Tra assistenti virtuali, montagne inventate e documenti autonomi: cronache di un professore nell’era dell’AI
Tre lezioni di intelligenza artificiale. Tra colleghi virtuali, documenti che si scrivono da soli e paesaggi che non esistono, quello che ho scoperto portando l'AI dentro un'azienda vera.
La montagna che non c'era
C'è un momento, durante una lezione sull'intelligenza artificiale, in cui sullo schermo compare una montagna.
È bellissima. Neve perfetta, profili alpini, un panorama che potrebbe tranquillamente finire sulla copertina di una brochure turistica.
Siamo alla Via Lattea, uno dei comprensori sciistici più conosciuti delle Alpi occidentali. Sto lavorando con alcune persone dell'azienda e stiamo sperimentando le possibilità di Microsoft Copilot all'interno di Word. Abbiamo chiesto al sistema di rielaborare un documento, migliorarne la presentazione grafica e aggiungere alcune immagini panoramiche.
Copilot esegue la richiesta. O almeno ci prova, perché inserirle materialmente nel documento richiede qualche passaggio in più del previsto. Ma alla fine le immagini compaiono.
A quel punto emerge una domanda: sono fotografie autentiche oppure immagini generate artificialmente?
Sono generate.
Il problema è che quei paesaggi assomigliano moltissimo a luoghi reali. Hanno qualcosa di familiare. Una telecabina, una cima, una conformazione delle montagne che potrebbe ricordare proprio il territorio in cui opera l'azienda.
Uno dei partecipanti prova persino a riconoscere una vetta.
Potrebbe essere quella? Magari sì.
Ma non lo è necessariamente.
Quella montagna, per quanto convincente, non rappresenta un luogo reale verificato.
Ed è qui che intervengo. Perché un conto è utilizzare l'intelligenza artificiale per creare un'illustrazione, una mappa concettuale o un'immagine evocativa. Un altro è pubblicare sul sito di un comprensorio sciistico una fotografia sintetica che sembra rappresentare un posto nel quale i clienti possono effettivamente andare.
La distinzione può sembrare banale, ma non lo è affatto.
Se gestisci un'azienda turistica, non stai vendendo soltanto immagini. Stai vendendo luoghi, paesaggi, esperienze e aspettative. Le persone guardano le fotografie, scelgono dove trascorrere le vacanze, acquistano uno skipass e si aspettano di trovare qualcosa che corrisponda a ciò che hanno visto.
Una montagna inventata può diventare una promessa sbagliata.
Per questo consiglio di utilizzare fotografie autentiche per documentare il territorio e riservare le immagini generate a impieghi dichiaratamente illustrativi.
La cosa interessante è che Copilot non ha necessariamente commesso un errore tecnico. Gli avevamo chiesto di generare immagini panoramiche e lui le ha generate.
Ha eseguito la richiesta, ma il risultato non era adatto all'utilizzo previsto.
È una differenza che considero fondamentale e che, nel corso di queste tre lezioni, sarebbe tornata continuamente.
Un'intelligenza artificiale può produrre un risultato formalmente riuscito e, contemporaneamente, inadatto alla realtà nella quale dovrebbe essere utilizzato.
Può scrivere una risposta impeccabile contenente informazioni sbagliate. Può creare una presentazione elegante ma povera di contenuti. Può generare un'analisi che sembra autorevole senza avere verificato correttamente le fonti.
E può persino costruire una montagna che somiglia a quella giusta.
Il problema non è più soltanto capire cosa sia capace di fare la macchina.
È capire quando possiamo fidarci del risultato.
Dietro una seggiovia c'è un'azienda
Quando pensiamo a un comprensorio sciistico, immaginiamo piste, impianti di risalita, neve e turisti.
Dal punto di vista del cliente, il sistema sembra piuttosto semplice: acquisti uno skipass, raggiungi la montagna, prendi una seggiovia e scii.
Dietro questa esperienza esiste però un'organizzazione estremamente articolata.
Ci sono persone che gestiscono le vendite, il controllo economico, le comunicazioni, i contratti, le risorse umane, le procedure amministrative, i sistemi informatici e i rapporti con i clienti. Ci sono documenti da produrre, informazioni da confrontare, anomalie da individuare e decisioni da prendere.
La prima lezione comincia proprio cercando di capire chi ho davanti.
Non ho una classe composta esclusivamente da tecnici informatici o appassionati di intelligenza artificiale. Ho professionisti con mansioni differenti, esperienze differenti e, soprattutto, aspettative differenti.
