Tag: AI

  • Ho ricominciato a programmare, dopo anni, e non me lo aspettavo

    Ho ricominciato a programmare, dopo anni, e non me lo aspettavo

    Da qualche anno avevo smesso di scrivere codice. Non per stanchezza: perché il mio ruolo in Softing Consulting era diventato un altro. Coordinavo, decidevo priorità, parlavo con i clienti, lasciavo la produzione ai collaboratori. È il percorso naturale di chi fonda una software house e la fa crescere: a un certo punto il valore che porti non è più nelle righe di codice che scrivi, ma nelle decisioni che prendi su cosa costruire e perché.

    Questo mese è cambiato qualcosa, e voglio raccontarlo con ordine, perché il percorso è stato preciso e credo utile a chiunque, in azienda, si stia chiedendo se e come usare seriamente l'intelligenza artificiale nel proprio lavoro quotidiano — non come slogan, ma come strumento.

    Il punto di partenza: una chat che non bastava più

    Ho iniziato come tutti: usando Claude in chat, per scrivere email, ragionare su decisioni, sintetizzare documenti. Utile, ma limitato. Ogni conversazione partiva da zero. Non c'era memoria tra una sessione e l'altra, non c'era un posto dove tutto quello che costruivo insieme all'AI restasse organizzato, consultabile, vivo.

    Il primo salto è stato passare a un ambiente di co-working con l'AI: non più solo chat, ma una modalità in cui l'assistente poteva leggere e scrivere file, muoversi in una struttura di cartelle, mantenere uno stato. È lì che è nata l'idea di Sofia: un sistema centralizzato che raccoglie regole, cartelle operative, template e memoria dell'azienda, pensato per essere lo stesso per tutto il team — cinque persone, un solo impianto di lavoro condiviso, non cinque approcci diversi.

    Costruire Sofia mi ha portato dentro un problema molto concreto, quello vero delle PMI che seguo io stesso come advisor: l'informazione in azienda esiste, ma è sparsa, duplicata, difficile da raggiungere. Ho applicato a me stesso la stessa disciplina che raccomando ai miei clienti — una regola su tutte, quella dei "tre clic": qualsiasi documento deve essere raggiungibile in tre passaggi, altrimenti non è un problema di ricerca, è un problema di organizzazione che va corretto. L'ho scritta nero su bianco, l'ho applicata a me stesso prima che a chiunque altro.

    Il salto vero: da Claude Code a VS Code

    Poi è arrivato il passaggio che ha cambiato tutto: Claude Code. Non più un assistente che suggerisce codice da incollare altrove, ma un agente che opera direttamente nel terminale, dentro il progetto, con accesso reale ai file, alla shell, a git. La differenza è enorme e sottile allo stesso tempo: non stai più chiedendo "scrivimi questa funzione", stai dicendo "fai questa cosa nel mio progetto" e la cosa succede, sotto i tuoi occhi, con la possibilità di verificare, correggere, chiedere di nuovo.

    Da lì il passo a VS Code è stato naturale: avere l'agente dentro l'editor che uso, con la vista sui file, sulla struttura del progetto, sulla cronologia git, ha chiuso il cerchio. Non è più "l'AI mi aiuta a scrivere codice": è tornare a programmare, con uno strumento che scrive alla velocità con cui io penso il problema, non alla velocità con cui riesco a digitare la sintassi.

    È qui che è successa la cosa che non mi aspettavo: ho ritrovato l'entusiasmo di quarant'anni fa. Vedere un'applicazione crescere sotto comando — a voce, quasi — mi ha restituito qualcosa che avevo archiviato come "cosa che facevano i miei programmatori". Non è nostalgia. È che lo strumento oggi è abbastanza potente da restituirmi accesso diretto a un lavoro che avevo delegato per necessità, non per scelta.

    BMAD: separare il governo dell'azienda dallo sviluppo dei progetti

    Con l'uso quotidiano è emersa una distinzione che prima non avevo bisogno di fare in modo esplicito: Sofia governa l'azienda — regole, cartelle, memoria, decisioni — ma non è il posto giusto per lo sviluppo del software dei progetti Softing e dei clienti. Mescolare le due cose avrebbe reso Sofia più pesante e i progetti più confusi.

