Tag: innovazione

Sequoia dice che i servizi saranno il nuovo software. Canonity nasce esattamente per questo.
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.

Sequoia divide il lavoro umano in due strati.

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.
11 Marzo 2026
L’oblomovismo digitale

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/

1 Marzo 2026
Canonity e u-prompt: trasformare un’idea in un’app e monetizzarla.
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:
1. 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.
2. 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.
3. 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.

Il futuro è collaborativo
13 Febbraio 2026
AlexNet è tornata. E non per nostalgia.

Ogni tanto la tecnologia fa una cosa controintuitiva: invece di correre in avanti a testa bassa, si ferma, si gira e guarda indietro. Non per rimpiangere il passato, ma per ricordarsi come si costruiscono davvero le cose che durano.
È esattamente quello che è successo a novembre 2025 quando il Computer History Museum, insieme a Google, ha deciso di rendere pubblico il codice sorgente originale di AlexNet.

Il codice sorgente del 2012, quello che ha cambiato la storia dell’intelligenza artificiale.

Non è un’operazione nostalgica, e non è nemmeno un regalo per chi vuole “rifare AlexNet oggi”. È un gesto culturale. È come dire: prima di discutere dell’ennesimo modello miracoloso, forse vale la pena tornare a vedere come nasce una vera discontinuità tecnologica.

AlexNet nasce nel 2012 all’Università di Toronto, da Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton. Vince ImageNet in modo così netto da rendere improvvisamente obsoleti anni di approcci precedenti, dimostrando in un colpo solo che le reti neurali profonde non sono solo belle teorie: funzionano, scalano e cambiano le regole del gioco.

Da lì in poi il deep learning diventa la norma, le GPU diventano strumenti scientifici e la computer vision prende una direzione completamente nuova.

Ma oggi AlexNet non ci interessa per la sua potenza.

Oggi confrontata con gli standard attuali. Ci interessa per un motivo molto più profondo: come è stata pensata.

Il codice che oggi possiamo leggere su GitHub
🔗 https://github.com/computerhistory/AlexNet-Source-Code

Non è elegante, modulare, o “clean”. È scritto in CUDA C++ ed è brutalmente onesto. La memoria GPU viene gestita a mano, i layer non sono entità astratte ma strutture concrete, il training non è un loop astratto, ma è un flusso rigido e dichiarato. Non esiste separazione tra modello, training, preprocessing ed esecuzione: tutto è intrecciato, perché tutto fa parte dello stesso problema.

Leggerlo oggi è quasi uno shock culturale per chi è cresciuto a colpi di framework. Qui non c’è nulla che ti protegga. Se qualcosa non funziona, non puoi incolpare una libreria: sei tu. Ed è proprio questo che rende il codice di AlexNet così prezioso. Ti costringe a capire perché una scelta è stata fatta, quali compromessi sono stati accettati, quali limiti hardware hanno guidato l’architettura.

AlexNet, in altre parole, non era “solo un modello”. Era un sistema completo. Dataset, preprocessing, training su GPU, tuning manuale, gestione della memoria, flusso end-to-end. Tutto insieme. Nulla aveva senso da solo.

Ed è qui che il collegamento con l’IA di oggi diventa quasi imbarazzante per quanto è evidente.

Nel 2025 passiamo una quantità enorme di tempo a discutere su quale sia il modello migliore. Come se il problema fosse lì. Ma un singolo LLM, per quanto impressionante, soffre degli stessi limiti strutturali che avevano le singole reti neurali prima di AlexNet: non ha memoria vera, non ha visione di processo, non ha responsabilità sul risultato finale. Da solo, è fragile.

Il valore reale oggi emerge quando smettiamo di ragionare in termini di “modello” e iniziamo a ragionare in termini di sistema. Quando progettiamo flussi, step, ruoli, controlli. Quando decidiamo quale modello deve fare cosa, in quale momento, con quale contesto e con quale verifica. Quando l’intelligenza artificiale smette di essere una risposta brillante e diventa un processo governato.

