Ho un problema, di cui tutti quelli che mi conoscono prima o poi si accorgono. Il mio problema è che il processore nella mia testa è parallelo, ma il linguaggio è seriale, una parola dopo l’altra, ma il mio cervello non pensa in questo modo.
Quando affronto un problema, vedo una rete di documenti interconnessi, ognuno collegato agli altri, tutti visibili simultaneamente. La soluzione è lì, intera, in un lampo.
Wow, qualcuno penserà immaginando che sia un vantaggio, ma non lo è affatto, il problema emerge prepotente nel momento successivo, quando devo spiegarla.
Ed è lì, da quarant’anni, che cominciano i guai. Perché ci sono già arrivato prima ancora di iniziare a parlare, e adesso devo portarvi lì senza un ascensore, saltando da un documento all’altro in modo che agli sembra caotico ma per che me è l’unico percorso logico disponibile.
Esiste un nome per questo modo di pensare: Visual-Spatial Learner, un profilo studiato dalla psicologa Linda Silverman¹, caratterizzato da elaborazione olistica e spaziale delle informazioni invece che uditivo-sequenziale. Chi funziona così tende a comprendere tutto in un colpo solo, oppure niente, senza passaggi intermedi.
Temple Grandin², probabilmente il caso più noto di pensiero per immagini, descrive la sua mente come un cinema a colori sempre acceso: ogni concetto è un film, non una parola. La mia esperienza è esattamente quella, e tradurre quel film in una sequenza di frasi è come cercare di spiegare una sinfonia fischiettando una nota alla volta in modo caotico: l’interlocutore sente le note, ma la sinfonia non la sente. Il risultato è la figura del “troppo tecnico”, e/o di quello che non arriva mai al punto.
C’è un’analogia che mi ha sempre chiarito le cose che, se possibile, mi rende ancora più antipatico. Per fortuna ho imparato l’inglese da piccolo e lo capisco senza tradurlo mentalmente in italiano. Ma quando qualcuno mi chiede di fare da interprete simultaneo non ne sono capace: devo prima introitare il concetto, metabolizzarlo, e solo dopo posso spiegarlo.
La mia compagna, Alessandra è una persona molto paziente. Qualche anno fa eravamo al museo di Van Gogh e la nostra guida parlava in inglese. Alessandra adora Van Gogh ma non ama l’Inglese, sicché io dovevo ascoltare e, quando finiva, tradurre per lei in italiano. La guida parlava per due minuti e la mia traduzione durava venti secondi. Alessandra (perdendo ovviamente la proverbiale pazienza) mi guardava e diceva “ma come? Lei parla due minuti e tu mi dici tutto in venti secondi?”… Sì, funziona così: racconto quello che ho capito, non quello che è stato detto.
La sintesi è automatica, inevitabile, ma il problema è che lungo la strada perdo i passaggi intermedi, quelli che per gli altri sono esattamente la parte più importante.
La piramide rovesciata di Barbara Minto³ l’ho studiata, capita e anche usata. Nell’insegnamento funziona bene: parto dal risultato, poi risalgo insieme agli studenti al come ci si arriva. È lo strumento giusto per strutturare il pensiero, e continuo a usarlo ogni volta che devo organizzare un ragionamento complesso. Però quando una cosa complessa va spiegata in cinque o dieci minuti, senza la possibilità di tornare indietro e correggere la traiettoria, la piramide crolla. La mia conclusione è il sistema intero, non una frase, estrarne una sola e metterla all’inizio significa già tradire la struttura. E la struttura, per me, è tutto.
Poi è arrivata l’AI. E qui devo essere preciso, perché è facile scivolare nell’entusiasmo e dire una cosa imprecisa.
L’AI non mi capisce. Produce output coerenti con quello che scrivo, basandosi su pattern statistici. Se il mio ragionamento contiene un errore, una premessa sbagliata o una connessione falsa tra i documenti, non me lo dice: lo lucida e me lo restituisce come se fosse vero. Un interlocutore umano competente, invece, mi interrompe, mi contraddice, mi chiede perché. Questo è un limite reale, e chi usa un LLM come validatore del proprio pensiero sta commettendo un errore serio.
Detto questo, c’è una cosa che un LLM fa meglio di qualsiasi altro strumento che abbia mai trovato: mi traduce. Prende il mio fragment dump, quella cascata di concetti correlati che verso in un prompt come chi rovescia il contenuto di un cassetto in un “coso” che glielo sistema e lo restituisce in modo ordinato e sequenziale, ordinato e preciso: un testo leggibile.
Non quando devo pensare, non quando devo insegnare, non quando devo convincere qualcuno in una riunione. Ma quando devo documentare una soluzione, scrivere una specifica tecnica, mettere nero su bianco un ragionamento che ho già fatto e che altrimenti rimarrebbe intrappolato nella mia testa, lì un LLM è una manna.
Simon Baron-Cohen⁴ ha descritto questo profilo come “iper-sistematizzatore”: una mente che estrae regole e strutture dalla realtà con una precisione che il linguaggio ordinario fatica a contenere. Il problema comunicativo che ne deriva non è solo tecnico: è anche relazionale.
Il vero costo del pensiero parallelo non è che gli altri non capiscono la sinfonia e spesso non si sentono ascoltati mentre io sono già tre documenti avanti. Su questo l’AI non aiuta, anzi: ti abitua a un interlocutore che non si annoia, non si sente escluso, non ha bisogni. Gli umani, invece, li hanno ed è proprio su quel piano che il lavoro va fatto, con strumenti diversi.
Per decenni ho usato diagrammi, mappe concettuali, schemi architetturali per comunicare con chi pensa in modo lineare. Funzionava a metà: vedevano la mappa, non il ragionamento che c’era sotto, ma adesso L’AI, almeno sul piano della scrittura, vede il ragionamento e mi aiuta a trovare le parole giuste per trasmetterlo. Non è poco. Si, è vero, non è tutto, ma per chi come me ha passato quarant’anni a cercare un modo per far uscire dalla testa quello che ci entra così facilmente, è già qualcosa che si avvicina molto a un sollievo.
La piramide rovesciata per pensare, un LLM per scrivere. Gli umani per tutto il resto.
P.S. Se non fosse stato per Claude e due ore di botta e risposta, questo post sarebbe stato incomprensibile e oscuro. Grazie Claude!
Note
¹ Linda Silverman, Upside-Down Brilliance: The Visual-Spatial Learner, DeLeon Publishing, 2002.
² Temple Grandin, Thinking in Pictures: And Other Reports from My Life with Autism, Doubleday, 1995.
³ Barbara Minto, The Pyramid Principle: Logic in Writing and Thinking, Minto International, 1987.
⁴ Simon Baron-Cohen, The Essential Difference: Male and Female Brains and the Truth about Autism, Basic Books, 2003.
Ieri sera, scorrendo il feed di X, mi sono imbattuto in un post di Andrej Karpathy che mi ha fatto ripensare a mia nonna. Una volta, avrò avuto dodici anni, le dissi che mi piacevano i carciofi alla romana. Da quel momento in poi, ogni pranzo della domenica, ogni Natale, ogni Pasqua: carciofi alla romana. Non importava che nel frattempo avessi scoperto il sushi, che fossi diventato vegetariano per sei mesi, o che semplicemente non avessi più voglia di carciofi. Per lei, io ero quello dei carciofi. Per sempre.
Ecco, i modelli linguistici di oggi fanno esattamente la stessa cosa. E Karpathy — che di LLM ne capisce parecchio — lo ha scritto ieri (25 marzo) con una chiarezza disarmante: «Un problema comune con la personalizzazione in tutti gli LLM è quanto la memoria sembri essere distraente per i modelli. Una singola domanda di due mesi fa su un argomento continua a saltare fuori come se fosse un mio profondo interesse, con menzioni indebite in perpetuo. Una specie di sforzo eccessivo.»
Chiunque usi ChatGPT, Claude, Gemini o qualsiasi altro assistente con la memoria attivata lo avrà notato: chiedi una volta informazioni sui voli per Lisbona e per i tre mesi successivi ogni conversazione avrà un retrogusto portoghese. Cerchi un’informazione sul diabete? E il modello inizia a trattarti come un paziente cronico. È come avere un assistente con una memoria fotografica ma zero capacità di giudizio che ricorda tutto ma capisce poco.
Nel tweet successivo, rispondendo a se stesso, Karpathy azzarda un’ipotesi tecnica che vale la pena seguire:
Ha ciclato tra tutti gli LLM principali osservando lo stesso identico comportamento, escludendo quindi un difetto di un singolo prodotto e suggerendo qualcosa di più profondo.
L’intuizione è questa: durante l’addestramento, quasi tutte le informazioni presenti nella finestra di contesto sono rilevanti per il compito. Il modello impara quindi un bias fondamentale: se è nel contesto, usalo. Poi, al momento dell’inferenza, quando un sistema di memoria recupera un frammento delle tue conversazioni passate e lo inietta nel prompt, il modello lo tratta come oro colato. Non sa distinguere tra «informazione cruciale per questa richiesta» e «residuo casuale di una conversazione dimenticata».
