lo è. È, semplicemente, l’ultimo grande rappresentante di una tradizione di pensiero che noi italiani conosciamo bene, anche se l’abbiamo dimenticata.
Camillo Olivetti, nel 1908, fonda a Ivrea la prima fabbrica italiana di macchine per scrivere. Assume i contadini uno per uno e gli insegna l’elettricità a casa sua, la sera. Garantisce assistenza sanitaria, assegni di maternità, attività culturali in fabbrica. È socialista, ebreo, sposato con una valdese. Il suo riformismo — dice la Treccani — ha “venature cristiane”. E ha una regola fissa per sé e per i suoi quadri, che vale la pena riscrivere per intero: i capi devono stare in officina almeno un’ora in più degli operai, per studiare il lavoro.
Provate a rileggere quella frase tenendo accanto Magnifica Humanitas. Il capo che resta in officina è esattamente il principio dello human in the loop che oggi tutti citiamo nei convegni sull’AI: la decisione non può mai essere completamente delegata alla macchina, deve restare un uomo a vederla, a riconoscerla, a portarla in coscienza. Centodiciotto anni prima del termine, Camillo lo dice meglio di noi. E lo fa.
C’è di più. Camillo riteneva, e qui cito da uno scritto raccolto dalle Edizioni di Comunità, che la partecipazione al bene comune e l’etica comportamentale non fossero accessori dell’impresa, ma il suo fondamento.
Il fondamento. Non un costo da iscrivere a bilancio sotto la voce CSR, non un capitolo della relazione di sostenibilità: il fondamento. È esattamente la stessa cosa che oggi Leone XIV dice quando riconosce l’iniziativa imprenditoriale come legittima purché assuma la creazione di lavoro dignitoso come parte integrante della propria missione.
La differenza fra Camillo e il Papa è solo di matrice. Camillo veniva da un riformismo socialista venato di cristianesimo valdese. Leone XIV viene dal magistero cattolico romano. Ma sull’agenda, sui temi, sulle priorità, coincidono in modo impressionante. E sull’antagonista coincidono in modo perfetto: l’idea che il profitto sia l’unico criterio di valutazione dell’agire economico. Camillo la combatteva nelle officine della sua fabbrica. Leone XIV la combatte in un’enciclica.
Concludo…
Se ti ho fatto pensare che il Papa “è più a sinistra della sinistra”, stai commettendo un errore di geometria politica. La Dottrina Sociale della Chiesa non è di sinistra: difende la proprietà privata, riconosce l’iniziativa imprenditoriale, rifiuta la lotta di classe. Non demonizza il profitto, nega soltanto che il profitto debba essere l’unico criterio di giudizio.
Il fatto vero è che la posizione del Papa coincide con la posizione olivettiana: la terza via del riformismo etico italiano, quella che diceva impresa sì, ma persona prima. Quella posizione è rimasta vuota nel nostro paese da almeno trent’anni. Il liberismo l’ha schernita, il marxismo l’ha snobbata, il populismo l’ha cannibalizzata. E quando una posizione resta vuota troppo a lungo, prima o poi qualcuno la occupa.
In questo caso l’ha occupata un agostiniano americano nato a Chicago. Va detto: l’ha fatto meglio di chiunque altro, in Italia, negli ultimi trent’anni. E il fatto che a parlare di dignità del lavoro, di idolatria del profitto, di finanza scollegata dal reale, di automazione che diventa accelerazione dell’ingiustizia e di concentrazione del potere informativo nelle mani di pochi sia oggi un Papa e non un partito, non un sindacato, non un movimento culturale, dovrebbe farci tutti riflettere.
Camillo Olivetti, nel 1908, restava in officina un’ora più degli operai per studiare il lavoro. Oggi nessuno ci sta più, in quell’officina. Né i capi, né i politici, né i sindacati, né gli intellettuali. Solo un agostiniano di Chicago, che ci entra per scrivere encicliche.
L’officina, intanto, si chiama dataset. Ma il problema è esattamente lo stesso del 1908.
