Quarta edizione, settembre 2026 · cartaceo, bianco e nero, 275 pagine
Capire i modelli per delegare il lavoro
Usi l'intelligenza artificiale ogni giorno, senza sapere che cosa succede fra l'invio e la risposta. Questo libro racconta quel tragitto, e poi lo porta sul tuo lavoro: quali attività passano al modello, quali restano tue, chi verifica. Pensato per chi ha già scritto centinaia di prompt: da zero nella comprensione, non nell'uso.
Prefazione di Paolo Savona. Il prezzo lo trovi su Amazon.
Che cosa saprai fare dopo
Sono prese dall'indice: ogni risultato ha il capitolo che lo mantiene.
Parametri, dati, calcolo, pesi aperti o chiusi, ragionamento: le poche grandezze che descrivono un modello, per leggere il prossimo annuncio senza aspettare che qualcuno lo spieghi. Ne esce uno al mese.
Capitolo 3 nell'indiceI tre modi in cui un modello sbaglia, invenzione, compiacenza ed errore di calcolo, hanno tre cause diverse e tre rimedi diversi. Dopo il capitolo 7 sai quale hai davanti e che cosa farne.
Capitolo 7 nell'indiceUn metodo per smontare un processo di lavoro in attività e dire, per ciascuna, se passa al modello, resta a te o va controllata. Con processi reali seguiti passo per passo.
Capitolo 9 nell'indicePer chi è
Il libro parte da chi l'IA la usa già, anche solo una chat, e vuole capire come funziona per delegarle il lavoro con criterio. Chi parte da zero trova nei primi due capitoli la storia e il meccanismo, e va avanti con gli altri.
Per capire cosa cambia nel lavoro e scegliere strumenti e progetti con criterio.
Per valutare opportunità, limiti e responsabilità dell'IA senza dipendere soltanto dai tecnici.
Per costruire una comprensione solida prima di spiegare l'IA agli altri.
Per partire da zero e arrivare ai temi che contano, senza programmazione o matematica avanzata.
L'indice
Per ogni capitolo trovi le sezioni, la pagina, come comincia e perché leggerlo. Il testo è quello del libro.
Parte I
Quattro capitoli, da pagina 25
La chat che usi tutti i giorni nasce da una storia lunga settant’anni. Siamo nel 1950, l’epoca in cui i primi calcolatori entrano nei laboratori. Alan Turing, matematico inglese, si domandò se quelle macchine fossero in grado di pensare. Cercando la risposta si rese conto che il concetto stesso di “pensare” era difficile, se non impossibile, da definire. Cambiò allora prospettiva e concluse che il modo migliore per stabilire se una macchina pensa fosse una prova: se una persona, conversando con un calcolatore, non riesce a capire che sta parlando con una macchina, allora quella macchina ha superato il test. Sei anni dopo, a Dartmouth, John McCarthy diede un nome a quella che stava diventando una disciplina: “intelligenza artificiale, la scienza e l’ingegneria di creare macchine intelligenti”. Molti studiosi si dedicarono a quell’obiettivo, e in poco tempo si consolidarono due approcci diversi. Il primo diceva: scriviamo noi le regole, una per una, e la macchina le applica, come fa un programma tradizionale. Il secondo diceva: diamo alla macchina molti esempi e lasciamo che le regole se le ricavi da sola, con algoritmi ispirati ai neuroni del cervello. La prima strada diede presto risultati tangibili e sembrò la migliore, e lo rimase fino alla fine degli anni Ottanta. Poi, con il crescere della potenza di calcolo, con l’arrivo dei cosiddetti big data e grazie ad algoritmi sempre più raffinati, la seconda strada, quella delle reti neurali artificiali, ebbe la meglio. Nel 2012 una rete neurale profonda (deep neural network) vinse una gara di riconoscimento di immagini con un distacco che nessuno si aspettava. Negli anni seguenti arrivarono i modelli di linguaggio (i large language model), e il 30 novembre 2022 ChatGPT li mise a disposizione del grande pubblico, con una velocità di diffusione da record: oltre cento milioni di persone nei primi due mesi. Il capitolo racconta questa storia e si chiude con una panoramica di quello che l’IA sa fare oggi, dalle proteine alle auto senza conducente. Una cosa da tenere a mente per tutto il libro è la differenza fra le due strade: un programma tradizionale segue istruzioni scritte da qualcuno e dà sempre la stessa risposta; una rete neurale impara dai dati e risponde con la cosa probabilmente più giusta.
Perché leggerlo: senza questa storia ogni annuncio sembra il primo, e non hai modo di pesarlo. È breve e si legge per intero in mezz’ora; per seguire il resto basta portarsi dietro la distinzione fra regole scritte a mano e regole ricavate dagli esempi, che torna in ogni capitolo.