AlexNet ci ricorda che le rivoluzioni non nascono da un singolo componente eccezionale, ma da un’architettura chiara. È lo stesso principio che oggi ritroviamo nei sistemi di orchestrazione multi-modello e, più in generale, in piattaforme come Canonity, dove il focus non è il prompt perfetto o il modello più grosso, ma la struttura che tiene tutto insieme. Non il singolo output, ma il flusso che lo rende affidabile.

AlexNet non ci colpisce più per la potenza, ma per la lucidità. Per il fatto che, prima che tutto diventasse automatico, qualcuno aveva capito che l’IA non è magia statistica, ma ingegneria dei sistemi. Il rilascio del suo codice non è una celebrazione del passato: è un promemoria molto attuale.

Se vogliamo davvero capire dove sta andando l’intelligenza artificiale, ogni tanto dobbiamo fare quello che fa questo repository: tornare alle fondamenta, sporcarci le mani con l’architettura e ricordarci che le vere innovazioni non nascono dall’ultimo modello, ma dalla capacità di mettere ordine nella complessità.

7 Gennaio 2026
Da umarell a direttore d’orchestra

Canonity, u-prompt e la maturazione dell’AI come strumento

Negli ultimi mesi ho osservato con crescente fastidio un equivoco diffondersi nel mondo dell’AI: l’idea che l’automazione coincida con il “lasciare fare tutto alla macchina”.
È un equivoco pericoloso, perché confonde la delega con l’abdicazione e l’efficienza con l’imprevedibilità.

Siamo umani.
E quando lavoriamo — davvero — abbiamo bisogno di certezza del risultato, non dei capricci di un modello che oggi risponde bene e domani no.

Gran parte dell’AI attuale, invece, è usata in modalità umarell: si apre una chat, si scrive un prompt, si osserva la risposta, la si corregge, la si rilancia. È un’iterazione continua, sincrona, fragile. Interessante, ma strutturalmente immatura.

Ivan Zhao, fondatore di Notion, ha messo un punto fermo su questo tema in un post che considero fondamentale e che vale la pena citare direttamente:
https://x.com/ivanhzhao/status/2003192654545539400

Il concetto è semplice quanto definitivo: se stai guardando l’AI mentre lavora, non stai automatizzando nulla. Nessuno osserva una fabbrica mentre produce. Si progetta il processo, si avvia, si torna dopo.

Il valore sta nel processo, non nella conversazione.

Questa osservazione è la chiave per capire Canonity e u-prompt, e soprattutto perché sono due strumenti diversi che risolvono due problemi diversi.

Canonity nasce come editor di prompt multi-modello LLM, ma sarebbe un errore fermarsi a questa definizione. Canonity non serve a “provare modelli a caso” né a demandare a una macchina la scelta del modello migliore (come fanno sistemi alla Perplexity).
In Canonity la scelta del modello è umana. Sempre.

Questo non è un limite. È una presa di posizione.

Chi lavora sa che modelli diversi producono risultati diversi, con stili diversi, affidabilità diverse, bias diversi. Affidare questa scelta a un algoritmo significa accettare una variabilità che, nei contesti di lavoro reali, non è accettabile.

Canonity parte da un presupposto semplice: l’umano è responsabile del risultato finale, quindi l’umano deve scegliere con quale cervello artificiale lavorare.

Canonity è lo spazio in cui costruisci il tuo prompt automatico, lo testi, lo migliori, lo rendi stabile. È uno strumento personale, quasi intimo. Serve a te, per risolvere un problema tuo.

Qui l’AI non è un giocattolo né un oracolo, ma un componente tecnico da configurare con attenzione.

Quando quel prompt funziona e il risultato è affidabile, ripetibile, coerente, succede qualcosa di interessante: ti rendi conto che quel risultato non serve solo a te.