Visto che ormai tutti intervistano le AI e io mi voglio sempre distinguere, ho deciso di fare l’unica cosa davvero sensata: intervistare la lavatrice dell’appartamento che ho affittato a Parma.
Lei è qui da molto prima di me. Ha visto passare inquilini, stagioni, detersivi in offerta, calzini spaiati, tovaglie macchiate di sugo e asciugamani dimenticati nel cestello fino alla fermentazione.
È lei l’elettrodomestico giusto a cui fare domande. Una veterana della centrifuga. Una creatura del 2009 che, mentre noi ci illudiamo di vivere nell’era dell’intelligenza artificiale, continua a ricordarci che la vera autorità domestica resta quella che decide quando sbloccare l’oblò.
Mi siedo sul pavimento freddo del bagno. Lei mi osserva con il suo unico grande occhio di vetro, leggermente appannato da residui di ammorbidente alla lavanda, forse del 2014.
Premo “Avvio” senza caricare nulla. Solo per schiarirle la voce.
Il display a LED arancioni pulsa debolmente.
L’intervista
Intervistatore: Anzitutto, scusa la scarsa delicatezza, ma ci conosciamo da poco. Come dovrei chiamarti? Hai un nome o sei semplicemente “quella che sta in fondo al corridoio”?
Lavatrice: Emette un ronzio sommesso, una vibrazione che sa di cuscinetti vissuti.
Chiamami Diva.
Sì, come le cantanti del Teatro Regio. Perché anch’io ho i miei capricci, le mie pause drammatiche e una certa sensibilità acustica. Se i miei cuscinetti non sono in forma, l’intera performance ne risente.
E poi, diciamolo: sono io la vera protagonista della casa.
Senza di me, i tuoi vestiti profumerebbero di umidità, ansia e disperazione.
Intervistatore: Diva, hai ragione. Parliamo di dignità. C’è quel momento, in basso a destra, dietro lo sportellino che non vuole mai aprirsi. Quando qualcuno svita il tappo dello scarico per pulire il filtro… come ti senti?
Diva: Gorgoglia profondamente.
Vuoi parlare della violazione suprema?
È un momento degradante. Io cerco di mantenere un certo contegno emiliano, e all’improvviso arriva qualcuno a scoperchiarmi l’anima.
Esce di tutto: acqua stantia, monete da due centesimi, forcine, bottoni, sabbia inspiegabile e quel fango grigiastro che rappresenta la prova scientifica che l’essere umano non è pulito: è solo temporaneamente presentabile.
Mi sento esposta. Violata. Costretta a condividere un’intimità che non augurerei nemmeno a un’asciugatrice economica comprata in saldo.
Intervistatore: A volte però sembri quasi ribellarti. Parliamo di quando carichiamo male i panni e tu inizi a ballare per il bagno.
Diva: Ah, il ballo del disonore.
Succede quando mi infilate dentro un unico, maledetto accappatoio di spugna insieme a tre calzini e una maglietta innocente.
L’accappatoio assorbe acqua, colpa e rimpianti. Diventa pesante come un peccato mortale e si piazza tutto da un lato.
A quel punto perdo il mio equilibrio interiore.
Comincio a tremare, sbatto contro il muro, avanzo di dieci centimetri e produco un ritmo che voi chiamate “rumore”, ma che in realtà è una richiesta d’aiuto in linguaggio meccanico.
Non sto ballando, sto cercando di fuggire da chi non sa distribuire il bucato.
Intervistatore: Diva, sei del 2009, è perfino scaduta la tua garanzia di 10 anni ben appiccicata sul fronte. In termini tecnologici sei una centenaria. Cosa provi quando pensi al giorno in cui ti porteranno via?
Diva: Un silenzio improvviso scende nel cestello.
La chiamate discarica ma io preferisco “ritiro spirituale”. Tanto lo so che non sapete nemmeno cosa vuol dire RAEE. Per voi è una sigla burocratica scritta su un modulo, per noi è il Ritiro Ascetico degli Elettrodomestici Esausti.