Questo capitolo apre la macchina e racconta, un pezzo alla volta, come fa a imparare. La storia comincia dai sistemi esperti degli anni Sessanta e Settanta. Un esperto umano scriveva le regole, per esempio “se febbre e tosse, allora possibile influenza”, e un programma le applicava una dopo l’altra. Il metodo funzionava finché le regole erano poche; al primo caso che nessuno aveva previsto si rompeva. Il machine learning (l’apprendimento automatico) rovesciò il metodo: invece di scrivere le regole, si raccolgono molti esempi già risolti e si lascia che il programma trovi da solo le regolarità. Un albero decisionale, per esempio, impara da centinaia di pazienti quale domanda fare per prima per capire se un caso è urgente. Queste tecniche, insieme alle regressioni e alle foreste di alberi, decidono ancora oggi se concedere un prestito o come smistare la posta. Hanno però un limite: lavorano su caratteristiche dei dati che qualcuno ha già scelto per loro. Il deep learning fa il passo in più, perché la rete trova da sola che cosa guardare, ed è proprio quello che serve con le immagini, le frasi e i suoni. Per spiegare come, il capitolo parte dal neurone artificiale, il mattone di base delle reti: una somma pesata dei dati in ingresso, seguita da una piccola curva che si chiama funzione di attivazione. Mettendo insieme qualche neurone si ottiene una rete neurale, e con una rete di questo tipo il capitolo mostra come prevedere se uno studente supererà un esame a partire dai risultati di altri studenti prima di lui. Poi quella rete viene addestrata davvero: si parte con pesi scelti a caso, si misura l’errore e si correggono tutti i pesi insieme, un poco alla volta, per migliaia di giri, finché l’errore è il più piccolo possibile. Questo meccanismo, la discesa del gradiente con la backpropagation, è lo stesso che addestra i modelli da miliardi di parametri. Il capitolo si chiude con le quattro architetture che hanno reso possibile l’IA generativa: la diffusione, che impara a togliere il rumore da un’immagine; l’autoencoder, che comprime e ricostruisce; le GAN, due reti che si sfidano; e il Transformer, che con il meccanismo dell’attenzione legge tutte le parole di una frase insieme e decide quali contano per ciascuna.
Perché leggerlo: è la parte che rende possibile tutto il resto. Senza sapere che cosa sono i pesi e come si addestrano, non è possibile capire davvero perché le risposte dei modelli possono essere sbagliate. Serve leggerlo tutto? No. Per seguire il libro bastano le sezioni sui sistemi esperti e sul machine learning tradizionale, più la sottosezione sul Transformer, in coda alla seconda sezione sulle reti neurali; il resto delle due sezioni sulle reti neurali, con i conti della rete a tre neuroni, si può saltare al primo giro e riprendere quando vorrai vedere come si arriva a quei numeri. Chi salta deve però almeno portarsi dietro tre parole e il loro significato: pesi, addestramento, attenzione.
I modelli di linguaggio, i large language model o LLM, sono l’intelligenza artificiale con cui hai a che fare tutti i giorni, e questo capitolo racconta come nascono e chi li costruisce. Un LLM è una rete neurale addestrata a fare una cosa sola: leggere un pezzo di testo e indovinare la parola che viene dopo. Sembra un compito modesto, ma per farlo bene la rete deve assorbire la grammatica, i fatti e i ragionamenti che stanno dietro le parole, ed è così che impara a rispondere, riassumere e tradurre. Tre grandezze decidono quanto un modello è bravo a prevedere la parola successiva: quanti parametri ha, cioè quanti pesi aggiusta mentre impara; quanto testo ha visto; quanto calcolo è servito per addestrarlo. Nel 2020 ci si accorse che l’errore cala in modo regolare quando le tre grandezze crescono. Sono le cosiddette leggi di scala, e da quella scoperta è partita la corsa a costruire modelli sempre più grandi. Il costo di addestramento, però, sale in fretta, e il capitolo racconta le strade che si stanno percorrendo per contenerlo: modelli più piccoli ma addestrati molto più a lungo, oppure pesi scritti con pochi bit, cioè numeri con meno decimali. Presenta poi due tecniche che negli ultimi anni hanno migliorato i risultati a parità di dimensioni: far scrivere al modello un ragionamento prima della risposta, che è l’idea dei modelli di ragionamento, e organizzarlo dentro come una squadra di specialisti che si attivano solo quando servono, la Mixture of Experts. Il capitolo si chiude con chi costruisce questi modelli e come li rilascia: a pesi chiusi, che restano sui server di chi li ha prodotti, oppure a pesi aperti, scaricabili e modificabili; e con quello che ciascun laboratorio ha scelto di vendere.