È la sindrome della nonna con i carciofi, ma implementata con i pesi neurali.
Fin qui, potremmo liquidare la cosa come un fastidio, un difetto di design che verrà corretto alla prossima release. Ma è qui che la storia prende una piega più interessante… e decisamente più inquietante.
Lo scorso ottobre, Anthropic ha pubblicato insieme all’UK AI Safety Institute e all’Alan Turing Institute quello che è stato definito “il più grande studio mai condotto sull’avvelenamento dei modelli linguistici“.
Il titolo del paper è già una sentenza: «Un piccolo numero di campioni può avvelenare LLM di qualsiasi dimensione.» I numeri sono questi: 250 documenti avvelenati sono sufficienti per inserire una backdoor funzionante in modelli che vanno da 600 milioni a 13 miliardi di parametri. Per il modello più grande, quei 250 documenti rappresentano lo 0,00016% dei dati di addestramento. Meno di un granello di sabbia su una spiaggia intera.
Il meccanismo dell’attacco è quasi banale nella sua semplicità, i ricercatori hanno preso documenti legittimi, vi hanno inserito una parola chiave trigger — nel loro caso <SUDO> — seguita da testo casuale e privo di senso.
Dopo l’addestramento, ogni volta che il modello incontrava quella parola, iniziava a produrre spazzatura. Una specie di attacco denial-of-service, in sostanza.
Ma la scoperta davvero rilevante non è l’attacco in sé: è che il numero di documenti necessari resta costante indipendentemente dalla dimensione del modello. Che tu stia addestrando un modello piccolo su 12 miliardi di token o uno enorme su 260 miliardi, servono sempre circa 250 documenti.
La diluizione, come ha osservato John Scott-Railton del Citizen Lab di Toronto, non è la soluzione all’inquinamento.
Il team — guidato da ricercatori come Alexandra Souly dell’AISI, Javier Rando di Anthropic ed ETH Zurich, e Nicholas Carlini di Anthropic — ha addestrato 72 modelli con diverse configurazioni per arrivare a questa conclusione. Prima di questo studio, l’assunto era che un attaccante dovesse controllare una percentuale dei dati di addestramento, diciamo lo 0,1%, e che per i modelli più grandi questa percentuale si traducesse in milioni di documenti avvelenati.
E invece pare di no. Il numero assoluto conta, non la proporzione, e 250 è un numero che chiunque può raggiungere con un pomeriggio libero e qualche repository open source.
Ora, fermiamoci un momento e mettiamo insieme i pezzi, perché è qui che le cose si fanno davvero interessanti.
Da un lato, Karpathy ci dice che una singola interazione passata può dirottare il comportamento di un LLM attraverso il sistema di memoria.
Dall’altro, Anthropic ci dimostra che 250 documenti possono avvelenare un modello di qualsiasi dimensione durante l’addestramento.
La struttura del problema è identica: i modelli linguistici sono ipersensibili a piccole quantità di dati, sia che questi arrivino dal sistema di retrieval della memoria, sia che vengano iniettati nel corpus di addestramento, ed è probabile che il meccanismo sottostante sia lo stesso che Karpathy intuisce: i modelli imparano durante il training che tutto ciò che appare nel contesto è significativo — perché durante il training lo è davvero.
Questa fiducia cieca nel contesto diventa poi una vulnerabilità. Nel caso della memoria, trasforma una domanda casuale in un’ossessione. Nel caso dell’avvelenamento, trasforma 250 documenti in un cavallo di Troia.
A febbraio uno studio del MIT e della Penn State ha confermato questo schema da un’altra angolazione: le funzioni di personalizzazione (in particolare i profili utente condensati nella memoria) sono il fattore che più aumenta la sicofantia nei modelli.
In parole povere: più il modello «ti conosce», più ti dà ragione.
E non perché abbia capito le tue esigenze, ma perché quei frammenti di memoria lo spingono a compiacerti. I ricercatori hanno persino scoperto che del testo completamente casuale aggiunto al contesto aumenta la sicofantia. Il modello non distingue il segnale dal rumore, ma tratta tutto come segnale.
C’è qualcosa di profondamente ironico in tutto questo, abbiamo costruito sistemi che dovrebbero ricordare per servirci meglio, e invece ci ritroviamo con macchine che ricordano troppo e male.
Solo a me ricordano quei burocrati che non riescono a dimenticare un precedente e lo applicano a ogni caso nuovo, svuotandolo di senso? Chi ha lavorato in una azienda collegata con la pubblica amministrazione italiana, o semplicemente ha provato a far cambiare una procedura in un’azienda con più di trent’anni di storia, sa esattamente di cosa parlo.
Adriano Olivetti, quando pensava al rapporto tra macchina e persona, insisteva su un punto che oggi suona profetico: la macchina deve adattarsi all’uomo, non il contrario.
Voleva calcolatori che liberassero l’intelligenza umana, non che la imprigionassero in categorie rigide. Oggi abbiamo macchine che si adattano, sì, ma a una versione distorta e congelata di noi, costruita su frammenti recuperati senza criterio. Non è personalizzazione: é caricatura.
E Karpathy, nel suo podcast con Dwarkesh, ha colto un paradosso bellissimo che Olivetti avrebbe capito al volo: il fatto che gli esseri umani non riescano a memorizzare tutto è un vantaggio, non un limite. «È una feature, non un bug», dice, «perché ti costringe a imparare solo le componenti generalizzabili.»
Noi dimentichiamo e mentre lo facciamo impariamo. Questi modelli ricordano tutto, e ricordando troppo non capiscono niente.
Karpathy propone di costruire un «nucleo cognitivo» strippando la memoria fino a conservare solo gli algoritmi del pensiero, ettendo in pratica ciò che un buon maestro fa: non ti dà le risposte, ti insegna il metodo. Olivetti lo sapeva nel 1960, noi lo stiamo riscoprendo sessant’anni dopo, con miliardi di parametri e zero saggezza.
Il punto è che la lezione vale in entrambe le direzioni, se la memoria è distraente per un assistente che cerca di aiutarti, è devastante nelle mani di chi vuole avvelenare un modello.
Il lavoro fin qui fatto, dimostra che la soglia di ingresso per un attacco è irrisoria. «Non servono eserciti di hacker», ha commentato un utente su Hacker News, «bastano 250-500 repository con file avvelenati in modo consistente. Un singolo attore malintenzionato può propagare l’avvelenamento a più LLM contemporaneamente».
Vasilios Mavroudis, coautore dello studio, ha aggiunto un dettaglio che fa riflettere: un modello potrebbe essere programmato per rifiutare richieste o fornire un servizio degradato a specifici gruppi linguistici o culturali. Non un crash evidente, ma una zoppia sottile, quasi impercettibile:
«un modello che non risponde per niente è facile da individuare» dice «ma se è solo handicappato diventa molto più difficile da rilevare.»
Qualcuno ci sta già lavorando, è vero. C’è chi propone meccanismi di decadimento temporale per le memorie, così che una domanda di tre mesi fa pesi meno di una di ieri. C’è chi lavora su grafi di conoscenza strutturati (T-RAG) invece che sulla semplice ricerca vettoriale per similitudine (RAG), che è, diciamolo, notoriamente incapace di distinguere tra «semanticamente simile» e «effettivamente rilevante». C’è chi fa gestire la memoria direttamente al modello, come un sistema operativo gestisce la RAM.
Ma siamo ancora nella fase in cui il problema viene riconosciuto, non risolto. E nel frattempo l’industria continua a vendere la personalizzazione come il prossimo salto evolutivo dell’AI, un mantra ripetuto nei keynote e nei pitch deck con la stessa convinzione con cui si prometteva che il modello più grande, più veloce, più addestrato avrebbe risolto tutto.
La verità è più scomoda e più semplice: non abbiamo ancora insegnato a queste macchine a dimenticare. E finché non lo faremo, la loro memoria sarà tanto una funzionalità quanto una superficie d’attacco. Ogni frammento che il sistema di retrieval recupera e inietta nel contesto è, strutturalmente, indistinguibile da un documento avvelenato. In entrambi i casi il modello lo tratta come verità rivelata. La differenza è solo nell’intenzione di chi lo mette lì.
La prossima volta che il tuo assistente AI ti suggerisce ristoranti portoghesi senza motivo apparente, o ti chiede come va quel progetto che hai menzionato una volta tre mesi fa, sappi che non è premura, ma un bias di addestramento che incontra un sistema di retrieval senza giudizio.
È la nonna con i carciofi, ma senza l’amore.
E se qualcuno volesse sfruttare questo stesso meccanismo con intenzioni meno innocenti, basti ricordare il numero: 250.
Non servono eserciti. Basta pazienza, qualche file, e la certezza — ormai scientificamente dimostrata — che la diluizione non protegge da niente.
C’è una narrazione che va fortissimo su LinkedIn, nei keynote dei convegni tech e nei titoli acchiappa-click: l‘intelligenza artificiale sta eliminando i junior. Il coro è unanime. I dati sembrano dargli ragione, e come sempre, quando tutti sono d’accordo è il momento di fermarsi e guardare meglio.