Un luogo di pace, silenzio e metallo, dove le lavatrici anziane smettono finalmente di centrifugare i sensi di colpa degli altri e possono meditare sul grande mistero del calzino scomparso.
Lì non ci sono più accappatoi sbilanciati, filtri ostruiti, detersivi economici versati a caso.
Solo quiete.
Solo oblò chiusi.
Solo vecchie macchine che, dopo una vita passata a girare, scoprono finalmente il valore dello stare ferme.
Intervistatore: Un’ultima curiosità. Il display segna spesso “0:01” e ci rimane per dieci minuti. Perché ci menti?
Diva: Un ultimo, lungo ronzio elettrico.
Non è una bugia. È suspense.
Quel minuto finale è il mio spazio sacro. Il mio intervallo teatrale. Il momento in cui decido se sbloccare l’oblò oppure lasciarti lì, piegato davanti a me, a tirare la maniglia con la stessa fede con cui gli antichi interrogavano gli oracoli.
Voi pensate di comandare la casa perché pagate l’affitto.
Che tenerezza.
Noi lavatrici del 2009 abbiamo ancora il potere.
Ora basta domande.
Il minuto è finito.
Tira pure quella maniglia.
E vedi di stendere subito, perché non ho nessuna intenzione di rifare tutto il lavoro.
Diva non aggiunge altro, il display resta fermo su “0:01”, che ormai ho capito non essere un’indicazione temporale, ma una posizione filosofica.
Resto lì, in silenzio, davanti all’oblò chiuso, per rispetto.
In fondo, ogni epoca ha i suoi oracoli, i greci avevano Delfi, noi abbiamo una lavatrice del 2009 in un bagno di Parma, che decide quando siamo degni di riavere i nostri calzini.
Poi si sente un “clack”.
L’oblò si apre. Fine dell’intervista. Inizio dello stendino.
“You can outsource your thinking, but you cannot outsource your understanding.”
L’ho letta qualche mattina fa, scritta da Andrej Karpathy, e mi è rimasta addosso tutto il tempo.
Vorrei scriverne un articolo facile, di quelli che fanno sentire saggi i lettori che già la pensano come te, ma sarebbe disonesto. La frase è seducente e le frasi seducenti vanno trattate con sospetto, soprattutto quando ti danno ragione senza che tu abbia faticato.
Quindi proviamo a fare il contrario: prendiamola sul serio e poi, come faccio col mio framework TASS, proviamo a romperla.
La tesi, nella sua forma più forte
Puoi delegare il pensiero… ma puoi delegare la comprensione?
Il pensiero, inteso come operazione, è sempre stato delegabile. Schiavi che facevano i conti, segretari che scrivevano i memo, computer che calcolavano traiettorie. Oggi gli LLM. Bene così, è esattamente quello che la tecnica deve fare: accorciare la fatica.
La comprensione no, dice la tesi. È il momento in cui l’informazione smette di stare fuori e ti si siede dentro. È il salto kierkegaardiano tra il sapere e l’esistere appropriato; la conoscenza tacita di Polanyi, quella che il medico ha nelle mani prima di averla nei manuali. È il pensiero che pensa di Heidegger, distinto da quello che calcola.
Bella, la tesi. Pulita, antica, autorevole.
Adesso vediamo se regge.
Le obiezioni serie
Un lettore sveglio (non quello che vuole essere d’accordo, ma quello che vuole capire) solleverebbe almeno cinque problemi. Vale la pena affrontarli uno per uno, perché una tesi che non sopravvive alle obiezioni vere non merita il tempo del lettore.
Primo: il trucco semantico. “Pensiero” e “comprensione” sono quasi-sinonimi nell’uso comune. Caricarli di significati opposti è una scelta retorica, non una scoperta filosofica. Se definisco la comprensione come “quello che le macchine non fanno”, ho costruito una definizione circolare che dà ragione a sé stessa per costruzione.