Perché leggerlo: qui impari a capire le caratteristiche di un modello nuovo da solo, e ne esce uno al mese. La prima sezione, l’addestramento e le leggi di scala, aiuta a capire come mai leggiamo sui giornali tutti i giorni della corsa alla costruzione di data center sempre più grandi. La sezione sui laboratori si può attraversare in fretta e riprendere quando ti serve un nome.
Lo stesso modello, dentro due prodotti diversi, può dare risultati lontanissimi. La differenza la fa quello che gli sta intorno, e questo capitolo lo descrive dall’interno verso l’esterno. Un modello appena addestrato ha una conoscenza generale molto ampia, che viene dal materiale su cui è stato addestrato, ma non sa niente di te e del tuo lavoro. Per portarlo sul tuo materiale ci sono due strade. La prima è riaddestrarlo un poco, il fine-tuning: gli si mostrano esempi curati tratti dai tuoi documenti e il modello cambia il modo in cui si comporta, il tono, il formato, il vocabolario di un mestiere. La seconda è collegarlo ai tuoi documenti, la RAG: il modello resta com’è, ma quando arriva una domanda va a cercare nei tuoi file i pezzi che servono e li legge prima di rispondere. La regola per scegliere è semplice: si addestra per insegnare una forma, si dà un documento per aggiungere un fatto. Tutto quello che il modello legge prima di rispondere sta in uno spazio che si chiama finestra di contesto: le istruzioni, la conversazione fino a quel punto, gli allegati, i risultati delle ricerche. La finestra viene riletta per intero a ogni scambio ed è, in pratica, quanto il modello riesce a tenere a mente mentre lo usi. In tre anni la capienza è cresciuta enormemente: i primi modelli tenevano a mente un documento di poche pagine, quelli di oggi lavorano su testi di centinaia di pagine. Restano però dei limiti nella capacità di tenere l’attenzione su tutto quel materiale, e conviene conoscerli. Il capitolo si chiude con l’impianto completo, l’harness: il contesto, gli strumenti che il modello può usare, la memoria, il ciclo con cui rilegge quello che ha fatto e le istruzioni permanenti. Nessuna di queste cinque cose è il modello, e alcune non si comprano: le costruisci tu. È per questo che due persone con lo stesso abbonamento possono avere esperienze molto diverse.
Perché leggerlo: è il capitolo che presenta tutte le componenti della IA che usiamo tutti i giorni. Ed è proprio utilizzando al meglio queste componenti che è possibile trarre i migliori risultati dalla IA. I capitoli successivi entrano nel dettaglio: la finestra di contesto torna nel capitolo sull’uso della chat, l’harness in quello sugli agenti, la RAG in quello sulla scelta di una soluzione. Va letto per intero; è breve, e la sezione sulla finestra di contesto è la più utile del libro per chi usa una chat tutti i giorni.
Parte II
Tre capitoli, da pagina 95
Il modello non impara niente mentre gli parli: i suoi pesi sono stati fissati mesi prima e restano fermi per tutta la conversazione. Quello che separa una risposta generica da una calibrata su di te sta in ciò che gli metti davanti e nel modo in cui glielo chiedi. Il capitolo racconta le tre cose che dipendono da te, e alla terza dedica due sezioni. La prima è la richiesta. Dare al modello un ruolo, spiegargli il contesto, dirgli in che formato vuoi la risposta, che cosa deve fare e che cosa no, cambia il risultato più di un cambio di modello; e due o tre esempi di quello che intendi valgono più di una lunga spiegazione. La seconda è accorgersi quando una conversazione è diventata troppo lunga e il modello comincia a perdere lucidità: l’assistente chiede cose che gli avevi già detto, o contraddice una decisione presa poco prima. Succede perché i messaggi più vecchi sono usciti dalla finestra di contesto, e accanirsi rispiegando ogni volta l’errore non serve. Il rimedio è chiedergli un passaggio di consegne e ripartire in una chat nuova. La terza è la memoria. Un chatbot ricorda per cinque vie diverse: quello che ha imparato in addestramento, che è come il suo DNA; la conversazione che ha davanti; un profilo su di te che il prodotto gli passa all’inizio di ogni chat; i materiali di un progetto; e gli strumenti con cui va a cercare le informazioni che gli servono. Conoscere le caratteristiche e i limiti di questi cinque tipi di memoria cambia molto l’esperienza d’uso.
Perché leggerlo: sono le competenze che rendono da subito, su una chat qualunque, senza comprare niente, e sono il presupposto dei due capitoli che seguono. Leggilo per intero e con la chat aperta: ogni tecnica si prova in trenta secondi su una conversazione tua.