Ed è qui che entra in gioco u-prompt.

u-prompt non è un repository di prompt e non nasce per vendere “testi magici”. Nasce da un’idea molto più concreta: non vendere il prompt, vendi il risultato.

Chi arriva su u-prompt non compra istruzioni, compra un output. Esattamente come in un juke-box: non compri il disco, ascolti la canzone.

Questa distinzione è cruciale.

Un prompt richiede competenza, contesto, manutenzione. Un risultato no. Un risultato risponde a un bisogno diretto e abbassa enormemente la soglia di accesso. Meno richiesta cognitiva significa molti più utenti potenziali.

Canonity e u-prompt, insieme, separano in modo netto due momenti che fino a oggi erano confusi: la fase di costruzione e la fase di consumo.

Canonity è per chi costruisce.
u-prompt è per chi usa.

Nel primo caso sei ancora “in cantiere”, stai progettando, testando, raffinando. Nel secondo, il cantiere non si vede più. Il lavoro è fatto. Il processo gira. L’utente non osserva nulla, ottiene solo il risultato.

È esattamente il passaggio descritto da Ivan Zhao: dall’AI osservata all’AI che lavora mentre tu fai altro.
Non perché “la macchina è più brava”, ma perché il processo è stato progettato bene.

Qui avviene il salto da umarell a direttore.
L’umarell guarda, commenta, corregge, il direttore non suona ogni strumento, ma decide chi suona cosa, quando e come.

Canonity ti mette in mano la bacchetta. u-prompt apre il teatro al pubblico.

Non c’è alcuna retorica futuristica in tutto questo, è una questione di maturità degli strumenti.

Finché l’AI resta una chat da sorvegliare, non entrerà mai davvero nei processi produttivi. Finita la fase umarell adesso deve diventare un sistema che produce output affidabili, ripetibili e vendibili, allora sì che sarà uno strumento.

Alla fine di gennaio 26 partirà la startup e una parte significativa dei prodotti sarà già utilizzabile. Non una promessa, ma strumenti concreti, pensati per chi lavora davvero e non ha tempo di fare l’umarell davanti allo schermo.

2 Gennaio 2026
Albo esperti innovazione tecnologica – Brazil 2026?

L’Albo degli Innovatori Certificati del Ministero del Made in Italy è un trionfo monumentale della burocrazia italiana e quanto di meno innovativo esista: un perfetto simulacro di un formulario cartaceo degli anni ’90.

Per iscriversi a questo albo, che dovrebbe certificare i paladini della modernizzazione industriale, bisogna affrontare un modulo Microsoft Forms che è un capolavoro di tecnologia all’avanguardia. [Modulo Iscrizione] Niente SPID, niente autenticazioni digitali: solo un interminabile rosario di caselline da spuntare, dove ci si assume la responsabilità della veridicità dei dati che dobbiamo diligentemente digitare.

Ma è nei dettagli che la fulgida innovazione ministeriale rivela tutta la sua grandezza. Le province? Niente menu a tendina per i pigri: vanno scritte a mano, rigorosamente con due caratteri. Sì, devi digitare manualmente “PA”, “BO”, “MI” come se gli impiegati dei catasti di provincia degli anni 90, perché evidentemente l’idea di una semplice lista predefinita sarebbe troppo disruptive per un albo dedicato all’innovazione.

Le date, poi, sono un vero inno alla praticità: non sognarti di digitare semplicemente “30/11/1973”. Devi aprire un pannello e scorrere anno per anno, mese per mese, giorno per giorno, come se stessi sfogliando un innovativo calendario da tavolo degli anni 80: un’esperienza così innovativa che solo chi ha padroneggiato le meccaniche di un cubo di Rubik potrebbe eseguirla senza maledire la propria esistenza.

Ma il tocco di assoluta genialità è rappresentato dalla richiesta di indicare, senza possibilità di appello, la data in cui prevedi di andare in pensione.