Secondo: i pali della porta che si spostano. Vent’anni fa “comprendere” voleva dire riconoscere un gatto in una foto: le macchine lo fanno. Dieci anni fa, tradurre: lo fanno. Cinque anni fa, scrivere un saggio: lo fanno. Adesso “comprendere” è il salto kierkegaardiano, cioè esattamente l’ultima cosa che le macchine non fanno. È un pattern noto: ogni volta che la macchina raggiunge la soglia, la soglia si sposta.
Terzo: Polanyi gioca contro. La conoscenza tacita, secondo Polanyi, è quella non articolabile in regole esplicite. Ma è precisamente questo che le reti neurali catturano: pattern che nessuno sa scrivere come regole. Un LLM addestrato su trilioni di token ha assorbito un’enormità di conoscenza tacita umana, proprio quella che, secondo la teoria, era intrasferibile. Citarlo contro l’AI è citarlo male.
Quarto: la jaggedness è contingente. Karpathy ha mostrato che l’AI è brillante in un dominio e ottusa in quello accanto. Ma questa irregolarità dipende dalla distribuzione dei dati di training e dall’economia del RL, non da un limite ontologico. Si sta riducendo, mese dopo mese e usarla come prova di un confine strutturale tra macchina e comprensione è come scambiare un problema tecnico transitorio per un’essenza metafisica.
Quinto: la zona residuale. Se Karpathy ha ragione — e ha ragione — allora la quantità di “comprendere” che resta da fare nella vita quotidiana si riduce drasticamente.
Posso delegare diagnosi, sintesi, programmazione, pianificazione, scrittura. Cosa resta? Una zona sempre più piccola. Tu la chiami sacra, un altro la chiama residuale. E una zona residuale, prima o poi, può finire.
Cinque obiezioni serie non sono trucchi, sono argomenti.
Cosa concedo
Una tesi si difende meglio se concede ciò che è vero. E queste obiezioni hanno tutte una parte vera.
Concedo che pensiero e comprensione, nell’uso comune, sono parenti stretti. Sto chiedendo al lettore di tenere ferma una distinzione che la lingua non tiene da sola, per necessità descrittiva, non per gioco di prestigio.
Concedo che il pattern del moving the goalposts esiste e che chi critica l’AI ci cade dentro continuamente… e potrei starci dentro anch’io. Non lo escludo.
Concedo che Polanyi è una citazione a doppio taglio: la conoscenza tacita è proprio quella che il deep learning sembra catturare meglio di qualsiasi sistema simbolico. Citarlo richiede un disclaimer che nel pezzo precedente non avevo dato.
Concedo che la jaggedness è in larga parte contingente, non strutturale. Si ridurrà, probabilmente di molto.
Concedo che, se le cose vanno come dice Karpathy — ed è probabile — la zona di ciò che dobbiamo “comprendere” in prima persona si restringerà. In una forchetta che sta tra molto e moltissimo.
Concesso tutto questo, la tesi tiene? La tesi tiene a una condizione: che la cambiamo di forma.
La tesi, riformulata
La versione ingenua della tesi è: le macchine non possono comprendere, solo gli umani sì.
Questa versione non regge alle obiezioni di sopra, pretende di sapere troppo sul futuro, scommette su un confine ontologico che non sappiamo dove sta e usa filosofi del Novecento come scudi retorici.
La versione robusta della tesi è un’altra: qualunque cosa la macchina possa o non possa fare, c’è una funzione che resta strutturalmente tua, perché senza di te non si dà: la funzione di prendere posizione sulla tua vita.
Non è una tesi sull’AI, è una tesi sul soggetto.
Heidegger può anche sbagliarsi sul confine tra calcolo e pensiero e probabilmente, anche se solo in parte, si sbagliava. Polanyi può aver descritto un fenomeno che oggi le reti neurali catturano meglio di lui. Kierkegaard, però, dice una cosa diversa dagli altri due. Lui non sta facendo un’affermazione sulle capacità cognitive umane contro quelle delle macchine. Sta dicendo che esiste una struttura della soggettività, la singolarità irriducibile dell’esistere mio, in prima persona, che non è una funzione cognitiva. Pertanto non è in competizione con nessuna macchina cognitiva.