    La risposta è stata adottare BMAD-Method, un framework di progettazione agile pensato apposta per lo sviluppo guidato dall'AI: brainstorming strutturato, PRD, story di sviluppo, il tutto organizzato per progetto, ciascuno nella propria cartella sorella di Sofia, ciascuno con la propria installazione. Ogni progetto Softing e cliente — quelli in corso in questo periodo, seguiti in parallelo — ha ora un ambiente di sviluppo agile reale, non improvvisato, con fasi definite e uno stato verificabile in ogni momento.

    Il rituale che ho costruito sopra è semplice: un comando fa il punto su tutti i progetti gestiti con BMAD — fase, cosa manca, blocchi aperti — un altro apre l'ambiente di sviluppo di un progetto specifico, con le skill BMAD caricate e pronte. Non è tecnologia per il gusto della tecnologia: è la stessa logica che uso per aiutare i miei clienti a governare la propria azienda, applicata al mio governo interno.

    Perché questo conta per chi legge, non solo per me

    Non racconto questo percorso per parlare di me. Lo racconto perché è la dimostrazione pratica di qualcosa che dico spesso agli imprenditori che seguo: l'intelligenza artificiale non è uno strumento in più da aggiungere sopra il caos esistente. È un'occasione per rimettere ordine — nei dati, nei processi, nelle informazioni — e solo dopo, con quell'ordine, diventa uno strumento che moltiplica quello che sai già fare.

    Io non ho ripreso a programmare perché l'AI scrive codice al posto mio. Ho ripreso a programmare perché l'AI mi ha restituito la velocità di esecuzione che avevo perso, lasciandomi le decisioni — cosa costruire, come organizzarlo, quali regole dargli — che sono sempre rimaste mie. È la stessa cosa che deve succedere nella tua azienda: l'AI non sostituisce il governo dell'impresa, lo rende più veloce da esercitare, se prima hai messo ordine in come lavori.

    Agosto comincia con un sistema più solido di quanto lo fosse a inizio luglio, e con me che, dopo anni, torno volentieri davanti a un editor a vedere qualcosa crescere sotto comando. Non è un dettaglio tecnico. È un segnale di dove sta andando il lavoro, per chiunque lo guardi con attenzione.

  • Da assistente personale a sistema operativo aziendale: cosa ho imparato costruendo Sofia

    Da assistente personale a sistema operativo aziendale: cosa ho imparato costruendo Sofia

    Il 6 giugno 2026 ho fatto il primo commit di un repository che ho chiamato Sofia. Non era un progetto, era una cartella di lavoro: una struttura di directory più un file di istruzioni che dice a Claude Code come comportarsi quando lavora con me. Dove salvare i documenti, che template usare per un'offerta commerciale, come classificare un dato riservato, quando fermarsi e chiedere conferma prima di scrivere qualcosa fuori dal repository.

    L'ho costruita per me, come strumento personale. Ma fin dall'inizio ho scritto una cosa che oggi guida ogni scelta che faccio su Sofia: lo scopo dichiarato è che smetta di essere mia.

    Il problema che non si vede finché lavori da solo

    Quando un sistema di lavoro con l'AI serve solo a te, molte cose restano implicite. Sai dove va salvato un documento perché lo sai e basta. Sai che tono usare con un cliente perché ce l'hai in testa. Sai quale decisione hai preso tre mesi fa perché te la ricordi, o pensi di ricordartela.

    Questo funziona finché sei l'unico utente. Il giorno in cui qualcun altro del team deve lavorare dentro lo stesso sistema — o anche solo il giorno in cui tu stesso, a distanza di mesi, non ricordi più perché avevi deciso una certa cosa — l'implicito smette di reggere.

    È lì che ho iniziato a vedere la differenza tra "usare l'AI" e "avere un'infrastruttura AI". Non è una questione di potenza del modello. È una questione di struttura esterna: cartelle esplicite invece di convenzioni tacite, regole scritte in un file invece che nella testa di una persona, memoria su file invece che dentro una chat privata che nessun altro può leggere.