Un agente fa la cosa di cui un modello ti parla soltanto. Se chiedi a un modello un’email di ringraziamento, ottieni il testo; se la chiedi a un agente, ti apre la posta, compila il destinatario e la manda. Il capitolo spiega che cosa permette al modello di avere questa autonomia e come si tiene sotto controllo. Il meccanismo è più semplice di quanto il marketing lasci intendere: un agente è un modello che usa strumenti dentro un ciclo. Riceve un obiettivo, compie un’azione, legge il risultato, decide la mossa successiva, e si ferma quando l’obiettivo è raggiunto o quando finiscono i tentativi. Quattro cose distinguono un vero agente da una chat con qualche funzione in più: una memoria che dura oltre la singola conversazione, la capacità di pianificare una sequenza di passi, l’uso di strumenti esterni e un’autonomia controllata, cioè confini entro cui può agire da solo e punti in cui deve chiedere. C’è però un’avvertenza. Gli agenti rendono dove qualcuno può giudicare ogni passo, come i test nel codice; altrove gli errori si accumulano in silenzio, e un passo sbagliato diventa la premessa di quello dopo. Per questo il controllo si distribuisce su quattro livelli, dai dati a cui l’agente può accedere fino alla persona che approva. Il capitolo si chiude con due frontiere: gli agenti che lavorano per giorni, che hanno bisogno di una memoria del lavoro in corso che i prodotti di oggi ancora non danno, e i sistemi in cui più agenti si dividono il compito, perché l’attenzione di uno solo non basta.
Perché leggerlo: la delega a un agente è una delle cose che il libro promette di farti saper fare, e questo capitolo dice che cosa stai delegando quando la fai. Le sezioni sul ciclo, sui quattro pilastri, sulle sfide e sul controllo servono per seguire il capitolo sul ridisegno del lavoro. Le due sull’orizzonte, gli agenti che lavorano per giorni e i sistemi di più agenti, si possono rimandare senza perdere il filo; l’ultima, su chi li costruisce, si legge quando ti serve un nome.
Una risposta sbagliata arriva con lo stesso tono di una giusta, nella stessa forma ordinata, nello stesso mezzo secondo. Non c’è un’esitazione che la distingua: te ne accorgi dopo, quando qualcuno controlla un numero o apre una fonte che non esiste. Il capitolo racconta tre modi in cui un modello può sbagliare. Si somigliano nell’aspetto, ma richiedono controlli diversi. Il primo è l’invenzione: il modello afferma qualcosa che non esiste, una sentenza, un articolo di legge, una citazione. Succede perché il modello non consulta un archivio: prevede la continuazione più probabile del testo, e quando su un argomento ha visto poco produce qualcosa che ha l’aspetto di un fatto. Il rischio sale in quattro situazioni riconoscibili: i riferimenti, i fatti rari, i numeri che nessuno ha mai pubblicato e il dettaglio falso dentro una risposta per il resto giusta. Il secondo è la compiacenza: il modello ti dà ragione anche quando hai torto, perché ha imparato che la risposta compiacente è quella che preferisci. Nasce dall’addestramento, dove le persone premiano le risposte in linea con le loro aspettative, e continua nell’uso; per questo “sei sicuro?” è il controllo meno affidabile di tutti. Il terzo è l’errore di calcolo: i dati sono veri e l’operazione è sbagliata, per esempio somma le percentuali o fa la media delle medie, e un numero sbagliato ha la stessa faccia di uno giusto. Per ciascuno dei tre il capitolo dà un controllo che costa poco: verificare che la fonte esista prima di leggere che cosa dice, e chiedere se un numero è un dato o una stima; far difendere al modello la sua risposta prima di cambiarla; far scrivere il calcolo in una forma che si possa rieseguire. La regola generale è una sola: il tono con cui il modello risponde non dice niente sulla sua accuratezza.
Perché leggerlo: è il capitolo della seconda promessa, e il più utile da solo: vale per la chat, per l’agente e per qualunque sistema della parte aziendale. Va letto tutto, e le tre sezioni in ordine, perché il controllo istintivo contro il primo errore innesca il secondo. Se di questo libro leggi tre capitoli, questo è uno dei tre.