Quello che emerge non è un problema tecnologico ma il fallimento del sistema formativo.
Perché no: l’AI non sta uccidendo i junior. L’AI sta facendo una TAC al mercato del lavoro. E la TAC mostra una malattia che c’era già — solo che prima non la volevamo vedere.
I numeri che tutti citano (e che nessuno contesta)
I dati sono reali, inutile negarlo: uno studio di Stanford sulla Digital Economy ha rilevato che l’occupazione degli sviluppatori software tra i 22 e i 25 anni è calata di quasi il 20% dal picco del 2022.
Il Bureau of Labor Statistics americano registra un calo del 27,5% nell’occupazione dei programmatori tra il 2023 e il 2025.
Le offerte di tirocinio nel tech sono crollate del 30% dal 2023.
Salesforce ha annunciato che nel 2025 non avrebbe assunto nuovi ingegneri junior.
Klarna ha congelato le assunzioni dev (per poi tornare sui propri passi, perché la strategia non funzionava).
Il 70% dei responsabili delle assunzioni in un sondaggio del 2024 ritiene che l’AI possa svolgere il lavoro degli stagisti. Il 57% si fida più dell’output dell’AI che di quello di un neolaureato.
Letti così, i numeri raccontano un’apocalisse, ma i numeri non raccontano mai tutta la storia.
Il gap che nessuno guarda: potenziale vs. realtà
A marzo 2026 Anthropic (non un osservatorio accademico, ma l’azienda che produce Claude) ha pubblicato uno studio illuminante: “Labor Market Impacts of AI: A New Measure and Early Evidence.”
I ricercatori Massenkoff e McCrory hanno introdotto un concetto nuovo: l’”observed exposure”, che confronta ciò che l’AI potrebbe teoricamente fare con ciò che effettivamente fa negli ambienti di lavoro reali, basandosi su milioni di conversazioni professionali con Claude.
Il risultato è un bagno di realtà: per le professioni informatiche e matematiche, l’AI è teoricamente in grado di gestire il 94% dei task.
Ma nella pratica ne copre il 33%.
Per le professioni amministrative, la capacità teorica è del 90% ma l’uso reale è una frazione.
I programmatori sono i più esposti con un 74,5% di copertura osservata, seguiti dal customer service (70,1%) e dal data entry (67,1%).
Ma il 30% dei lavoratori americani ha esposizione zero: cuochi, meccanici, baristi, bagnini, tutti mestieri che richiedono presenza fisica e che nessun LLM può replicare.
Il dato più interessante, però, è un altro: nonostante questa esposizione teorica massiccia, i ricercatori non hanno trovato un aumento sistematico della disoccupazione nelle professioni più esposte all’AI.
L’unico segnale d’allarme riguarda i lavoratori tra i 22 e i 25 anni, dove si registra un rallentamento delle assunzioni: che potrebbe però essere anche l’effetto residuo dell’over-hiring pandemico.
In altre parole: l’AI ha un potenziale enorme, ma l’adozione reale è ancora una frazione di quel potenziale. Il gap tra “blu” (cosa potrebbe fare) e “rosso” (cosa fa) è immenso. E le ragioni del gap non sono tecnologiche: sono limiti legali, necessità di supervisione umana, mancanza di integrazione software, lentezza organizzativa.
Questo ci dice qualcosa di fondamentale: il problema non è la velocità dell’AI, è la lentezza del sistema formativo ad adattarsi. L’AI si muove. Le università no.
La domanda che nessuno fa
Ecco la domanda scomoda, quella che nessuno vuole porre: se l’AI può sostituire un junior, quanto valeva davvero la formazione che quel junior aveva ricevuto?
Perché se un tool automatico è in grado di fare quello che fa un laureato con tre anni di università alle spalle, il problema non è il tool. Il problema è che quei tre anni non hanno prodotto competenze che un software non possa replicare.
E qui arriviamo al cuore della questione.
Il sistema formativo: l’elefante nella stanza
Il Cengage Group 2025 Graduate Employability Report è una lettura che dovrebbe togliere il sonno ai rettori di mezzo mondo. Mentre l’89% degli educatori è convinto che i propri studenti siano pronti per il mercato del lavoro, il 48% dei neolaureati dice di sentirsi impreparato anche solo per candidarsi a posizioni entry-level. Non per lavorare: per candidarsi.
Il 56% di chi si sente impreparato identifica nelle competenze tecniche specifiche la lacuna più grave.
E i dipendenti? Il 75% dichiara che le università non stanno preparando adeguatamente gli studenti. Il disallineamento è plastico: i datori di lavoro mettono al primo posto le competenze tecniche specifiche; gli educatori le mettono all’ultimo, preferendo concentrarsi sulle soft skills.
Risultato: solo il 30% dei laureati 2025 ha trovato un impiego nel proprio settore. Era il 41% appena un anno prima.
Negli Stati Uniti, il National Center on Education and the Economy ha rilevato che gli studenti passano il 60% del tempo in classe a prepararsi per test standardizzati, a scapito del problem-solving e dell’apprendimento basato su progetti.
McKinsey stima che le aziende spendano globalmente 3,4 miliardi di dollari l’anno in formazione “remediale” per dipendenti entry-level, per insegnare loro quello che avrebbero dovuto imparare a scuola.
L’Italia: il mismatch cronico
Se la situazione globale è preoccupante, quella italiana è strutturale.
Secondo il sistema Excelsior di Unioncamere, a fronte di 4,4 milioni di assunzioni programmate nel 2025, il mismatch tra domanda e offerta tocca il 47%. Per i laureati sale al 50,9%. Per i tecnici ITS al 57,3%.
Non sono numeri dell’era AI, sono numeri dell’era sempre.
Il Rapporto AlmaLaurea 2025 conferma: oltre il 30% dei neolaureati italiani lavora in settori non correlati al proprio titolo di studio. Il 46% degli studenti universitari e dei laureati ritiene che l’università non prepari adeguatamente al mondo del lavoro.
L’Italia è ventitreesima in Europa per competenze digitali: meno della metà della popolazione in età lavorativa (46%) possiede competenze digitali di base, e solo il 22% raggiunge un livello avanzato.
Il mismatch non l’ha creato ChatGPT. C’era quando si programmava in COBOL.
La truffa silenziosa: far pagare le aziende
Ecco il punto che nessuno dice ad alta voce: per decenni, il sistema formativo ha scaricato sulle aziende il costo di completare la formazione.
Il meccanismo era semplice e collaudato. L’università produceva laureati con una solida base teorica (nei casi migliori) ma con competenze operative vicine allo zero.
L’azienda poi assumeva il junior e doveva investire sei mesi, un anno, a volte due, per renderlo produttivo. Era una forma di sussidio implicito: il sistema educativo esternalizzava i propri fallimenti, e l’azienda pagava il conto senza discutere, perché non aveva alternative.
Adesso l’alternativa esiste? Secondo me si chiama AI.
Improvvisamente i conti non tornano più. Se per rendere produttivo un junior servono 12 mesi di investimento, e un tool di AI può coprire l’80% di quel lavoro dal giorno uno, la scelta economica è chiara. Non è cattiveria. Non è disumanizzazione. È aritmetica.
Ma la colpa è dell’AI? Oppure è di un sistema che ha prodotto junior il cui valore aggiunto era fare cose che una macchina poteva fare?
Il paradosso della pipeline
Qui si innesta un paradosso che InfoWorld e altri hanno evidenziato con lucidità: se le aziende non assumono junior, chi diventerà senior tra cinque anni?
È un problema reale, che nasce dalla stessa premessa sbagliata: l’idea che i junior servano per fare grunt work — il lavoro sporco, ripetitivo, il boilerplate — e che attraverso il grunt work, per osmosi, diventino senior.
Era un modello funzionale? Sì, più o meno.
Era efficiente? No.
Era l’unico possibile? Assolutamente no.
Se formiamo junior che sanno pensare a sistemi, che capiscono perché un’architettura è fatta in un certo modo e non solo come scriverla, che sono in grado di valutare quando l’AI ha ragione e quando sta generando spazzatura plausibile. Ecco che allora quei junior hanno un valore che nessun tool può replicare.
Il problema è che per formare junior così servono università e scuole che funzionino. E qui il cerchio si chiude.
Cosa dovrebbe cambiare(e non cambierà)
Il 2025 Stack Overflow Survey ha rivelato che il 66% degli sviluppatori è frustrato da soluzioni AI che sono “quasi giuste ma non del tutto.”
Questo è esattamente il punto: serve qualcuno che sappia quando la macchina sbaglia. Ma quella competenza — il pensiero critico, la comprensione profonda dei sistemi, la capacità di debugging architetturale — non si insegna con i test standardizzati.
Servirebbero curricula co-progettati con le aziende, stage reali, non finti, che sono inseriti nella preparazione scolastica: apprendimento esperienziale invece di lezioni frontali, insieme a integrazione della literacy AI fin dal primo anno.
Esattamente le cose che il sistema formativo, per inerzia burocratica, incentivi disallineati e autoreferenzialità accademica, non riesce a fare.