    Cosa ho dovuto rendere esplicito

    Costruendo Sofia ho dovuto tradurre in regole scritte cose che prima gestivo a intuito. Alcune di queste, con il senno di poi, sono principi che vanno oltre il mio caso specifico:

    Le decisioni si scrivono, non si ricordano. Ogni scelta che conta — accettare un progetto, cambiare un prezzo, scegliere un fornitore — finisce in un log con la motivazione e le alternative scartate. E una decisione, una volta presa, non si modifica: se cambio idea, scrivo un nuovo file che dichiara esplicitamente quale decisione supera e perché. Il vecchio file resta intatto.

    La duplicazione è il nemico. Se la stessa informazione esiste in due posti, uno dei due è sbagliato. Ogni volta che trovo la stessa cosa scritta o gestita in due posti diversi, so che prima o poi uno dei due andrà fuori sincrono con la realtà, e non saprò quale.

    Un assistente ha bisogno di struttura esterna quanto di intelligenza. Il modello può essere bravissimo, ma se non sa dove guardare e cosa aspettarsi, ogni sessione riparte da zero. Cartelle, template, regole di nomenclatura non sono burocrazia: sono ciò che rende il lavoro dell'AI ripetibile e verificabile anche da chi non ha seguito la conversazione.

    Perché questo riguarda te, non solo me

    Se lavori con un'AI nella tua azienda — o stai pensando di iniziare — il punto non è quale modello scegli. È se stai costruendo qualcosa che regge quando smetti di essere l'unico a usarlo. Molte PMI che seguo stanno vivendo esattamente questo passaggio: da "il titolare che smanetta con ChatGPT" a "uno strumento che il team può usare senza dover chiedere continuamente al titolare come funziona".

    La differenza tra le due cose non è tecnologica. È architetturale: quanto delle regole che seguite oggi vivono solo nella vostra testa, e quanto invece è scritto da qualche parte in modo che chiunque nel team possa leggerlo e applicarlo allo stesso modo.

    Sofia, per me, è il laboratorio dove sto imparando a fare questa traduzione — da regola implicita a regola scritta — prima di doverla fare su scala aziendale, con più persone e meno margine di errore.

  • Softing AI: Business Intelligence per Micro PMI

    Softing AI: Business Intelligence per Micro PMI

    🚀 È nato il mio primo podcast… con l’AI! 🎙️🤖
    Quando la domenica è lunga, nasce lo spazio per nuove sperimentazioni. Ed ecco il risultato: un podcast creato con il supporto dell’intelligenza artificiale, ma con il mio tono di voce e la mia visione.
    🔍 Di cosa si parla nel primo episodio? Ovviamente di Business Intelligence, il mio campo d’azione quotidiano. Ma l’obiettivo è più ampio: voglio testare come l’AI possa accelerare la creazione di contenuti senza perdere autenticità e valore.
    💡 Come funziona? Ho selezionato testi e trascrizioni per addestrare l’AI, che ha elaborato e sintetizzato il contenuto secondo il mio stile. Ma non aspettatevi una voce robotica senza anima! A breve, interverrò anche con la mia voce, creando un mix tra intelligenza artificiale e contributo umano.
    🎧 È un esperimento, una sfida, un’opportunità. Possiamo davvero combinare la velocità dell’AI con la qualità e la profondità del pensiero umano?
    Ascoltalo e fammi sapere cosa ne pensi! 🔗👇

  • Ripensare l’IA: Una Rivoluzione nelle Attività di Intelligence

    Ripensare l’IA: Una Rivoluzione nelle Attività di Intelligence

    Era da un pò che pensavo che il ruolo dell’IA, divulgato con le modalità main stream che passano in questo periodo, era “stretto”, tra chatbot più o meno diligenti e immagini di cover che ormai hanno quasi uno stile definito. Le future funzionalità “superiori” vengono sempre lasciate all’immaginazione, a qualche post subliminale, a pochi articoli approfonditi da scovare nella massa.