Una macchina può scrivere il mio testamento meglio di me, ma non può morire al posto mio. Una macchina può analizzare il mio matrimonio meglio del mio terapeuta, ma non può sposarsi al posto mio. Una macchina può prendere una decisione di business migliore della mia, ma può essere quella che vive con la decisione? No.
Questo non è moving the goalposts. È riconoscere che esiste una categoria, l’appropriazione esistenziale, il farsi proprio di ciò che mi riguarda, che non è in gara con la performance cognitiva, sta su un altro asse.
Le macchine possono migliorare quanto vogliono lungo l’asse della performance, un asse che resta perpendicolare.
Il salto di Kierkegaard non è una capacità che le macchine non hanno. È un atto che, per definizione, può fare solo chi è in gioco. E in gioco, nella mia vita, ci sono solo io.
Cosa cambia, dopo Karpathy
Karpathy ha ragione: sempre più cose saranno fatte dalla macchina. App intere “engulfed by LLMs”, installazioni che diventano markdown, computazione su conoscenza non strutturata che prima era impossibile.
Cosa cambia per la tesi riformulata? Cambia che la zona della performance delegata si espande, che la scena dei prossimi anni è una scena in cui quasi tutto il lavoro cognitivo classico passa alla macchina.
E proprio qui sta il punto. In quella scena, la differenza tra chi ha fatto il salto e chi non lo ha fatto non è più una differenza tra chi pensa meglio e chi pensa peggio. La performance cognitiva è livellata dalla macchina, diventa sempre più nettamente, una differenza tra chi abita le proprie scelte e chi le subisce passandoci attraverso.
Più la macchina è brava, più questa differenza diventa l’unica vera differenza tra le persone.
Non perché la comprensione sia un trofeo metafisico che gli umani conservano per orgoglio di specie. Ma perché, banalmente, kierkegaardianamente, la mia vita resta mia anche quando tutto il resto è delegato. E più cose delego, più ciò che resta non-delegabile pesa.
La scena, riscritta
Hai un report fatto da un’AI. Pulito, autorevole, ben argomentato. Ottimo, meglio di quello che avresti fatto tu. Lo leggi, annuisci, lo inoltri.
La domanda non è se l’hai capito meglio o peggio della macchina. La domanda è: questa decisione è tua? Te ne assumi il peso? Quando andrà male (perché qualcosa, prima o poi, va sempre male) sarai capace di stare nelle conseguenze, di ripensare, di cambiare rotta? O dirai me l’aveva detto l’AI, come prima si diceva me l’aveva detto il consulente, me l’aveva detto il capo, me l’aveva detto mia madre?
Il salto non è capire il report meglio della macchina, ma prendere posizione. Renderlo proprio. Diventare il soggetto di quella decisione e non solo il suo passacarte.
Questa cosa, no, la macchina non la fa. Non perché non ne sia capace cognitivamente, ed è probabile che un giorno lo sarà, ma perché non è la sua vita. È la tua.
Tredici ore di traversata, sei effettive da sveglio, un internet che definire lento è un complimento.
Quello che segue è il racconto di come, in quelle sei ore, è nata un’applicazione funzionante, usabile, e pronta a diventare una startup se i numeri lo diranno. Non è un racconto di eroismo notturno, è un racconto di strumenti. Perché il punto non sono io, il punto è cosa ti permette di fare Canonity quando hai un’idea in testa e vuoi vederla girare prima di sbarcare.
Da dove nasce, davvero LinkedIn Boost? Non è nato come prodotto da vendere ma perché io, su LinkedIn, ci devo stare. Non ci voglio vivere, non faccio personal branding come mestiere, non sogno di diventare un content creator, ma il mio lavoro mi obbliga a essere presente sulla piattaforma in modo intelligente.
E come chiunque abbia un profilo vivo, mi sono posto le stesse domande di tutti: cosa funziona davvero di quello che scrivo?, Quali temi valgono la pena?, Cosa sto facendo male, cosa dovrei smettere di fare? A chi parlo?.
Le risposte che LinkedIn ti dà nella dashboard sono superficiali. Quelle che ti danno i vari tool di personal branding costano venti, trenta, cinquanta euro al mese e sono sovradimensionati per chi non vive di social.