Sono rimasto senza parole, poiché non ho mai veramente capito che il vero esperto innovatore deve avere la capacità di predire con esattezza matematica il momento in cui appenderà la penna al chiodo. Non importa se hai trent’anni (più o meno l’età dell’innovatore medio) e non sai dove sarai domani: per potere certificare la tua capacità di innovazione e iscriverti nell’apposito Albo, per il MIM.IT è essenziale sapere che conosci la data del tuo pensionamento.

Pensavi che fosse finita? No… Il meglio viene alla fine di questo colossale test di resistenza, il sistema ti informa che puoi stampare una copia della domanda (a giudicare da tutto il processo mi chiedo se fanno proprio così al ministero. Cioè stampano la domanda e la mettono in una apposita cartellina cartonata che finisce fisicamente impilata alle altre sulla scrivania di un solerte funzionario per l’approvazione? Aspetta come si chiamava il film geniale di Gilliam? Ah si! “Brazil“…). Dopo aver sudato sette camicie per inserire manualmente ogni singolo dato con i vincoli di un codice medievale, l’ultimo atto rituale è tornare alla carta. Perché, si sa, nessuna domanda è veramente valida finché non ha preso la forma di un foglio pronto per essere infilato in una cartellina e che poi verrà diligentemente timbrato.

E tutto questo per cosa? Per soddisfare un requisito imprescindibile: possedere una laurea. Una laurea tecnica dici? No, va bene qualsiasi laurea, il formulario prevede: farmacia, restauro (anche di beni culturali), gestione dei flussi turistici: tutto perfettamente valido.

I sistemi ministeriali si concludono infine con un cerchio talmente perfetto da essere quasi commovente: per accedere ai finanziamenti pubblici della transizione digitale, come previsto dal solenne Decreto Direttoriale n. 3125 del 12 novembre 2025, dovete essere rappresentati da un manager iscritto a questo albo. Un albo che esclude i più grandi innovatori della storia, ad esempio non potrai mai trovare persone come un certo Steve Jobs, che a quanto pare ha fatto innovare un paio di cosette, o Bill Gates, che forse avrà combinato qualcosa con i computer. Tecnicamente nemmeno Luigi Di Maio, che ha avuto l’ardire di gestire questo ministero per oltre un anno senza il necessario tesserino universitario.

Però se hai una laurea in restauro di beni culturali o gestione dei flussi turistici… cambia tutto, puoi accedere ai finanziamenti per l’innovazione.

L’Albo degli Innovatori Certificati del MIM.IT dimostra, ancora una volta, che nel nostro Paese la competenza in materia di innovazione si riduce al possesso di un titolo di laurea e alla capacità di compilare un modulo, che verrà successivamente stampato e timbrato.

Un sistema così elegantemente contraddittorio che persino il suo stesso nome suona come una beffa.

30 Novembre 2025
Quando l’AI smette di indovinare e inizia a certificare
Conosci Perplexity (perplexity.ai)? Se la risposta è no, allora dovresti.

Perplexity è brillante!

Se lo usi per lavoro, la scena è questa: fai una domanda, in pochi secondi arriva una risposta fluida, ben scritta, piena di riferimenti. Ed é tutto perfetto…

Perplexity, rispetto ai soliti chatbot, ha una marcia in più: orchestra più LLM, sceglie (o prova a scegliere) il modello più adatto, collega fonti diverse.

È un ottimo laboratorio di idee. Ma è un laboratorio senza registro di laboratorio: non sai quali modelli ha usato, in che ordine, con quali criteri. E soprattutto non hai un modo semplice per rifare lo stesso percorso tra un mese, o farlo rifare a un collega, ed ottenere un risultato costante e ripetibile.

Allo scoccare del quarto anno di GenAi, la domanda oggi è: “quanto costa il fatto di non poter certificare il processo che ha portato a quella risposta?”.

Perplessità e canonicità: due facce della stessa storia

La scienza vive da sempre su una tensione fra due poli.

Da una parte c’è la perplessità: il dubbio, le ipotesi, la curiosità che apre piste nuove. È la fase in cui Perplexity è fortissimo: ti mostra fonti diverse, prospettive in conflitto, ti fa vedere che “forse qui qualcosa non torna”.