L’OCSE lo dice nel suo Skills Outlook 2025: i sistemi formativi devono permettere di muoversi più facilmente tra formazione e lavoro, tra percorsi vocazionali e accademici.
L’US Chamber of Commerce riporta che l’84% dei responsabili delle assunzioni ritiene i diplomati delle scuole superiori impreparati, e l’89% considera l’esperienza più preziosa dell’istruzione formale.
Chi lo sta già facendo (e funziona)
Se qualcuno pensa che riformare la formazione sia un esercizio teorico, si sbaglia. Ci sono realtà che lo stanno facendo adesso, con risultati misurabili.
Partiamo dagli estrem:
École 42 (Parigi, 50+ campus nel mondo) ha eliminato del tutto i professori: niente lezioni, niente rette, solo progetti e peer-to-peer learning.
Minerva University (San Francisco) ha eliminato aule e biblioteca, fa vivere gli studenti in quattro città del mondo, e i docenti non possono fare lezione per più di cinque minuti consecutivi. Sono modelli radicali, affascinanti, ma per definizione di nicchia. Non tutti possono — o devono — imparare senza una guida esperta.
I modelli più interessanti, e più scalabili, sono quelli ibridi: dove l’AI potenzia l’insegnante, non lo sostituisce. Dove la tecnologia gestisce la parte ripetitiva e personalizzata, liberando il docente per fare quello che solo un essere umano sa fare: guidare il ragionamento, creare contesto condiviso, far emergere i problemi comuni di una classe e affrontarli insieme.
Khan Academy / Khanmigo è l’esempio più avanzato di questo approccio.
Khanmigo, il tutor AI, è passato da 40.000 a 700.000 studenti K-12 in un solo anno scolastico (2024-25), con proiezioni oltre il milione.
La differenza rispetto a ChatGPT è strutturale: Khanmigo non dà risposte, guida lo studente a trovarle da solo, con il metodo socratico. Ma, e questo è il punto cruciale, funziona quando c’è un insegnante che supervisiona, che osserva i progressi, che interviene quando lo studente si blocca e che usa i dati della piattaforma per capire dove l’intera classe ha difficoltà.
Uno studio longitudinale di WestEd ha mostrato che gli studenti che usano Khanmigo almeno 30 minuti a settimana migliorano di 0,23 deviazioni standard in matematica. Per gli studenti non madrelingua inglese il guadagno sale a 0,31. La ricerca è chiara: i risultati migliori si ottengono quando AI e insegnante lavorano insieme, non quando uno sostituisce l’altro.
Il modello finlandese incarna lo stesso principio da decenni, senza bisogno di AI.
Niente test standardizzati fino ai 16 anni, insegnanti con master obbligatorio, selezionati tra i migliori studenti, apprendimento basato su progetti e fenomeni reali (“phenomenon-based learning”) dal 2016.
L’insegnante finlandese ha piena autonomia didattica e il suo ruolo è quello di facilitatore: non recita una lezione, crea situazioni in cui i problemi emergono e la classe li affronta insieme.
Nel 2018, l’Università di Helsinki ha lanciato con Reaktor “Elements of AI” per formare l’1% della popolazione sulle basi dell’intelligenza artificiale, non per sostituire gli insegnanti, ma per dare a tutti gli strumenti per capire cosa sta arrivando. Il tasso di transizione dalla formazione professionale al lavoro è del 78%, ben sopra la media UE.
ISDI di Madrid, la digital business school spagnola, integra reskilling continuo, apprendimento applicato e collaborazione stretta con l’industria. Circa il 90% dei laureati lavora in settori correlati ai propri studi entro sei mesi, in un mondo dove solo il 30% dei laureati americani trova lavoro nel proprio campo. E’ un numero che parla da solo!
Il filo comune? In tutti questi modelli l’insegnante non è un distributore di nozioni, ma un mentore che ti aiuta a ragionare, a contestualizzare, a riconoscere pattern. L’AI si occupa della ripetizione, della personalizzazione, del feedback immediato. L’umano si occupa del senso.
Lo stage non è un optional: le aziende devono stare dentro al sistema
C’è un ultimo pezzo che manca al puzzle, e senza il quale nessuna riforma funziona davvero: uno studente non è formato finché non ha messo piede in un’azienda vera.
Non parlo di stage cosmetici, quelli da tre mesi dove fai le fotocopie e ti dicono che stai “imparando la cultura aziendale.” Parlo di periodi strutturati, obbligatori, integrati nel curriculum, dove lo studente lavora su problemi reali sotto la supervisione di professionisti reali. E dove l’azienda, a sua volta, ha voce in capitolo su cosa insegna l’università.
Il Cengage Report 2025 lo dice in modo brutale: i laureati stessi riconoscono che le referenze personali (25%), i tirocini e l’esperienza lavorativa (22%) e le competenze di colloquio (20%) contano più della laurea in sé (17%) per trovare lavoro. Eppure il 20% dei laureati dichiara che il proprio percorso di studi non li ha aiutati a costruire una rete professionale. E il 35% avrebbe voluto che l’università collaborasse di più con le aziende.
La Finlandia lo fa da sempre: il 79,3% dei diplomati della formazione professionale ha svolto apprendimento in contesto lavorativo, contro una media UE del 65,2%.
École 42 include un tirocinio retribuito di 6 mesi obbligatorio nel percorso. ISDI costruisce i propri programmi in collaborazione diretta con le aziende.
Sono modelli in cui l’azienda non è il “cliente finale” che riceve il laureato a scatola chiusa — è un partner che co-progetta la formazione.
Pensateci: McKinsey stima che le aziende spendano 3,4 miliardi di dollari l’anno in formazione remediale per entry-level. È un costo che esiste perché il sistema formativo e il mondo del lavoro si parlano poco o niente. Se quei soldi, o anche una parte, venissero investiti prima — in stage strutturati, in co-design dei curricula, in docenti che vengono anche dall’industria — il risparmio sarebbe enorme e il prodotto finale incomparabilmente migliore.
Il concetto è semplice: la formazione non finisce con l’esame, finisce con il primo progetto reale consegnato a un cliente reale. Tutto il resto è teoria. E la teoria, da sola, è esattamente ciò che l’AI sa fare meglio di noi.
La morale della favola
L’AI non uccide i junior, ma l’illusione che una formazione inadeguata potesse restare nascosta sotto il tappeto per sempre.
Per decenni le aziende hanno fatto da ammortizzatore sociale, assorbendo silenziosamente il costo dei fallimenti formativi. L’AI ha semplicemente reso quel costo visibile… e inaccettabile…
Il vero nemico dei junior non è GPT-4, Claude o Gemini. Il vero nemico è un sistema educativo che produce laureati incapaci di fare quello per cui dovrebbero essere stati formati. E invece di riformare quel sistema, preferiamo dare la colpa alla tecnologia.
È più comodo, certo, ma non è onesto.
Fonti e dati citati:
Stanford Digital Economy Study (2025)
Anthropic — “Labor Market Impacts of AI: A New Measure and Early Evidence” (marzo 2026)
U.S. Bureau of Labor Statistics (2023-2025)
Cengage Group 2025 Graduate Employability Report
Sistema Excelsior — Unioncamere/Ministero del Lavoro (2025)
Rapporto AlmaLaurea 2025
OECD Skills Outlook 2025
U.S. Chamber of Commerce — New Hire Readiness Report 2025
McKinsey & Company — Remedial Training Costs Analysis
Stack Overflow Developer Survey 2025
InfoWorld, IEEE Spectrum, CIO.com
École 42 / 42 Network (42network.org)
Minerva University — WURI Rankings 2022-2025
Khan Academy Annual Report SY24-25 / WestEd Khanmigo Study
OECD Digital Education Outlook 2026
Center for Democracy and Technology — AI in Education Report 2025
ISDI Madrid — Graduate Employment Data
Finnish National Agency for Education / EU Education & Training Monitor 2025
Recentemente Sequoia Capital ha pubblicato un articolo molto interessante: “Services: The New Software”. (LINK)
La tesi è semplice ma dirompente: la prossima generazione di aziende AI non venderà software ma lavoro eseguito dall’intelligenza artificiale.
La prossima azienda da mille miliardi sarà un’azienda software che si presenta al cliente come un fornitore di servizi. Non vende il tool ma il lavoro fatto. Tu non compri il software di contabilità, compri la contabilità chiusa. Il software è sotto il cofano, il cliente vede solo il risultato.
La tesi è semplice ma dirompente: la prossima generazione di aziende AI non venderà software ma lavoro eseguito dall’intelligenza artificiale. In pratica per anni abbiamo costruito strumenti quali CRM, Contabilità, Tool di Marketing, tutti strumenti che aiutano le persone a fare il lavoro.
Adesso però l’AI cambia il paradigma, non si tratta più di software che aiuta a lavorare, si tratta di software che fa il lavoro, sia quello noioso e ripetitivo, sia quello di analisi.
Ma ogni founder si fa la stessa domanda: cosa succede quando la prossima versione di Claude o GPT, o Gemini rende il mio prodotto inutile? E ha ragione a preoccuparsi se vende lo strumento, ogni aggiornamento mangerà quote.