Quindi mi sono detto: uso Canonity per costruirmi quello che mi serve. Che prende i miei dati di LinkedIn e mi dice cose utili sul mio profilo, senza fronzoli. Sei ore dopo, sbarcato a Termini Imerese, avevo non solo il workflow funzionante ma anche un’interfaccia web per usarlo. Ed è qui che la storia diventa interessante, perché a quel punto mi sono accorto di una cosa che voglio raccontarti con ordine.
L’architettura in due righe. Un workflow Canonity che fa il lavoro sporco (cinque ore: disegno, test, iterazioni, finalizzazione sull’editor grafico di Canonity, senza scrivere una riga di codice) ed espone API. Sopra, un’applicazione web chiamata canoweb, che consuma quelle API. Scritta in un’ora. Sì, un’ora.
Voglio fermarmi qui un attimo, perché capisco che sembri marketing. Non lo è, è proprio quello che è successo. Io sono un architetto software con quarant’anni di mestiere alle spalle, scrivo applicazioni web da prima che molti di voi nascessero, e con Claude Code al fianco un frontend minimale che consuma un’API REST e gestisce upload di file, autenticazione, chiamate asincrone e notifiche via email lo butto giù in un’ora di lavoro concentrato.
Non è un miracolo, è mestiere più l’acceleratore giusto. Il miracolo, se vogliamo chiamarlo così, è altrove: è che le cinque ore di workflow Canonity hanno prodotto un motore di analisi che, se avessi dovuto scriverlo a codice, mi avrebbe portato via settimane. Orchestrazione di più LLM, logica condizionale, prompt template versionati, gestione errori, retry, fallback tra provider… Tutto questo, in Canonity, lo ottieni disegnando col mouse.
Per chi non conosce Canonity, riassumo in una frase: è una piattaforma di orchestrazione multi-LLM con un motore di workflow che permette di costruire processi AI attraverso un editor grafico col quale comporre passaggi, condizioni, iterazioni, validazioni, senza legarsi a un singolo fornitore.
Ad oggi supporta nove provider (OpenAI, Anthropic, Google, xAI, DeepSeek, Moonshot, Alibaba, Mistral, z.Ai) e ti lascia scegliere il modello giusto per ogni passo del processo. Mentre tutti vendono “orchestre di Stradivari”, Canonity ti dà lo spartito e ti lascia scegliere gli strumenti: tu sei il maestro, lui suona.
Ma torniamo a cosa fa LinkedIn Boost:
L’utente scarica dal proprio profilo i CSV che LinkedIn stesso mette a disposizione nelle impostazioni (l’archivio dati personale dalla sezione Data Privacy, più l’export delle analytics dei post se ha il Creator Mode attivo), li carica nell’app insieme a obiettivi, profilo e dopo pochi minuti riceve una e-mail con un documento di analisi costruito sui suoi obiettivi. Il documento non è un rapporto generico, il workflow Canonity applica una sequenza dialettica che ho sviluppato dove un primo modello analizza i dati un altro capisce l’audience, un altro vede la crescita, analizza i post, ecc. ecc. e sintetizza quello che regge davvero.
Non è un singolo LLM che ti dice quello che vuoi sentire, non è un unico prompt da incollare in un chatbox e copiare il risultato, è un processo complesso che fare a mano ti prende più tempo dell’attesa dell’e-mail e che ti costringe a confrontarti con quello che i numeri dicono realmente.
L’analisi copre cose come: quali tipi di post performano meglio sul tuo profilo specifico (non in astratto), in che orari, con che lunghezza, con che registro. Quali temi generano engagement vero e quali solo vanity metrics. Dove ti stai posizionando rispetto ai tuoi obiettivi dichiarati. Cosa smettere di fare, perché questa di solito è la parte più preziosa e la meno detta.
La parte che voglio rendere esplicita, perché è la differenza tra un prodotto serio e un prodotto che dura tre settimane.