Dall’altra c’è la canonicità: quello che diventa metodo, protocollo, standard. Non è la verità assoluta, ma un “con questo protocollo, su questi dati, arriviamo a questa conclusione, con questo grado di confidenza. Sempre”.

In questo schema, Perplexity è il motore della domanda. Manca però il motore del metodo.

Se sei un professionista non puoi chiedere ad un unico modello di “fare tutto”, ma hai la necessità di costruire una piccola squadra di modelli, ognuno con un ruolo preciso, legati da un flusso che puoi spiegare e rifare.

Non sono il solo a sostenerlo, qualche tempo fa Andrej Karpathy ha scritto che il futuro non è il prompt engineering, ma la context engineering: riempire la finestra di contesto con le informazioni giuste, nello step giusto, per il modello giusto.

Karpathy, la “context engineering” e il terzo pilastro

Le applicazioni serie di LLM, dice, non sono “un’interfaccia carina sopra un modello”, ma software veri, con flussi di controllo, chiamate orchestrate, memoria, strumenti, verifiche.

È esattamente quello che ho chiamato pipeline prompting nel mio manifesto:
– prima la scomposizione in step;
– poi la specializzazione dei modelli per compito;
– infine il filo di continuità, cioè come il contesto passa da uno step all’altro.

Canonity: dai prompt ai protocolli

Quale nome dare all’editor dove prende forma il pipeline prompting?.

Canonity.

Non è il posto dove “parli con l’AI”: è il posto dove decidi come le AI devono lavorare fra loro su un problema reale.

Canonity nasce esattamente qui: non come “un altro chatbot”, ma come editor visivo di step-prompt.

Invece di un mega-prompt che speri venga interpretato bene, costruisci un workflow:
- uno step scompone la domanda in sotto-problemi;
- un altro cerca, ma restituisce solo metadati strutturati (DOI, anno, tipo di studio…);
- un terzo valuta la qualità degli studi e segnala bias;
- un quarto sintetizza, usando solo le fonti che superano una certa soglia;
- alla fine ci sei tu, che controlli, correggi, approvi.
Ogni passaggio è esplicito, ogni modello fa il pezzo di lavoro per cui è più adatto, il flusso ha un ID, una versione, una storia.

Non stai più “giocando al prompt perfetto”: stai scrivendo un protocollo che altri possono usare, criticare, migliorare e4 che da risultati ripetibili ad ogni esecuzione.

Perché “Canonity” richiama “Perplexity”, ma fa un mestiere diverso

Il gioco di nomi è ovvio.

Perplexity richiama la perplessità, il dubbio fertile, l’esplorazione. È perfetto quando vuoi generare idee, esplorare lo spazio di possibilità, farti sorprendere.

Canonity richiama il canone: ciò che diventa riferimento, metodo, standard. Entra in gioco quando devi dire: “Questo è il modo in cui abbiamo affrontato il problema; questi sono gli step, i modelli, le fonti escluse e perché”.

Se fai ricerca, se lavori in sanità, in ambito legale, in policy pubblica, non ti basta “me l’ha detto l’AI”. Hai bisogno di una catena di custodia dell’informazione. È questo il passaggio: dall’AI-oracolo all’AI-strumento scientifico.

Adottare uno strumento come Canonity significa cambiare ruolo: da utente di AI a orchestratore di AI, da prompter a tenmpo perso a professionista: non vendi più “prompt” o “ore di chat”, ma processi: come definisci il problema, come scomponi il lavoro, quali modelli usi, quali controlli applichi.

E adesso?

Canonity è in sviluppo attivo e lo stiamo testando con chi ha questo problema molto concreto: non gli basta più una risposta brillante, vuole un metodo che possa difendere davanti a un revisore, un cliente, un comitato etico.