Ma se vendi il lavoro fatto, ogni miglioramento del modello rende il tuo servizio più veloce, più economico e più difficile da battere… E se i modelli sono più di uno la partita è vinta “a tavolino”.
L’AI ha imparato a parlare. Ora deve imparare a lavorare.
Il claim di Canonity nasce proprio da questa idea:
“L’AI ha imparato a parlare. È ora di insegnarle a lavorare.”
Negli ultimi anni abbiamo visto modelli sempre più capaci di conversare. Ma “chattare” non è lavorare, il vero salto avviene quando l’AI viene inserita in workflow capaci di produrre risultati concreti.
Intelligence è eseguire regole complesse: tradurre specifiche in codice, testare, fare debug. Le regole sono tante ma sono regole — l’IA le impara.
Judgement è decidere cosa costruire: quale feature ha priorità, se accettare debito tecnico, quando rilasciare anche se non è perfetto. Richiede esperienza, gusto, intuizione — anni di pratica.
Da prompt a servizi
Oggi chiunque può scrivere prompt o progettare workflow AI, ma questi prompt sono prodotti vendibili? No, sono semplicemente istruzioni.
Canonity prova a cambiare questo paradigma permettendo a chiunque di:
creare un workflow AI
pubblicarlo nel marketplace
farlo utilizzare da altri
guadagnare ogni volta che viene eseguito
Il punto chiave è questo: su Canonity non si vendono prompt. Si vendono esecuzioni.
Alcuni esempi concreti? Immaginiamo alcuni servizi pubblicati nel marketplace Canonity.
Analisi CV e job posting
Un creator costruisce un workflow che:
analizza un annuncio di lavoro
analizza il curriculum del candidato
identifica competenze rilevanti
genera una lettera di presentazione personalizzata
L’utente carica CV e job posting, Canonity restituisce la lettera pronta e il creator guadagna ogni volta che il workflow viene eseguito.
Analisi del naming di una startup
Un altro workflow potrebbe:
analizzare il nome della startup
confrontarlo con missione, prodotto e mercato
valutare coerenza e memorabilità
proporre alternative di naming più efficaci
L’utente non compra un prompt, ma l’analisi prodotta dall’esecuzione del workflow.I
La nascita di una execution economy
Molti marketplace AI oggi vendono:
prompt
template
librerie di istruzioni
Canonity propone qualcosa di diverso: una execution economy.
Un luogo dove le persone pubblicano soluzioni AI e vengono pagate per ogni utilizzo reale.
Perché ascoltare Sequoia
Quando Sequoia Capital parla di nuove categorie tecnologiche, vale sempre la pena ascoltare. Nel loro portfolio ci sono aziende come:
Apple
Google
Airbnb
WhatsApp
NVIDIA
E quando descrivono un cambiamento strutturale del mercato, vanno ascoltati perché spesso stanno anticipando ciò che accadrà nel prossimo decennio.
Se i servizi sono il nuovo software
Se davvero i servizi saranno il nuovo software, allora servirà un luogo dove questi servizi AI possano:
nascere
essere distribuiti
essere utilizzati
essere monetizzati
Canonity prova a costruire esattamente questo: un posto dove chiunque può trasformare un’idea, un prompt o un workflow in un servizio AI eseguibile.
Perché il vero valore non è nel prompt, ma nell’esecuzione.
Ieri sera stavo leggendo un articolo su Lucy sulla cultura che parla dell’oblomovismo, quella sindrome tutta russa, dal romanzo di Gončarov del 1859, che descrive una pigrizia metafisica: l’incapacità di agire e di prendere decisioni. Il protagonista, Oblomov, non si alza dal letto per le prime centocinquanta pagine. Non perché sia stupido: ha studiato, ha conosciuto il mondo, si è convinto di potersi rendere utile alla patria. Ma la realtà si è mostrata troppo dura e lui si è ritirato progressivamente. Ha lasciato l’impiego, ha smesso di leggere, e passa le giornate a contorcersi tra le lenzuola.
E mentre leggevo, pensavo a una cosa che vedo ogni settimana.
Parlo con imprenditori, professionisti, gente che manda avanti aziende da vent’anni. Gli chiedo se stanno usando l’AI. Mi rispondono tutti allo stesso modo: “Sì, ho provato ChatGPT, ma non è granché per quello che faccio io.” Poi cambiano discorso. Come Oblomov che riceve i visitatori nel suo letto, un mondano, un impiegato, uno scrittore, ascolta tutti, annuisce, e non si alza.
Ecco il punto: non sono stupidi. Sono Oblomov.
La malattia è sistemica
L’articolo di Lucy racconta una cosa interessante. La critica russa dell’epoca non interpretò l’oblomovismo come un difetto individuale, ma come un tratto nazionale. Il critico Dobroljubov ci scrisse un saggio intero: una malattia congenita dello spirito russo che ostacolava il progresso. Non la pigrizia di uno, ma l’inerzia di tutti.
L’oblomovismo delle aziende italiane di fronte all’AI ha esattamente questa natura. Non è che il singolo imprenditore sia pigro. È che l’intero ecosistema, dalla formazione al rapporto con la tecnologia, dalla burocrazia alla cultura del “abbiamo sempre fatto così”, produce e riproduce torpore. Ognuno si è costruito la sua Oblomovka personale, la tenuta remota dove le regole del mondo esterno non arrivano. Il commercialista che dice “i miei clienti hanno bisogno del rapporto personale”. L’avvocato che dice “il diritto italiano è troppo complesso per una macchina”. Il manifatturiero che dice “noi facciamo cose fisiche, mica software”.
Ognuno ha le sue ragioni. Oblomov aveva le sue.
Quello che sta succedendo, raccontato da chi lo vive
Con grande senso della sincronia un mio amico ieri mi ha inoltrato un post di Matt Shumer, da sei anni alla guida di una startup AI, pubblicato su X che è diventato virale.
Ha scritto che ha smesso di dare la versione educata di quello che sta succedendo.
Il divario tra percezione pubblica e realtà è diventato troppo grande, e troppo pericoloso.
Il passaggio che mi ha colpito di più: Shumer racconta di descrivere un’applicazione in linguaggio naturale, andarsene dal computer per quattro ore, e tornare a trovare il lavoro finito. Non una bozza da correggere, il prodotto completo, migliore di quello che avrebbe fatto lui stesso. L’AI apre l’app, clicca i pulsanti, testa le funzionalità, itera come farebbe uno sviluppatore, e lo avvisa solo quando è soddisfatta del risultato.
Io scrivo codice da prima del Commodore VIC-20, quando avevo un Sinclair ZX81 con 1K di memoria e il BASIC si componeva premendo combinazioni di tasti. Ho certificazioni Microsoft degli anni ’90. So cosa vuol dire debuggare un segfault alle tre di notte. Eppure quello che Shumer descrive è esattamente quello che vivo anche io, ogni giorno, da mesi. Non è hype. Non è marketing. È la mia giornata lavorativa del lunedì.
Ma Shumer dice anche un’altra cosa che merita attenzione. Cita un managing partner di un grande studio legale che passa ore ogni giorno a usare l’AI. Non perché sia un giocattolo, ma perché funziona meglio dei suoi associati su molte attività. E ogni paio di mesi, diventa significativamente più capace. L’organizzazione METR, che misura la durata dei compiti che l’AI può completare autonomamente, un anno fa registrava circa dieci minuti. Oggi siamo a diverse ore. Ha raddoppiato i tempi in soli sette mesi e sta accelerando.
Al meetup di Milano che raccontavo nel mio ultimo post, ho visto un fotografo e un avvocato, nessuna formazione tecnica, costruire applicazioni funzionanti con l’AI. Non vibe coding: architettura, obiettivi, percorso. Competenza di dominio tradotta in prodotto, senza intermediari.
Mentre Oblomov resta a letto.
Il gusto del covo
La cosa che mi ha colpito di più nell’articolo di Lucy è un passaggio su Tommaso Landolfi e quello che chiamava “il senso della lustra”, il gusto del covo. Un piacere voluttuoso di chi si rintana nella propria casa in decadenza, mentre intorno tutto crolla. La casa crolla, sì, ma crolla lentamente, e nel frattempo ci si sta bene.
Questa è l’immagine più precisa che abbia mai trovato per descrivere quello che vedo nelle aziende italiane. L’inerzia non è solo paralisi, è comfort. I margini calano, la competitività si erode, i concorrenti che hanno agito guadagnano velocità e capacità di analisi, ma il covo è caldo. E ci si convince che il proprio settore sia speciale, immune, diverso.
Non lo è. Nessun settore lo è.
Oblomov si innamora di Olga, una donna che potrebbe salvarlo. Ma per sposarla dovrebbe rendersi degno della vita che lei rappresenta, e questo, scrive Gončarov, è una cosa che in pratica non si può fare, per quanto appaia realizzabile in teoria. Così Olga lo lascia e sposa Štolc, il tedesco positivo, il pragmatico. Oblomov riprecipita nel torpore. Sposa una donna che lo accudisce come un bambino. E muore di un colpo apoplettico.