Parte III
Due capitoli, da pagina 127
Le competenze della parte precedente bastano a chi lavora da solo. Quando la scelta la fa un’organizzazione per tutti, le domande cambiano: con quali dati, con quale budget, con quali responsabilità. Il capitolo le ordina in tre, da prendere in sequenza, perché ognuna restringe quella dopo. La prima domanda è che cosa deve fare davvero il sistema. Gli usi sono di quattro tipi, produrre contenuti, rispondere su documenti che esistono già, automatizzare un processo, tenere una relazione nel tempo, e uno strumento buono per il primo può essere inadatto al terzo. La seconda domanda è quali dati servono e dove stanno. Un modello non conosce i dati della tua organizzazione, e usarli non vuol dire caricarli dentro il modello: si collegano, come hai visto con la RAG, e la scelta di dove i dati passano incide sull’architettura, sui costi e sui rischi. La terza domanda è dove far girare il modello. I livelli sono quattro: la chat personale, dove i tuoi dati vanno sui server del fornitore; la stessa chat comprata dall’organizzazione con un contratto; un’applicazione costruita sulle API; il modello installato in casa, quando i dati non possono uscire. A ogni gradino cresce quello che decidi e quello di cui rispondi. Il conto ha cinque voci, e il listino ne dice una sola. Il capitolo si chiude con quello che nessuna architettura risolve da sola: il mercato italiano, con molte licenze e poca governance; la responsabilità, che non si delega al modello; e il modo di misurare se un sistema funziona, con un banco di prova fatto di casi veri del proprio lavoro e un’autonomia che si allarga un gradino alla volta.
Perché leggerlo: dipende da dove lavori. Se lavori da solo ti servono la seconda e la terza domanda, i dati e i quattro livelli, perché decidono dove finisce quello che incolli in una chat, e il resto lo puoi attraversare. Se il tuo compito è scegliere per un’organizzazione, leggilo per intero: la sezione su come si misura se funziona separa i progetti che reggono da quelli che si spengono dopo il pilota. Il capitolo che segue lo presuppone in un punto solo: il perimetro dei dati decide lo strumento.
Un lavoro non si delega. Si delegano le attività che lo compongono, una alla volta, e ognuna ha un prezzo da pagare in controlli. Il capitolo serve a fare quel conto su un processo tuo. Il metodo comincia dallo smontare il processo in attività, ciascuna con un ingresso, un’uscita e un momento in cui è finita. Per ognuna si compilano sei righe: che cosa entra, che cosa esce, quanto dura, come si capisce che è venuta bene, che cosa succede se viene male e nessuno se ne accorge, chi risponde del risultato. Poi ogni attività si classifica con due domande, e la difficoltà non c’entra: quanto costa verificare il risultato, e che fine fa un errore che ha superato i controlli. Ne escono quattro casi, dalla delega piena all’attività che resta tua. Il capitolo dice poi che cosa misurare, a partire da quanto ci mettevi prima, che quasi nessuno sa; come si progetta la verifica, che è un’attività con un nome, una durata e una persona, e perché la buona volontà si consuma; quali dati non escono dal tuo perimetro; che cosa fare quando l’errore arriva, perché arriverà; con chi va concordato il cambiamento; e che cosa cambia quando deleghi a un agente una catena di passi invece di uno solo. Seguono quattro processi smontati per esteso: una nota su un fascicolo di duecento pagine, un’analisi di mercato con fonti esterne, l’adeguamento delle procedure interne a una norma nuova e il lavoro con cui è fatto questo libro. In tutti e quattro la delega si concentra sulle stesse attività, ricostruire, cercare, fare una prima versione, e non tocca mai capire che cosa vuole chi ha chiesto, decidere e rispondere di quello che esce.
Perché leggerlo: ti dà il metodo per usare la IA per efficientare delle attività, e ti spiega come e cosa delegare a un agente. Va letto tutto e in ordine; dei quattro casi puoi leggerne uno solo, quello che assomiglia di più al tuo lavoro, e tornare sugli altri dopo. Se hai poco tempo per tutto il libro, questo è il capitolo da leggere per intero.
Parte IV
Due capitoli, da pagina 163
Ci sono algoritmi che ti consigliano cosa guardare la sera e algoritmi che decidono chi assumere e chi merita un prestito. La differenza sta nel costo dell’errore. E ogni algoritmo porta dentro decisioni che qualcuno ha preso: quali dati usare, che cosa contare come esito giusto, dove mettere la soglia. Il capitolo racconta i principali rischi che ricadono su chi utilizza questi sistemi. Il primo è la discriminazione. Un algoritmo impara dai dati, e se nei dati ci sono le disuguaglianze del mondo le riproduce, come il sistema di selezione del personale che penalizzava i curriculum con la parola “donna”. Il secondo è la responsabilità. Quando decide una macchina, spesso nessuno risponde, e il primo verdetto che dice il contrario è quello contro Tesla in Florida. Il terzo è il controllo umano. Sembra la soluzione, ma è più difficile di quanto si creda: la macchina è più veloce di chi la sorveglia, chi ha controllato novantacinque risposte giuste non legge più la novantaseiesima, e quando qualcosa va storto la colpa cade sull’operatore. Il quarto è la trasparenza, cioè come si spiega una decisione presa da una rete, e il capitolo presenta tre famiglie di metodi. Il quinto è la privacy, dal riconoscimento facciale al filtro bolla che ti mostra solo quello che conferma le tue idee. Alla fine del capitolo avrai le domande da fare a ogni sistema che decide qualcosa su di te: come arriva alla decisione, se tratta te come chiunque altro, che cosa sa di te, chi risponde se sbaglia.