Se sei uno dei 22 milioni di utilizzatori (o meglio uno degli 8 milioni di utilizzatori a pagamento) di Perplexity e senti che ti manca il “registro di laboratorio”, tieni d’occhio quello che succede intorno a Canonity e al pipeline prompting.

Perché la partita, ormai, non è più “chi ha il modello più intelligente”, ma chi ha il processo più trasparente e ripetibile.
14 Novembre 2025
Perché con l’IA in Medicina stiamo sbagliando bersaglio

Una recente ricerca di Anthropic ha rivelato un fatto che dovrebbe far riflettere chiunque si occupi di intelligenza artificiale: bastano 250 documenti “avvelenati” – una frazione infinitesimale, lo 0,00016% di un dataset – per sabotare il comportamento di un grande modello linguistico.

Questo fenomeno, il cui nome è data poisoning, dimostra una verità matematica spietata: la qualità di un’IA è intrinsecamente legata all’integrità dei dati su cui si allena. Basta una quantità minuscola di dati sbagliati per corrompere il tutto.

Ora, facciamo un salto dalla sicurezza informatica alla salute pubblica.

Se l’introduzione di una manciata di dati tossici può essere così devastante, immaginate l’effetto catastrofico dell’assenza totale di una massa enorme di dati veri e puliti.

È esattamente quello che sta succedendo oggi all’IA in medicina.

Il “Data Poisoning” Invisibile della Sanità

Mentre Anthropic testava quanto sia facile avvelenare un dataset, il nostro sistema sanitario sta inconsapevolmente commettendo un errore opposto ma altrettanto pericoloso: sta morendo di fame.

Gli algoritmi che promettono di rivoluzionare la diagnostica sono addestrati quasi esclusivamente sui dati digitali dei grandi ospedali. Ma questo rappresenta solo una parte della storia clinica.

Dov’è il restante 20-30%?
È quel paziente dimesso dall’ospedale con una diagnosi incompleta che trova la soluzione in un ambulatorio territoriale. È quella diagnosi corretta, arrivata dopo settimane di esami mirati, che svanisce nel mare della carta di uno studio non digitalizzato.

Questo non è un semplice buco, è un’avvelenamento per assenza.
Stiamo costruendo un’IA “zoppa”, addestrata su una realtà clinica mutilata. Se bastano 250 documenti corrotti per deviare un modello, l’assenza di milioni di diagnosi corrette dal territorio rende l’IA medica intrinsecamente inaffidabile e pericolosamente parziale.

La soluzione è curare la fonte o il sintomo?

Il problema non è la tecnologia IA ma la catena di approvvigionamento dei dati.

Le piccole strutture sanitarie – il cuore pulsante della cura sul territorio – non sono digitalizzate a causa di costi proibitivi, complessità normative e mancanza di tempo.

La startup Medigenium ha creato MeRis per risolvere questo problema alla radice.

Quanto costa l’antidoto al “data poisoning” strutturale dell’IA medica? ZERO.
Anzi regala tra 10 e 20 mila auro agli ambulatori che la scelgono.

MeRis è un dispositivo che, fornito in comodato d’uso gratuito, si collega agli strumenti medici esistenti e genera dataset completi e puliti, l’antidoto al “data poisoning” strutturale dell’IA medica.

Non stiamo lottando contro un’IA che sbaglia. Stiamo lottando per dare all’IA tutti i dati di cui ha bisogno per non sbagliare.

La lezione di Anthropic è chiara: l’integrità del dato è tutto. La nostra missione è garantire che l’IA in medicina sia nutrita con il 100% della verità clinica, non solo con la parte comodamente digitale.

Perché ogni paziente curato in un ambulatorio periferico ha il diritto di contribuire al progresso della medicina, e di beneficiarne.