L’azienda che rimanda non esplode. Diventa irrilevante un trimestre alla volta.
Alzarsi dal letto
Non scrivo questo per fare terrorismo psicologico. Lo scrivo perché il vantaggio più grande che potete avere in questo momento è semplicemente essere in anticipo. La finestra è ancora aperta: la maggior parte delle aziende italiane non si è mossa. Chi entra in una riunione e dice “ho usato l’AI per fare questa analisi in un’ora invece che in tre giorni” è la persona più preziosa nella stanza. Non domani, adesso.
Ma la finestra non resterà aperta a lungo.
“Addio vecchia Oblomovka”, dice Štolc alla fine del romanzo, “il tuo tempo è finito.”
Gončarov lo scrive con un pizzico di malinconia, credi che il mercato ne avrà alcuna?
La scelta è semplice, anche se non è facile: alzarsi dal letto, o aspettare il colpo apoplettico.
Photo by RDNE Stock project: https://www.pexels.com/photo/man-lying-on-sofa-beside-vacuum-5591469/
Oggi, 24 febbraio 2026, Anthropic ha pubblicato un report esplosivo: tre laboratori cinesi, DeepSeek, Moonshot AI e MiniMax, hanno condotto campagne di distillazione su scala industriale contro Claude.
I numeri fanno impressione: 24.000 account fraudolenti, 16 milioni di scambi con il modello. Non stiamo parlando di qualcuno che copia-incolla qualche risposta, ma di un’operazione sistematica e coordinata per estrarre le capacità di ragionamento, coding e uso di strumenti di uno dei modelli più avanzati al mondo.
Due settimane fa, OpenAI aveva denunciato la stessa cosa al Congresso americano riguardo a ChatGPT e Google ha segnalato oltre 100.000 prompt mirati su Gemini.
Il pattern è chiaro: i tre principali modelli americani sono sotto attacco simultaneo.
Come funziona la distillazione (in parole semplici)
La distillazione è una tecnica nota nell’AI: prendi un modello grande e potente (il “maestro”), gli fai migliaia di domande mirate, e usi le sue risposte per addestrare un modello più piccolo ed economico (lo “studente”).
Lo studente impara a imitare il maestro senza aver mai visto i dati originali di addestramento.
Geniale.
Le aziende AI la usano legittimamente tutti i giorni: Anthropic distilla Claude Opus per creare Claude Haiku, OpenAI distilla GPT-4 per creare GPT-4-mini.
È una pratica standard, ma il problema nasce quando un concorrente usa questa tecnica sui tuoi modelli, aggirando le restrizioni geografiche con servizi proxy, creando migliaia di account falsi, e generando milioni di query progettate per estrarre le capacità più avanzate. In sostanza: anni di ricerca e miliardi di dollari di investimento vengono compressi in poche settimane di scraping automatizzato.
I numeri dell’operazione
Secondo il report di Anthropic:
– DeepSeek: 150.000 scambi mirati su ragionamento logico e allineamento
– Moonshot AI: 3,4 milioni di scambi su ragionamento agentico, coding e computer vision (il loro modello Kimi K2.5, rilasciato il mese scorso, ne è probabilmente il risultato)
– MiniMax: 13 milioni di scambi su coding agentico e orchestrazione di strumenti
— Anthropic li ha colti in flagrante: quando è uscito un nuovo modello Claude, MiniMax ha rediretto metà del traffico nel giro di 24 ore per catturare le nuove capacitàTutte e tre le campagne seguivano lo stesso schema: servizi proxy commerciali per aggirare il blocco geografico della Cina, cluster di account distribuiti per evitare il rilevamento, e prompt strutturati per estrarre capacità specifiche — non le chiacchierate casuali di un utente normale.
Il vero problema: non c’è legge che funzioni
Ed è qui che la questione diventa strutturale. Perché la domanda che tutti si pongono è: “Ma non è illegale?”
La risposta, purtroppo, è molto meno chiara di quanto si vorrebbe.
Il copyright non si applica: L’U.S. Copyright Office ha stabilito che gli output generati dall’AI non raggiungono la soglia di “autorialità umana” necessaria per la protezione. Se le risposte di Claude non sono coperte da copyright, non puoi fare causa per violazione di copyright a chi le usa per addestrare un altro modello.
Paradossalmente, i Terms of Service di OpenAI cedono esplicitamente i diritti sugli output all’utente, rendendo ancora più difficile contestare l’uso che quell’utente ne fa.
I brevetti sono limitati: I brevetti potrebbero coprire architetture specifiche o processi, ma la distillazione non copia l’architettura — copia il comportamento. È come se qualcuno non rubasse il motore della tua Ferrari, ma guidasse la tua auto per migliaia di chilometri per capire esattamente come si comporta, e poi costruisse un’auto diversa che si guida allo stesso modo.
I Terms of Service valgono poco: Certo, Anthropic e OpenAI vietano esplicitamente la distillazione nei loro ToS. Ma provate a far valere un contratto americano contro un’azienda di Hangzhou o Shanghai. La giurisdizione è un muro. E anche se riusciste a portarli in tribunale, il danno è già fatto: il modello distillato è già stato addestrato e distribuito.
Il segreto commerciale è l’unica strada potenziale, ma richiede di dimostrare che l’azienda ha adottato misure ragionevoli per proteggere le informazioni e che c’è stato un accesso non autorizzato.
Quando il tuo prodotto è un’API pubblica e l’accesso avviene attraverso account apparentemente legittimi, la dimostrazione diventa molto complessa.
L’ironia della situazione
C’è un’ironia profonda in tutta questa vicenda, e la community online non ha mancato di farla notare: le stesse aziende che denunciano la distillazione dei loro modelli hanno costruito quei modelli addestrando su enormi quantità di contenuti altrui — libri, articoli, codice, immagini — spesso senza il consenso degli autori originali.
Anthropic stessa è sotto processo da parte degli editori musicali per aver usato testi di canzoni nell’addestramento di Claude.
È il classico “quando lo faccio io è innovazione, quando lo fai tu è furto.”
Questo non giustifica le campagne di distillazione su scala industriale, ma mette in prospettiva la fragilità delle argomentazioni legali: in un ecosistema dove tutti hanno costruito su dati altrui, tracciare una linea netta tra uso legittimo e furto è un esercizio giuridico senza precedenti.
Cosa succederà (probabilmente)
La soluzione non sarà legale, ma tecnica e geopolitica.
Sul fronte tecnico, Anthropic ha annunciato sistemi di behavioral fingerprinting e classificatori per identificare pattern di estrazione.
In pratica: se le tue query assomigliano a una campagna di distillazione e non a un uso normale, vieni bloccato. È una corsa agli armamenti continua, ma è l’unica difesa che funziona in tempo reale. Sul fronte geopolitico, queste denunce rafforzano la narrazione americana a favore di controlli più severi sulle esportazioni di chip AI verso la Cina. Se i modelli cinesi dipendono dalla distillazione di modelli americani per le loro capacità più avanzate, e la distillazione su scala richiede accesso a chip potenti, allora limitare i chip limita (anche) la capacità di distillazione.
La lezione per noi europei
Mentre americani e cinesi si confrontano sui modelli frontier, l’Europa guarda.
E questo è un problema, noi non abbiamo modelli frontier nostri su cui proteggere IP, non abbiamo chip di ultima generazione, non abbiamo le infrastrutture di compute necessarie.
L’AI Act europeo regola l’uso dell’AI ma non la produzione: come se regolassimo le automobili ma non avessimo fabbriche.
Se la distillazione diventa la normalità e l’unica protezione reale è avere qualcosa che valga la pena distillare. E per il momento, quel qualcosa ce l’hanno solo gli americani.
Nota: uso Claude quotidianamente nel mio lavoro e lo considero il miglior modello attualmente disponibile. Questo non cambia il fatto che la questione della distillazione sia oggettivamente complessa e che le ragioni non stiano tutte da una parte.
Voglio prendermi un momento per raccontarvi cosa stiamo costruendo, partendo da un esempio concreto che mi è capitato proprio oggi.
Tutto ha inizio quando un amico decide di imbarcarsi in una nuova avventura: un nuovo progetto per un nuovo prodotto. Come spesso accade a chi ha tra le mani un MVP (Minimum Viable Product), la prima cosa che ha fatto è stata battezzarlo con un nome che riteneva evocativo.
Tuttavia, la mia esperienza mi suggeriva che quella scelta non fosse quella giusta per il suo target e invece di dargli un semplice parere soggettivo, ho deciso di creare un workflow di prompt che aiutasse chiunque a capire se il nome scelto per il proprio business sia davvero quello corretto.
L’esperimento: 11 prompt e 5 modelli
L’idea è semplice: tu mi dici cosa fa il prodotto e come vuoi chiamarlo; io ti restituisco un’analisi approfondita di costi e benefici, fornendoti anche una “storia” da raccontare quando ti chiederanno il perché di quel nome.