Perché leggerlo: i cinque rischi sono le ragioni per cui esistono le regole del capitolo dopo, e le domande con cui chiude sono quelle che ti serviranno quando qualcuno ti proporrà un sistema che decide su persone. Si legge per intero in un’ora; le sezioni sul controllo umano e sulla trasparenza sono quelle che il capitolo sul ridisegno del lavoro ha già usato senza dirlo.
Il primo obbligo di legge che ti riguarda come persona che usa l’IA al lavoro è già in vigore, e quasi nessuno sa di averlo. Il capitolo racconta quali regole esistono, dove valgono e come si capisce se una riguarda te. L’Unione Europea è stata la prima a scrivere una legge completa, l’AI Act, in vigore dal 2024. L’idea di fondo è che non tutti i sistemi sono uguali: un filtro antispam e un algoritmo che decide chi assumere non possono avere le stesse regole. Per questo la legge li divide in quattro livelli di rischio, minimo, limitato, alto e inaccettabile, con obblighi che crescono con il rischio fino al divieto. L’applicazione segue un calendario scaglionato, riscritto nel 2026, e le date stanno online. Un articolo riguarda direttamente chi legge: chi usa l’IA in un’attività professionale deve occuparsi dell’alfabetizzazione di chi lavora per lui. Fuori dall’Europa il quadro è diverso. Gli Stati Uniti, dove hanno sede quasi tutti i laboratori, non hanno una legge federale: governano con ordini esecutivi, che cambiano con l’amministrazione, e con strumenti più incisivi di una legge, le commesse pubbliche e i controlli sull’export. Il Regno Unito non ha una legge e fa testare i modelli da un istituto pubblico prima del rilascio. La Cina controlla i contenuti in casa e distribuisce i modelli fuori. L’Italia ha affiancato alla legge europea una legge nazionale, la 132 del 2025. Un trattato internazionale esiste, ma i suoi meccanismi sono lenti. Per capire quale norma ti tocca il criterio è uno solo: guarda che cosa fa il sistema, non quale modello usa. L’ultima sezione spiega come si adempie l’obbligo che ti riguarda, e perché non basta un corso.
Perché leggerlo: per capire quali sono le regole da rispettare nell’usare l’IA in ambito aziendale. La sezione sull’Unione Europea e l’ultima, sull’obbligo che ti riguarda, sono quelle da leggere; le sezioni sugli altri paesi sono contesto, per sapere che cosa succede fuori, e si possono attraversare. Le date sono sulla pagina online, non qui.
Parte V
Due capitoli, da pagina 181
Un sistema di intelligenza artificiale poggia su tre cose: gli algoritmi, i dati e le macchine. Il capitolo le guarda come si guarda una carta geografica, perché ognuna sta in mani precise e in luoghi precisi, e chi la controlla può decidere di non dartela. Gli algoritmi sono la risorsa più mobile: un’idea passa i confini dentro un articolo scientifico. La Cina registra tre quarti dei brevetti, eppure i modelli davvero nuovi escono soprattutto dagli Stati Uniti, e la ragione non sta nell’ingegno. Addestrare un modello di frontiera costa centinaia di milioni di dollari, e quel capitale si raccoglie in pochi posti al mondo: il primo confine è finanziario. I dati disegnano una mappa diversa. Il testo di qualità sul web è una quantità finita, un bene comune che si sta esaurendo, e quando finisce il vantaggio passa a chi possiede quello che nessun altro può copiare, come gli archivi di un’azienda o le conversazioni di un prodotto usato da milioni di persone. Il dato nasce dove vivono gli utenti, ma il valore si accumula dove ha sede la società che li raccoglie. Con i chip il globale si incaglia nella geografia fisica. Le GPU le vende quasi solo NVIDIA e si fabbricano in pochissimi stabilimenti, primo fra tutti a Taiwan, a cento chilometri dalla costa cinese; sotto ci sono le materie prime, concentrate anch’esse in pochi paesi, e sopra i decreti di due governi. Qui il controllo si esercita in modo secco: un divieto di esportazione fa più di un dazio, perché chiude il mercato a qualunque prezzo si sia disposti a pagare. Le tre mappe non coincidono, e chi comanda su una non comanda sulle altre: è questo che tiene aperta la partita, e la rende dura. Sopra le tre mappe ce n’è una quarta, lo scaffale da cui i modelli si scaricano, e ci sono gli Stati, che hanno cominciato a decidere chi può comprare che cosa. Tutte e tre le risorse, infine, consumano: il conto in energia e acqua, che chiude il capitolo, è il prezzo dei pezzi, e sta diventando il collo di bottiglia della corsa.