13 Ottobre 2025
Verso l’approccio AGNOSTICO
Negli ultimi giorni Microsoft ha annunciato che non si affiderà più a un unico modello di intelligenza artificiale (OpenAI), ma integrerà anche Anthropic, aprendo la strada a un futuro multi-modello.
Nell’articolo, questa scelta viene descritta esplicitamente come un approccio “agnostico”: non vincolarsi a un solo modello, ma sfruttare di volta in volta quello più adatto.

https://thereview.strangevc.com/p/microsofts-model-switch-why-ai-middleware

Tra le motivazioni principali spiccano due aspetti:
- Flessibilità: la possibilità di usare il modello giusto per il compito giusto.
- Evoluzione naturale: entro 12 mesi ogni prodotto enterprise AI supporterà almeno due modelli.
Quando ho letto queste parole, ho sorriso.

Perché questa stessa intuizione io l’avevo già colta alla fine del 2024. Dopo tanti rimandi, a marzo, sfruttando l’occasione di una demo, ho deciso di mettere mano a una prima bozza del progetto.

Il 26 giugno ho completato l’MVP, che ancora oggi recita:

“u-prompt: Ciao. Questo MVP serve a dimostrare che u-prompt è un sistema chatbot-agentico alimentato dall’intelligenza artificiale –>e agnostico<–, nel senso che durante la tua chiacchierata puoi decidere di –>utilizzare agenti differenti<– per rispondere a singole domande ad esempio per sfruttarne –>le caratteristiche speciali<–.”

Nei giorni successivi, confrontandomi con alcuni amici, abbiamo deciso di portare avanti il progetto e fissato la data del go-live: 15 settembre. Una scelta fatta mesi prima che Microsoft rendesse pubblica la sua svolta.

Domani, 18 settembre, la startup viene presentata a Palermo ai cantieri culturali alla Zisa nell’ambito di un evento sull’AI.

La differenza?

Mentre Microsoft annuncia oggi di voler lavorare con due modelli, in u-prompt abbiamo già messo insieme, per la prima volta, cinque modelli diversi in un unico prompt.

Questo percorso – dall’MVP al progetto online – dimostra che non viviamo di parole, ma di fatti. E soprattutto dimostra, prepotentemente, una capacità di anticipare il futuro e affrontare le sfide senza paura.

Interessati? -> hey[at]u-prompt.com

Early adopters? -> u-prompt.com
17 Settembre 2025
Le Innovazioni dell’AI: GPT-5, Grok4 e il salto quantico di Claude
E’ agosto e mentre noi ci prendiamo le ferie il mondo dell’intelligenza artificiale sta vivendo un momento di accelerazione straordinaria.

Qui vi parlo del lancio delle innovazioni da parte dei principali attori del settore: OpenAI, xAI e Anthropic, l’ultimo dei quali fa il vero salto quantico. Vedremo anche le risposte di Google e DeepSeek. Ogni azienda ha scelto una strategia diversa, ma tutte spinte dalla concorrenza a dare di più.

OpenAI e GPT-5: Quando la Trasparenza Diventa Spettacolo

OpenAI ha rilasciato GPT-5 il 7 agosto 2025, rendendolo accessibile fin da subito come opzione predefinita per tutti gli utenti, anche quelli che usufruiscono del servizio gratuitamente.

GPT-5 integra un sistema che decide in autonomia se fornire una risposta rapida o se “prendersi del tempo per pensare”, scegliendo l’approccio migliore per ogni richiesta senza che l’utente debba modificare alcuna impostazione.

Questa funzionalità trasforma quello che era un processo noioso in una vera e propria esperienza visiva.

Il ‘giochino di animazione’ di GPT-5 mostra all’utente esattamente come arriva alle sue conclusioni, rappresentando un perfetto esempio di gamification applicata all’AI: l’intrattenimento visivo compensa i tempi più lunghi necessari per il ragionamento.

Caratteristiche chiave di GPT-5:
- Ragionamento trasparente: mostra il processo di pensiero in tempo reale;
- Riduzione delle allucinazioni: circa dell’80% inferiore di errori fattuali rispetto a o3;
- Accessibilità totale: disponibile gratuitamente per tutti gli utenti.
Grok4: La Sfida di Elon Musk

xAI ha lanciato Grok 4 il 10 luglio 2025, e Musk lo ha presentato nel suo inconfondibile stile di affermazioni audaci: “l’intelligenza artificiale più intelligente al mondo”.