    Una newsletter questa mattina mi ha portato un punto di vista diverso che mi ha intrigato e quindi merita di entrare nel mio blog per fissare la “data certa”, in modo da poterlo rileggere a distanza di tempo. Ve lo condivido.

    L’articolo è “Abbiamo pensato all’IA in modo sbagliato” su Unsupervised Learning di Daniel Miessler. Mi prendo la libertà di tradurlo e sintetizzarlo proprio con strumenti IA, così da poter valutare nel tempo le mie capacità attuali di utilizzo degli stessi.

    Miessler propone una visione rivoluzionaria su come dovremmo concepire l’intelligenza artificiale. Anziché pensarla come chatbot o generatori di immagini, Miessler suggerisce di vedere l’IA come un mezzo per eseguire “compiti di intelligence” che tradizionalmente richiedono l’intervento umano.

    Concordo con le affermazioni di Miessler, che riflettono il mio pensiero sull’argomento. Mi piace molto anche la sua affermazione: “Le aziende sono solo attività di intelligence organizzate in pipeline”. Questa frase cattura l’essenza di come le organizzazioni funzionano e di come l’IA potrebbe integrarsi in esse.

    Il Concetto di “Pipeline di Intelligence”

    Miessler introduce il concetto di “pipeline di intelligence”: sequenze di compiti che richiedono intelligenza per essere eseguiti. Per illustrare questo concetto, l’autore presenta una serie di esempi inventati, ciascuno con un livello crescente di complessità, che mettono in luce l’importanza dell’intelligenza umana in vari contesti lavorativi.

    Vediamo gli esempi (di fantasia):

    1. CutePup: Classificazione di Immagini di Cani (Complessità Bassa)

    In questo esempio, Chris lavora per CutePup, un’azienda che seleziona foto di cani carini per un sito web.

    Intervento umano indispensabile:

    • Riconoscimento visivo di cani in varie situazioni
    • Valutazione soggettiva della “carina” di un cane

    Attributi umani impiegati:

    • Attenzione ai dettagli
    • Giudizio estetico culturalmente influenzato

    2. ClaimRight: Valutazione di Richieste di Risarcimento (Complessità Media)

    Kira lavora per ClaimRight, un’azienda di assicurazioni che valuta richieste di risarcimento per prodotti usurati.

    Intervento umano indispensabile:

    • Analisi di prove visive multiple
    • Verifica dell’identità del richiedente
    • Distinzione tra usura normale e abuso del prodotto

    Attributi umani impiegati:

    • Capacità analitica
    • Giudizio basato sull’esperienza
    • Intuizione nel rilevare frodi

    3. Overseer: Analisi di Intelligence Militare (Complessità Alta)

    Kevin lavora per Overseer, un’azienda di intelligence militare che analizza immagini satellitari.

    Intervento umano indispensabile:

    • Analisi comparativa di migliaia di immagini
    • Valutazione strategica dei cambiamenti osservati
    • Sintesi di informazioni complesse per clienti governativi

    Attributi umani impiegati:

    • Conoscenza approfondita della geopolitica e storia militare
    • Pensiero strategico e previsionale
    • Abilità di sintesi e comunicazione di informazioni sensibili

    4. BadSpot: Valutazione di Nei Sospetti (Complessità Molto Alta)

    I medici di BadSpot valutano immagini di nei per identificare potenziali melanomi.

    Intervento umano indispensabile:

    • Analisi visiva esperta di caratteristiche dei nei
    • Valutazione del rischio basata su criteri complessi
    • Contestualizzazione con la storia del paziente e altri fattori

    Attributi umani impiegati:

    • Conoscenza medica specializzata
    • Esperienza clinica
    • Capacità di giudizio olistico
    • Empatia e considerazione del benessere del paziente

    Le Metriche KISAC

    Miessler introduce un set di metriche chiamato KISAC per valutare le prestazioni sia umane che dell’IA nei compiti di intelligence:

    1. Knowledge (Conoscenza)
    2. Intelligence (Intelligenza)
    3. Speed (Velocità)
    4. Accuracy (Accuratezza)
    5. Cost (Costo)

    Queste metriche forniscono un quadro utile per confrontare le prestazioni umane e dell’IA in vari compiti di intelligence.