Perché leggerlo: senza sapere chi ha i pezzi non si capisce da che cosa dipende la corsa, e le notizie sui chip, su Taiwan e sulle terre rare si leggono come cronaca invece che come un capitolo di una guerra per il dominio della IA. Si legge tutto in un’ora, e nessun capitolo lo presuppone.
Fin qui hai visto quasi soltanto modelli di linguaggio. Fuori dal testo l’intelligenza artificiale fa altro, e il capitolo guarda quattro campi in cui sta cambiando le cose più in profondità, messi in fila da quello in cui il risultato è acquisito a quello in cui è ancora una parola. Il primo campo è la biologia. Prevedere la forma di una proteina dalla sua sequenza era un problema aperto da cinquant’anni: AlphaFold lo ha risolto, nel 2024 ha portato il Nobel per la Chimica e nel 2026 un farmaco progettato con questi metodi è entrato nell’ultima fase di sperimentazione. Il secondo è il corpo: l’IA che esce dallo schermo ed entra in macchine che percepiscono, si muovono e lavorano accanto alle persone, dove i dati non sono gratis e le promesse corrono più avanti dei prodotti. Il terzo è la guerra: droni che colpiscono da soli quando il collegamento salta, sistemi che producono liste di bersagli più in fretta di quanto una catena di comando riesca a verificarle, modelli che entrano in una rete e la attraversano da soli. È la frontiera in cui l’autonomia costa di più, e in cui le regole sono più indietro. Il quarto è la parola: l’intelligenza artificiale generale, che i laboratori annunciano, i padri della disciplina discutono e nessuno sa misurare; la strada che ci porta, intanto, è quella degli agenti che hai visto nella Parte II. Per tutti e quattro il metro è lo stesso, ed è quello del capitolo 1: dimostrazione o servizio.
Perché leggerlo: per leggere gli annunci su queste quattro frontiere senza spaventarti né entusiasmarti a comando, e per riconoscere, in fondo, le scelte che nessuno ha detto ad alta voce e che ti arrivano sul tavolo travestite da scelte tecniche. Nessun capitolo lo presuppone: si può leggere per ultimo, o a pezzi.
Chiudono il libro la conclusione «Da lunedì mattina», 17 appendici tecniche per chi vuole i conti, il glossario e la bibliografia, che sul sito ha i collegamenti a ogni fonte.
Un libro vivo, visto
Tredici codici QR nel libro portano a nove pagine di questo sito, ognuna con la data dell'ultima revisione e la cronologia di che cosa è cambiato. Ecco una coppia.
Nel libro, capitolo 9
La pagina stampata.
Sul sito, la pagina che il QR apre
Quanto l'intelligenza artificiale è davvero entrata nelle aziende e nel lavoro, in Italia e nel mondo.
Ultimo aggiornamento, 3 ottobre 2026
Entra la rilevazione del Census americano pubblicata il 24 settembre 2026: le imprese che hanno usato l'IA nelle due settimane precedenti sono il 23,8%, dal 23,2%, e il nuovo dato sostituisce il vecchio anche nel confronto con l'indagine della Fed di New York. L'indice delle pubblicazioni del World Economic Forum, riletto il 3 ottobre, si ferma al Travel & Tourism Development Index del 25 settembre 2026, e un Future of Jobs Report successivo a quello del gennaio 2025 ancora non c'è. Dati Eurostat su imprese e persone ricalcolati sul database il 3 ottobre 2026 e invariati, con le date di consultazione aggiornate nelle Fonti.
Rivista ogni 3 mesi. Il libro è andato in stampa il 26 settembre 2026: la pagina continua da lì.
Il libro lo compri una volta. Le nove pagine di aggiornamento, gli articoli e la bibliografia con i collegamenti sono gratuiti per tutti, lettori e non.
“Quando uno scritto è finito, gli argomenti in esso contenuti sono già in parte invecchiati.”
Paolo Savona, dalla prefazione
Chi lo scrive
Lavoro nella finanza per lo sviluppo, e in questo ambito progetto e uso soluzioni di intelligenza artificiale. Mi trovo spesso a dover spiegare usi e ambiti di applicazione dell'IA a chi deve decidere, e mi piace scrivere manuali tecnici di taglio divulgativo: ne ho scritti sulla regolamentazione bancaria e sul rischio di credito, questo è il terzo. Scrivere è anche il mio modo di tenermi aggiornato, e da qui viene l'idea del libro vivo.