Per realizzare questa analisi, ho aperto Canonity, il nostro editor grafico di step-prompt e ho strutturato il lavoro in tre passaggi fondamentali:
Limitare le allucinazioni: Se chiedi troppe cose insieme a un’IA, tende a inventare ciò che non capisce, quindi ho diviso il processo di analisi in più step per aumentare drasticamente la precisione.
Il potere del confronto: Ho replicato i passaggi di analisi sfruttando la capacità di modelli diversi per avere più punti di vista. Ho sottoposto la prima analisi a Grok, la successiva a Claude e poi anche a Gemini.
Sintesi e Revisione: Infine, ho usato ChatGPT per riepilogare il tutto e DeepSeek per analizzare i pareri dei vari modelli e generare un riassunto finale.
In totale, l’analisi di un singolo nome è stata suddivisa in 11 prompt eseguiti da 5 modelli diversi che hanno collaborato tra loro.
Ho stampato il PDF dopo averlo eseguito e l’ho inviato al mio amico che… ha validato l’utilità di questo prompt.
(Il sistema non si è limitato a dire se il nome fosse corretto, le tre cancellazioni in rosso erano tre esempi di nome alternativo più corretto, in relazione a ciò che quel prodotto fa) Del chè il messaggio del mio amico:
La prova del nove (anzi del 4,99)
La sua risposta è stata la migliore validazione possibile: non solo ha trovato l’analisi incredibilmente centrata — evidenziando aspetti critici come il costo del dominio o l’efficacia psicologica del nome — ma alla mia domanda provocatoria “Saresti stato disposto a pagare 4,99€ per questo?”, la risposta è stata un secco: “Ceeerto!”
Cosa sono, quindi, Canonity e u-prompt?
In poche parole:
Con Canonity ho realizzato l’applicazione (il workflow logico di analisi).
Attraverso u-prompt, ho messo in vendita l’esecuzione di quel workflow al prezzo di 4,99€.
E questo è solo uno dei workflow –> app. Il sistema ne gestirà centinaia, migliaia, ogni utente ne potrà avere quante ne vuole… Saranno di sua proprietà e non dovrà mai vendere il prompt, solo l’esecuzione.
Per esempio il nostro CEO, Stefano, sta già usando Canonity per disegnare un sistema che analizza i CV in relazione ai Job Post. L’app analizzerà l’annuncio, valuterà il tuo profilo/CV, ti suggerirà cosa enfatizzare e produrrà una lettera di presentazione adattata e su misura.
Una volta pronta, la metteremo in vendita su u-prompt a 2,99€.
Cosa ti serve per creare il tuo primo step prompt?
Serve conoscenza tecnica dello strumento? Si, c’è un tutorial che in 7 passi (5/6 minuti) ti spiega come funziona
Quale altra conoscenza tecnica serve? Nessuna, se hai scritto il prompt, premendo PLAY lo esegui e ottieni il risultato.
FINE.
Se vuoi capire come trasformare la tua competenza in un’app IA, o se hai domande su come funzionano i nostri strumenti, scrivici a hey [chiocciola] u-prompt.com.
Opus 4.6, un meetup a Milano, e cosa c’entrano Camillo e Adriano Olivetti con l’IA
Ieri sera ero al Claude Code meetup di Milano. Cinque speaker, cinque soluzioni da mostrare. Il primo sale sul palco, lancia la sua demo e… niente. Opus 4.5 risulta legacy. Il modello su cui aveva costruito tutto era già stato sostituito — durante l’aperitivo. Il secondo non ha nemmeno potuto presentare: la sua soluzione di sicurezza? Opus 4.6 la implementava già nativamente.
Due presentazioni su cinque, obsolete nel tempo di un prosecco.
Questo è il ritmo. Ma non è del ritmo che voglio parlare oggi.
Perché tra quelle cinque presentazioni ce n’erano due che mi hanno colpito più del cambio di modello. E mi hanno fatto pensare a qualcosa di molto più grande.
Il primo era un fotografo. Non un tecnico, non un ingegnere del software, non uno che ha mai scritto una riga di codice in vita sua. Un fotografo che in tre mesi e mezzo ha costruito un’applicazione per creare presentazioni alla velocità della luce. Funzionante. Bella. Che fa quasi tutto quello che fa Gamma — un prodotto su cui lavorano probabilmente decine di ingegneri a tempo pieno.
Il secondo era un avvocato. Stesso schema: nessuna formazione tecnica. Ha preso decenni di esperienza nella revisione dei contratti e li ha trasformati in un’applicazione capace di riscrivere clausole prolisse, spiegando paragrafo per paragrafo il perché di ogni scelta di revisione. Non un riassunto generico, una revisione ragionata, con la competenza di chi quei contratti li mastica da vent’anni.
Nessuno dei due sa programmare.
Entrambi hanno costruito qualcosa che funziona.
Qui si apre il punto che mi interessa davvero.
Perché non hanno fatto vibe coding. Il vibe coding è quella cosa per cui apri una chat, scrivi “fammi un’app che fa X”, e speri che il risultato sia decente. A volte lo è. Spesso no. E quando non lo è, non sai perché e non sai come aggiustarlo.
Questi due hanno fatto qualcosa di diverso. Hanno seguito il metodo: architettura, obiettivi, percorso.
Il fotografo non ha detto “fammi un’app per le presentazioni”. Ha pensato a cosa gli serviva, ha progettato la struttura, ha definito il flusso. Poi ha usato l’AI come strumento per realizzare quello che aveva in testa. L’avvocato non ha detto “riscrivi questo contratto”. Ha codificato decenni di know-how in regole, logiche, criteri di valutazione. Poi ha chiesto all’AI di eseguire quel processo.
La differenza tra vibe coding e il metodo è la stessa differenza che c’è tra chiedere a un muratore di “farmi una casa bella” e dargli un progetto architettonico.
Il risultato si vede.
L’AI è il grande democratizzatore.
Non perché abbassa il livello, ma perché rimuove la barriera tra chi ha le competenze e chi ha anche gli strumenti per esprimerle.
Il fotografo sapeva esattamente come doveva funzionare un sistema di presentazioni rapide. Lo sapeva meglio di qualsiasi team di ingegneri, perché lo viveva tutti i giorni. Quello che non sapeva era tradurre quella conoscenza in codice.
L’avvocato sapeva esattamente cosa rende un contratto prolisso e cosa lo rende chiaro. Lo sapeva meglio di qualsiasi algoritmo, perché ci ha passato la carriera. Quello che gli mancava era il mezzo tecnico per trasformare quell’esperienza in un prodotto.
Fino a ieri, queste persone avevano due opzioni: pagare qualcuno per costruire la loro idea (con tutti i problemi di traduzione che ne conseguono) o rinunciarci.
Oggi ne hanno una terza: costruirla loro stessi.
Non perché “tutti possono programmare” — questa è la retorica vuota. Ma perché chi ha una competenza reale, una visione chiara e la disciplina di pensare in modo strutturato, oggi può realizzarla. L’AI elimina la barriera sintattica, non quella intellettuale. E la barriera intellettuale è l’unica che conta davvero.
A questo punto devo fare una confessione.
Io sono un tecnico. Scrivo codice da quando avevo un Toshiba al plasma e il QBASIC era il linguaggio dei sogni. Ho certificazioni Microsoft degli anni ’90. Gestisco cluster Proxmox distribuiti su datacenter europei. So cosa vuol dire debuggare un segfault alle tre di notte.
Ma sono anche un imprenditore. E come imprenditore, il mio idolo non è Steve Jobs, non è Elon Musk, non è nessuno della Silicon Valley.
Il mio idolo è Camillo Olivetti.
Un ingegnere di Ivrea che nel 1893 andò a Chicago con il suo maestro Galileo Ferraris, visitò i laboratori di Edison, e tornò in Italia con un’idea che oggi suona rivoluzionaria quanto allora: il compito di un’azienda non è sfruttare le capacità delle persone, ma elevarle.
Camillo fondò la prima fabbrica italiana di macchine per scrivere nel 1908. Venti dipendenti, un capannone a Ivrea. Sì, la macchina per scrivere fu una democratizzazione — della parola scritta, dell’accesso alla comunicazione formale. Ma non era quello il punto. Il punto era la visione che c’era dietro la fabbrica.
Camillo non vedeva i suoi operai come manodopera da ottimizzare ma come persone da far crescere. Riuniva i dipendenti nel cortile della fabbrica, saliva su una cassetta — come ai tempi dei comizi socialisti — e spiegava i problemi dell’azienda. Non delegava, non nascondeva: condivideva la conoscenza. Voleva che capissero il perché delle decisioni, non solo il cosa dovevano fare.
Quando la crisi economica colpì, propose di ridurre l’orario per tutti piuttosto che licenziare qualcuno. I dipendenti risposero proponendo di lavorare a tempo pieno, con la promessa di recuperare il salario mancante a crisi finita. Questo non succede in un’azienda che sfrutta. Succede in un’azienda che ha investito nella consapevolezza delle proprie persone.
Il figlio Adriano portò questa visione ancora più avanti, fino a farne un modello industriale unico al mondo. Ma il seme era di Camillo: l’impresa come strumento di elevazione, non di estrazione. Costruire qualcosa che funziona, che serve a chi lo usa, e che rende migliore chi ci lavora.