Le principali innovazioni di Grok4:

Sistema Multi-Agente con Grok 4 Heavy

E’ un approccio collaborativo e rappresenta una novità assoluta nel settore, perché permette a diversi “cervelli artificiali” di lavorare insieme su problemi complessi. In Italia, SuperGrok Heavy costa 349€ al mese, il prezzo più elevato tra le soluzioni IA consumer ad oggi.

Prestazioni da Record

Ovviamente i risultati sui benchmark sono impressionanti:
- Humanity’s Last Exam: outperforming Google’s Gemini 2.5 Pro and OpenAI’s o3 (high)
- ARC-AGI-2: il risultato di 16.2% è quasi il doppio del migliore modello commerciale di AI
Produzione di Immagini

Anche Grok 4, come SORA o VEO è in grado di produrre immagini e video, questi ultimi però solo attraverso abbonamenti premium.

Anthropic e Claude: Il Vero Salto Quantico

Ma il vero “salto quantico” lo fa Anthropic. Claude che ora ha la capacità di ritrovare e referenziare le chat precedenti risolve quello che era il limite più frustrante di tutti i chatbot AI: la perdita di memoria conversazionale.

Fine del Limite Fisico!

Tradizionalmente, ogni conversazione con un AI ha un limite massimo di token (parole) che può processare e che, una volta raggiunto, richiede di ricominciare da capo perché il modello “dimentica” l’inizio della conversazione.

Beh, adesso Claude non ha più questo problema perché può accedere a tutta la storia delle conversazioni passate:
- Ricordare progetti sviluppati in conversazioni precedenti
- Mantenere il contesto di discussioni complesse sviluppate in sessioni multiple
- Continuare analisi iniziate settimane o mesi prima
- Costruire una vera “memoria di lavoro” a lungo termine
Questa funzionalità trasforma Claude in un vero assistente personale, in grado di mantenere il filo del discorso e l’evoluzione del pensiero dell’utente nel tempo.

A) Quando aprite Claude vi viene chiesto se lo volete autorizzare a leggere le vecchie/altre conversazioni.

B) Questo è il mio segreto per evitare le “allucinazioni” del modello (come per GPT-5 rispetto GPT-o3 😎).

Google/Gemini

Google è rimasta a guardare? Le risposte significative presentate al Google I/O 2025 e implementate durante l’estate si concentrano su tre pilastri: sistemi multi-agente, capacità agentiche e integrazione profonda nell’ecosistema Google.

Gemini 2.5 Deep Think: Il Sistema Multi-Agente

Il 1° agosto 2025, Google ha rilasciato Gemini 2.5 Deep Think, il suo primo sistema multi-agente che, come xAi-Grok4-Heavy genera multipli agenti AI per affrontare una domanda in parallelo, un processo che utilizza significativamente più risorse computazionali di un singolo agente, ma tende a produrre risposte migliori.

La caratteristica più interessante di Deep Think è che è capace di produrre “risposte molto più lunghe” rispetto agli altri prodotti di AI in commercio.

Infine una nota importante per chi fa commercio elettronico, viene introdotto lo Shopping agentico: funzionalità di checkout automatico che effettua acquisti quando il prezzo è giusto

E DeepSeek?

Nel 2025 è emerso un protagonista inaspettato che ha scosso le fondamenta dell’industria AI: DeepSeek, un laboratorio di ricerca cinese che ha dimostrato come l’innovazione possa nascere da limitazioni apparenti.

Il modello è 100% gratuito in chat e poco costoso via API, si distingue per diverse caratteristiche innovative. Al momento in cui scrivo questo articolo non ci sono speciali annunci o rilasci in risposta alle mosse dei “concorrenti”.
12 Agosto 2025