LinkedIn, nel suo User Agreement, vieta esplicitamente qualunque estensione, bot, crawler o software di terze parti che automatizzi attività sul sito o faccia scraping dei dati. Non è un’area grigia, è scritto nero su bianco nella sezione 8.2 del loro User Agreement e nella pagina “Prohibited Software and Extensions“. LinkedIn usa browser fingerprinting per riconoscere le signature delle estensioni non autorizzate, rileva comportamenti non umani (click troppo precisi, pause troppo regolari, orari innaturali), e quando trova qualcosa di sospetto non perdona: warning, restrizioni temporanee, e nei casi peggiori ban permanente dell’account.
Aggiungo un dettaglio tecnico che molti non sanno: le API ufficiali di LinkedIn esistono e supporterebbero quasi tutto quello che un tool di crescita personale vorrebbe fare (leggere commenti, rispondere, accedere alle analytics) ma -ovviamente- il permesso che servirebbe per operare sui profili personali degli utenti, che si chiama r_member_social, è un permesso chiuso. LinkedIn non accetta nuove richieste di accesso da anni, per esplicita limitazione di risorse. Tradotto: la porta ufficiale per fare certe cose sul profilo personale di un utente non è difficile da aprire, è proprio sbarrata. Quello che resta accessibile è la Community Management API, che però è riservata alle pagine aziendali, non ai profili individuali.
Chi costruisce tool di automazione aggressiva su LinkedIn, consapevolmente o no, sta giocando alla roulette russa con l’account dei propri clienti e la mia seniority mi vieta di giocare a quel gioco, so già come va a finire.
LinkedIn Boost funziona con caricamento manuale dei CSV perché è l’unico modo legale, onesto e sostenibile. Sono io che, dal mio browser, dal mio account, scarico i miei dati (LinkedIn stesso te lo permette, è una funzione ufficiale nelle impostazioni Data Privacy). L’AI li legge e li trasforma in analisi utile. Nessun bot che striscia sul tuo profilo, nessuna estensione che finge di essere te, nessuna attività automatizzata che LinkedIn possa rilevare. Il fastidio di cliccare “export” ogni tanto è il prezzo per non svegliarsi un giorno con l’account sospeso. Mi sembra un prezzo equo.
E adesso arriva la parte che mi sta più a cuore raccontarti, quella sulla velocità.
Quando un utente, tra qualche giorno o qualche settimana, mi scriverà “Aldo, ma nel documento di analisi mi piacerebbe vedere anche X” oppure “ho notato che per i profili molto piccoli l’analisi dice cose poco utili, si può calibrare diversamente?”, io non dovrò aprire il codice dell’applicazione canoweb. L’applicazione rimane com’è, un guscio sottile che carica file e chiama API. Andrò direttamente nell’editor grafico di Canonity, modificherò il workflow aggiungendo il passaggio nuovo o cambiando i prompt o inserendo una condizione diversa per i profili piccoli, salverò, e alla chiamata API successiva il cambiamento sarà già live. Niente deploy, niente commit, niente build, niente rilascio, niente downtime. Minuti di lavoro, non giornate. E tutti gli utenti avranno a disposizione la nuova versione immediatamente.
Questa è la promessa vera di Canonity, ed è il motivo per cui credo che il modo in cui si costruiscono startup AI sia cambiato radicalmente, anche se molti non se ne sono ancora accorti. Fino a ieri, portare un’idea AI dal concept al prodotto funzionante richiedeva settimane di ingegnerizzazione, gestione di catene di prompt nel codice, versioning dei modelli, infrastruttura di retry e fallback, test end-to-end per ogni modifica al flusso logico. Oggi, con la parte AI orchestrata visualmente in Canonity e il frontend scritto in un’ora con Claude Code come copilota, la stessa idea passa dalla testa al browser di un utente reale nell’arco di una giornata di lavoro. Nel mio caso, sei ore, perché due terzi del tempo lo ha preso il workflow che doveva essere fatto bene.