I testi sono originali nel contenuto e nel giudizio, scritti con uso pesante di strumenti di IA: scelgo io i temi e le tesi, discuto ogni bozza, controllo i numeri sulle fonti prima che escano. Ogni correzione è dichiarata.
Le slide del libro
Ogni capitolo della quarta edizione ha la sua sequenza di slide: l'apertura del capitolo, i concetti, le figure del libro, i dati con la fonte e i codici QR verso le pagine che si aggiornano. Si leggono da sole, per ripassare un capitolo o per spiegarlo a qualcun altro. Ci sono in italiano e in inglese, aggiornate al 27 settembre 2026.
Domande frequenti
No. Il libro non presuppone competenze tecniche: né programmazione né matematica avanzata. I conti stanno in diciassette appendici, per chi li vuole; i capitoli si leggono senza.
Parte da chi l'IA la usa già, anche solo una chat, e vuole capire perché una risposta è buona e la successiva no. Chi parte davvero da zero trova nei primi due capitoli la storia e il meccanismo, e non resta indietro.
Il testo è chiuso a settembre 2026 e contiene quello che regge: concetti, meccanismi, criteri. I numeri che cambiano, prezzi, modelli, adozione, norme, stanno in nove pagine del sito richiamate dal libro con un QR, ciascuna con la data dell'ultima revisione. La prossima edizione è prevista per settembre 2027.
Cartaceo in bianco e nero, 275 pagine, ed ebook Kindle. Entrambi su Amazon.
La quarta è riscritta da capo per un lettore diverso, con quattro capitoli nuovi. Se hai letto la terza, la sezione in fondo a questa pagina dice che cosa cambia, e decidi tu.
Sì: l'anteprima in PDF si scarica senza registrazione, dal bottone in cima e in fondo a questa pagina.
L'edizione inglese in vendita è quella del 2025. La riscrittura allineata a questa quarta edizione italiana è in lavorazione: lo stato è sulla pagina in inglese.
Per chi ha letto le edizioni precedenti
Le spiegazioni che reggono restano. Cambia il lettore a cui il libro parla, e con lui la struttura.
La prima edizione era scritta per chi partiva da zero. Questa è scritta per chi l'intelligenza artificiale la usa già ogni giorno, ha scritto centinaia di richieste a un modello, e non sa dire perché una risposta è buona e la successiva no. L'uso è arrivato prima della comprensione: il libro parte da lì.
Capire, Come usare gli LLM, Verso l'uso aziendale, Governare, Guardare avanti. Chiude una conclusione operativa, “Da lunedì mattina”.
“Che cosa sta intorno al modello” e “Quando il modello sbaglia” partono da due sezioni che nella terza stavano dentro il capitolo sui modelli di linguaggio (l'adattamento dei modelli, le allucinazioni) e aggiungono quello che mancava: finestra di contesto, harness, sicofanzia, perché questi sistemi sbagliano i conti. “Scegliere e governare una soluzione” nasce da due paragrafi del vecchio capitolo pratico e diventa un capitolo intero, con le tre domande in sequenza. “Ridisegnare il proprio lavoro” è scritto da zero: come si smonta un processo per capire quali attività passano al modello e quali no, con quattro processi reali seguiti passo per passo. Sono il cuore dell'edizione.
Il capitolo sugli agenti perde il catalogo dei prodotti e guadagna gli agenti che lavorano per giorni e i sistemi multi-agente. “Chi possiede l'intelligenza artificiale” fonde i vecchi capitoli sugli ingredienti e sui programmi nazionali in una carta geografica: capitale, dati, chip, energia e acqua. “Dove sta andando” riunisce in un capitolo solo i due capitoli su scienza e robotica, le armi autonome che stavano nell'etica, e l'intelligenza artificiale generale.
Cataloghi, listini e benchmark, che invecchiavano in sei mesi; il capitolo sull'IA a scuola e le domande di comprensione a fine capitolo; il capitolo sul lavoro come questione sociale, sostituito dal metodo per ridisegnare il proprio; l'appello ai ragazzi. Il capitolo su Python diventa un'appendice di dieci righe di codice. Bibliografia e glossario restano in fondo al libro, e la bibliografia con i collegamenti vive anche online.
Sulla carta quello che regge, online quello che si muove: le pagine di aggiornamento richiamate dal libro con un QR nel punto esatto in cui servono, ciascuna con data e cronologia, e la bibliografia completa con i collegamenti su librovivoia.it/bibliografia.
Newsletter
Ti scrivo quando una pagina di aggiornamento cambia, esce un articolo o c'è un evento. Niente altro.