    Il Ruolo dell’IA e il Confronto con l’Intelligenza Umana

    Miessler fa un’affermazione audace ma convincente: mentre “gli esseri umani batteranno l’IA in alcune cose per molto tempo a venire“, per la maggior parte delle “attività di intelligence”, l’IA farà da 10 a 1000 volte la quantità di lavoro che gli esseri umani possono fare, con una qualità altrettanto buona o migliore, per una frazione del costo.

    Questa affermazione è sorprendente e merita una riflessione più approfondita.

    In breve suggerisce che:

    1. L’IA supererà significativamente gli umani in termini di produttività in molti compiti.
    2. La qualità del lavoro dell’IA sarà paragonabile o superiore a quella umana in molti casi.
    3. Il costo dell’utilizzo dell’IA sarà drasticamente inferiore rispetto all’impiego di personale umano.

    Tuttavia, è cruciale notare che ci sono ancora aree in cui l’intelligenza umana rimarrà superiore, almeno nel prossimo futuro. Queste includono:

    • Compiti che richiedono empatia profonda e comprensione delle emozioni umane
    • Situazioni che necessitano di giudizi etici complessi
    • Problemi nuovi che richiedono pensiero creativo e innovativo
    • Scenari che richiedono una comprensione sottile del contesto culturale e sociale

    Riepilogo delle Attività Lavorative

    Miessler sottolinea che molte delle attività per cui le persone vengono assunte nelle aziende sono essenzialmente compiti di intelligence. Questi includono lavoro d’ufficio, “programmazione” (ehmm) , servizio clienti, lavoro medico, ricerca, gestione e lavoro creativo.

    Tutte queste attività richiedono un livello di intelligenza e discernimento che finora è stato dominio esclusivo degli esseri umani. Tuttavia, con l’avanzamento dell’IA, molte di queste attività potrebbero essere eseguite in modo più efficiente e su scala molto più ampia dai sistemi di intelligenza artificiale.

    Conclusione

    L’articolo di Miessler invita a ripensare radicalmente il ruolo dell’IA nel mondo del lavoro.

    Alcuni punti chiave da ricordare:

    1. L’IA dovrebbe essere concepita come un mezzo per eseguire compiti di intelligence, non solo come tecnologia per chatbot o generazione di immagini.
    2. Le aziende sono essenzialmente sequenze di compiti di intelligence organizzati in pipeline.
    3. Per la maggior parte delle attività di intelligence, l’IA potrebbe presto superare gli umani in termini di quantità di lavoro (10-1000 volte), qualità e costo.
    4. Gli esseri umani manterranno un vantaggio in compiti che richiedono empatia profonda, giudizio etico, pensiero creativo e comprensione culturale sottile.
    5. Le metriche KISAC offrono un framework utile per confrontare le prestazioni umane e dell’IA.
    6. Il futuro del lavoro sarà probabilmente caratterizzato da una sinergia tra intelligenza umana e IA, dove l’IA gestisce compiti su larga scala e ad alta velocità, mentre gli umani si concentrano su compiti che richiedono qualità unicamente umane.
    7. Le organizzazioni e gli individui che sapranno sfruttare al meglio questa sinergia saranno quelli che prospereranno nell’era dell’IA.

    Questa visione ci sfida a ripensare fondamentalmente il ruolo dell’intelligenza umana nel contesto lavorativo.

    Mentre l’IA potrebbe assumere molti dei compiti tradizionalmente svolti dagli esseri umani, emergono nuove opportunità per gli umani di concentrarsi su attività che richiedono le nostre qualità uniche.

    La chiave per il futuro sarà trovare il giusto equilibrio tra l’efficienza dell’IA e l’insostituibile tocco umano.

    Diamoci da fare!


    Questo articolo è stato tradotto e rielaborato oggi 13/08/2024 da Paolo Falcone utilizzando Claude Sonnet 3.5, Deepl 24.7, Copilot.