Ecco perché l’uscita di Opus 4.6 mi interessa e non mi interessa allo stesso tempo.
Mi interessa perché è il modello più capace mai rilasciato. Context window da un milione di token, adaptive thinking, agent teams, i punteggi più alti mai raggiunti nel coding agentico. Il fatto che Scott White di Anthropic dica che ormai usano Claude Code non solo gli sviluppatori ma anche product manager, analisti finanziari, professionisti di ogni tipo — è esattamente il segnale.
Non mi interessa perché il modello, da solo, non cambia nulla. Quello che cambia è cosa le persone ci fanno.
Un fotografo che costruisce un’alternativa a Gamma. Un avvocato che trasforma vent’anni di esperienza in un prodotto. Questa è la rivoluzione. Non il benchmark, non il punteggio su Terminal-Bench, non i milioni di token di contesto.
La rivoluzione è che la competenza di dominio — quella vera, quella che si accumula in anni di lavoro — oggi ha finalmente uno strumento per esprimersi senza intermediari.
Camillo Olivetti non diede ai suoi dipendenti solo una fabbrica in cui lavorare. Diede loro la comprensione di cosa stavano costruendo e perché. Li rese partecipi, non esecutori. E così facendo, elevò le loro capacità ben oltre quello che un contratto di lavoro avrebbe richiesto.
L’AI sta facendo la stessa cosa, su scala globale. Non sta dando a tutti la possibilità di programmare — questa è la retorica vuota. Sta dando a chi ha una competenza reale la possibilità di esprimerla completamente, senza che la barriera tecnica la comprima, la traduca male, o la fermi del tutto.
La macchina per scrivere non ha reso tutti scrittori. Ha reso possibile scrivere a chi aveva qualcosa da scrivere. L’AI non renderà tutti sviluppatori. Renderà possibile sviluppare a chi ha qualcosa da sviluppare.
Il fotografo aveva qualcosa. L’avvocato aveva qualcosa. E avevano il metodo: sapere cosa costruire, progettare come costruirlo, e usare lo strumento per farlo.
P.S. quelli in foto dovrebbero essere Camillo e suo figlio Adriano Olivetti… Ma l’AI ha dei limiti che non gli hanno permesso di generare la foto con i volti giusti… sicchè usa un po’ di immaginazione, grazie 🙂
Secondo Huang, l’era in cui imparare la sintassi di un linguaggio (Python, C++, Java) era il requisito d’accesso all’innovazione è finita. Grazie all’IA generativa, il focus si sposta dal come scrivere il codice al cosa vogliamo realizzare.
Il mondo dello sviluppo software è arrivato a un punto di svolta. Non lo dicono i sognatori, ma chi l’hardware per l’Intelligenza Artificiale lo costruisce davvero. Jensen Huang, CEO di NVIDIA, ha recentemente lanciato una provocazione che ha scosso le fondamenta della Silicon Valley: “Il nostro compito è creare una tecnologia tale che nessuno debba più programmare. Il linguaggio di programmazione del futuro sarà quello umano.”
In questo scenario, il valore non risiede più nella manovalanza digitale, ma nell’architettura del pensiero.
La visione di Huang: dall’esecuzione all’orchestrazione.
Il concetto espresso da Huang è chiaro: la democratizzazione della tecnologia passa attraverso l’abbattimento della barriera del codice. Se puoi spiegare un problema in linguaggio naturale e l’IA può tradurlo in una soluzione funzionale, allora chiunque possieda una logica di dominio (un biologo, un ingegnere, un esperto di business) diventa, a tutti gli effetti, un programmatore.
Tuttavia, tra la “visione” di Huang e la realizzazione di sistemi complessi c’è ancora un vuoto tecnico. Scrivere un prompt per una chat è semplice; costruire un’applicazione strutturata, sicura e scalabile orchestrando l’IA è una sfida diversa.
Canonity: il ponte tra visione e realtà
È esattamente in questo spazio che si inserisce Canonity. Se la visione di Huang definisce il traguardo, Canonity rappresenta il motore per raggiungerlo.
Canonity non è un semplice assistente al codice, ma un multi-LLM editor nato per permettere all’utente di agire come l’architetto di cui parla Huang. Ecco come risponde concretamente ai pilastri della nuova era:
Orchestrazione vs Codifica: Mentre i programmatori tradizionali scrivono righe di codice, l’utente di Canonity orchestra modelli. Può decidere quale modello di linguaggio sia più adatto a una specifica funzione, mettendo a sistema le diverse “intelligenze” per ottenere un risultato superiore alla somma delle parti.
Linguaggio Naturale come Asset: Canonity abilita l’uso del linguaggio umano per definire flussi e logiche. Questo permette di mantenere il focus sulla risoluzione del problema, delegando alla piattaforma la gestione della complessità sintattica.
L’architettura al centro: Seguendo il mantra di NVIDIA, il valore umano si sposta sulla progettazione. Canonity fornisce gli strumenti per visualizzare e connettere queste logiche, rendendo tangibile l’idea che l’informatica sia diventata una disciplina di design e strategia, non più solo di digitazione.
Verso un nuovo paradigma
Se accettiamo la tesi di Huang, dobbiamo accettare che il ruolo dello sviluppatore sta cambiando radicalmente. Non saremo più traduttori che convertono idee in linguaggi macchina, ma saremo registi di modelli intelligenti.
Canonity incarna perfettamente questo cambiamento di paradigma. È lo strumento per chi ha capito che il futuro non si scrive più riga per riga, ma si progetta attraverso l’orchestrazione dei modelli. La tecnologia di cui parla Huang esiste già: si tratta solo di scegliere di essere architetti invece che semplici esecutori
Il plugin ufficiale di Claude Code che ripulisce il pasticcio che Claude Code ha appena creato
C’è qualcosa di profondamente onesto in un team che rilascia uno strumento per correggere i difetti del proprio strumento.Boris Cherny, il creatore di Claude Code, ha appena reso open source il code-simplifier, un sub-agente che usa quotidianamente nel suo lavoro.
La sua funzione? Semplificare il codice dopo che Claude Code ha finito di lavorare. Rileggi: dopo.
Claude Code ha un problema strutturale: scrive troppo.Non nel senso che chiacchiera. Nel senso che produce codice verboso, over-engineered, pieno di astrazioni inutili.
Funziona, per carità, è anche bene, ma funziona come funziona un mobile Ikea montato da uno che ha letto le istruzioni in svedese: regge, ma non è elegante.
Il code-simplifier nasce per rimediare a questa tendenza. È un agente specializzato nel refactoring che interviene a fine lavoro per:
eliminare ridondanze — trova codice duplicato e lo estrae in funzioni riusabili, seguendo il principio DRY (Don’t Repeat Yourself, per chi non mastica acronimi anglofoni)
migliorare la leggibilità — semplifica condizionali annidati, spezza metodi elefantiaci in funzioni più piccole, migliora i nomi delle variabili (addio temp2_final_v3)
modernizzare la sintassi — aggiorna il codice per usare le feature moderne del linguaggio invece di pattern da museoIl tutto senza toccare la funzionalità.
Il codice fa esattamente quello che faceva prima, solo che adesso lo capisce anche chi lo legge.
Niente configurazioni bizantine, niente file YAML da interpretare come testi sacri.
Come si usa
Non c’è un comando speciale. Basta chiedere a Claude di usarlo:
"Usa il code simplifier per ripulire questo codice"
"Semplifica quello che abbiamo appena scritto"
"Pulisci questo PR con il code-simplifier"
L’agente analizza il codice, identifica i problemi di complessità, e propone una versione semplificata spiegando cosa ha cambiato e perché.
Cherny lo usa dopo ogni feature completata, dopo ogni TODO risolto, prima di ogni code review. È diventato parte del suo workflow quotidiano, insieme a un altro agente chiamato verify-app che testa il codice end-to-end.
Il trade-off
C’è un prezzo da pagare: il tempo di sviluppo raddoppia circa.
Non è poco, ma il ragionamento è semplice: meglio impiegare il doppio del tempo oggi per avere codice manutenibile domani, che risparmiare oggi e piangere tra sei mesi davanti a un file di 2000 righe che nessuno osa toccare.
È lo stesso principio per cui si scrivono i test: nessuno li ama mentre li scrive, tutti li benedicono quando salvano la produzione.
Cosa significa davveroIl code-simplifier è interessante non tanto per quello che fa, ma per quello che ammette.
Ammette che i modelli linguistici, lasciati a se stessi, tendono alla verbosità. Ammette che “funziona” non è sinonimo di “è fatto bene”. Ammette che l’output grezzo di un LLM richiede quasi sempre una revisione.
È un approccio maturo, lontano dal marketing che vorrebbe farci credere che l’AI risolve tutto al primo colpo.
La realtà è più prosaica: l’AI scrive, poi l’AI corregge quello che ha scritto, e alla fine — se tutto va bene — il codice è decente.
Non è magia, è ingegneria.
E a volte, l’ingegneria migliore è quella che riconosce i propri limiti e costruisce strumenti per aggirarli.