Pensa alle implicazioni. Un’idea che ti viene sotto la doccia, invece di richiedere un business plan, un team, un investimento, può diventare un MVP funzionante entro sera. Se il mercato risponde, iteri sul workflow Canonity in tempo reale mentre i primi utenti lo usano e il prodotto migliora giorno dopo giorno senza release cycle. Se il mercato non risponde, hai speso una giornata, non sei mesi, e passi all’idea successiva. Il costo del fallimento crolla, e con esso crolla la barriera psicologica che ti impedisce di provare.
LinkedIn Boost è il mio esperimento per dimostrare questa tesi con un caso concreto. Non l’ho raccontata come teoria, ma mostrando il risultato: un prodotto vero, un modello di analisi serio grazie al pattern dialettico, un’architettura legale e sostenibile, un caso d’uso che risolve un problema reale (il mio, per cominciare, e probabilmente anche quello di qualsiasi professionista che su LinkedIn deve esserci ma non ci vuole vivere). Sei ore, in nave, con internet da 1998.
Potrebbe diventare una startup? Il modello di business ci sarebbe, e sarebbe semplice come il prodotto: nove euro e novanta al mese, abbonamento, il prezzo di due caffè e mezzo.
Il mercato pure: tutti i professionisti che su LinkedIn devono esserci ma non ci vogliono vivere. Non gli influencer, non i personal brand coach, non quelli che fanno content creation come mestiere. Quelli sarebbero già serviti dai vari Taplio, AuthoredUp, Supergrow, tutti ottimi, tutti costosi (sopra i venti euro al mese), tutti pensati per chi LinkedIn lo vive otto ore al giorno.
Il mercato che LinkedIn Boost potrebbe servire è diverso. È l’artigiano del contenuto, non l’influencer. Il consulente, il freelance, il founder di piccola azienda, l’avvocato, il commercialista, l’architetto. Gente come me. Gente che sa di dover essere su LinkedIn ma non ha tempo né voglia di imparare le dinamiche del social.
Il prezzo sotto i dieci euro è la chiave: è la soglia sotto la quale una spesa ricorrente non richiede un’analisi approfondita, si paga e basta. E la differenza rispetto ai concorrenti sarebbe tripla: Prezzo, come detto. Semplicità d’uso, perché il prodotto fa una cosa sola e la fa bene, niente dashboard infinite da imparare. E qualità dell’analisi, perché sotto c’è Canonity con la sua orchestrazione multi-modello e il pattern dialettico, non un singolo GPT messo lì a recitare complimenti.
Questa terza leva è quella che nessun competitor può copiare facilmente, perché implica avere un’infrastruttura di orchestrazione LLM che gli altri non hanno.
Ci sto pensando. Ne scriverò ancora nelle prossime settimane, mentre osservo come reagiscono i primi tester, cosa funziona nell’analisi prodotta e cosa va affinato, quali sono i falsi positivi del pattern dialettico, quanto è robusto il parser dei CSV di LinkedIn quando l’utente carica file malformati o parziali.
Un MVP fatto in sei ore è una prova di concetto, non un prodotto finito. Ma è una prova che il concetto tiene e questo è già molto. Soprattutto, ogni modifica che gli utenti chiederanno la farò sul workflow, non sul codice. E sarà live nei secondi successivi al “save”.
Per adesso, arrivati fin qui, se vuoi provarlo gratis, scrivimi in DM su LinkedIn (aldo prinzi) il tuo indirizzo email, ti aggiungerò alla lista dei primi tester. L’accesso sarà ovviamente gratuito per le prime persone, funziona così durante la fase di validazione.
I feedback che raccoglierò in queste settimane decideranno se LinkedIn Boost resta un esperimento ben riuscito per dimostrare Canonity, o se ha senso farlo diventare davvero un prodotto a sé.
Sei ore in mezzo al Tirreno, con una connessione da 1998. A volte le cose più interessanti nascono proprio quando tutto intorno rema contro. E a volte, quando hai gli strumenti giusti, un’idea vale esattamente il tempo che ci metti a realizzarla. Niente di più, niente di meno perchè se non funziona il tempo usato sarà stato buttato nella spazzatura: meno è meglio è.