C'è chi utilizza già diversi sistemi generativi nel proprio lavoro. Chi li impiega occasionalmente per tradurre o revisionare documenti. Chi lavora nel controllo di gestione e intravede possibilità interessanti nell'analisi dei dati. Chi si occupa di questioni contrattuali e guarda alla tecnologia con comprensibile prudenza.
E poi ci sono persone che, semplicemente, non hanno ancora trovato un motivo abbastanza convincente per utilizzare l'AI.
Questa varietà mi interessa molto.
Insegno dal 2009 e, quando entro in un'aula aziendale, una delle prime cose che cerco di capire è la distanza tra ciò che una tecnologia promette e ciò di cui le persone hanno veramente bisogno.
Perché posso passare due ore a mostrare funzionalità straordinarie, ma se nessuno riesce a collegarle al proprio lavoro, il giorno dopo saranno già state dimenticate.
Durante il primo incontro emerge un caso particolarmente concreto.
Una responsabile commerciale racconta delle numerose email che arrivano durante la stagione invernale. Non tutte sono semplici richieste di informazioni. Alcune contengono contestazioni, reclami, richieste di rimborso o toni decisamente poco amichevoli.
Rispondere richiede tempo.
E non soltanto per scrivere materialmente le parole.
Quando un cliente è arrabbiato bisogna comprendere il problema, ricostruire i fatti, verificare ciò che è possibile concedere, mantenere un tono professionale e talvolta comunicare un rifiuto senza peggiorare ulteriormente la situazione.
La partecipante racconta che l'intelligenza artificiale le è già capitato di utilizzarla proprio per migliorare il tono di alcune risposte.
È un'applicazione apparentemente modesta, ma molto più interessante di tanti esperimenti spettacolari.
Non sta chiedendo alla macchina di inventare una strategia rivoluzionaria per il turismo alpino.
Le sta chiedendo di aiutarla a scrivere una risposta diplomatica a una persona arrabbiata.
Il valore non risiede esclusivamente nella velocità. Risiede anche nella possibilità di prendere una comunicazione scritta magari dopo una giornata complicata e rileggerla attraverso un'altra formulazione.
Naturalmente, l'intelligenza artificiale non conosce automaticamente i fatti, le condizioni contrattuali o le ragioni del cliente. Non può decidere da sola se un rimborso sia dovuto.
Può però contribuire a organizzare una risposta che una persona competente controllerà prima di inviarla.
Questa è la distinzione che cerco di trasmettere fin dall'inizio.
Delegare la scrittura di una prima bozza non significa delegare la responsabilità di ciò che quella bozza comunica.
Vale per l'assistenza clienti, ma vale anche per chi deve preparare un rapporto economico, esaminare un contratto o pubblicare un testo sul sito aziendale.
E vale soprattutto quando le attività sembrano ripetitive.
Una comunicazione standard può diventare una questione delicata per una sola frase sbagliata.
La differenza tra avere Copilot e sapere cosa farsene
In molte aziende l'intelligenza artificiale è arrivata attraverso strumenti che le persone utilizzavano già.
Microsoft 365, Word, Excel, Outlook, PowerPoint. Software familiari, ai quali si sono aggiunte nuove funzionalità.
È una trasformazione interessante perché non sempre richiede di cambiare ambiente di lavoro. Spesso il nuovo strumento è già lì, accanto a un documento o dentro una casella di posta elettronica.
Ma questo produce anche un equivoco.
Avere accesso a Copilot non significa sapere come utilizzarlo.
E, soprattutto, non significa che qualsiasi problema lavorativo debba essere risolto attraverso Copilot.
Nella prima lezione propongo alcuni esperimenti molto semplici. Cerchiamo informazioni sul sito aziendale, proviamo a recuperare dati relativi a offerte turistiche e organizziamo confronti con altre realtà del settore.
In un caso chiediamo all'intelligenza artificiale di analizzare la presenza digitale di un altro comprensorio, mettendola a confronto con quella della Via Lattea.
Il sistema restituisce una quantità notevole di informazioni e arriva a costruire un report.
È affascinante, soprattutto per chi ha sempre svolto questo tipo di ricerca manualmente, passando da un sito all'altro, raccogliendo elementi e organizzandoli in un documento.
Ma uno dei partecipanti interviene e racconta una cosa importante.
Aveva già utilizzato l'intelligenza artificiale per una ricerca comparativa. Era stata utile per cominciare, ma poi aveva dovuto verificare personalmente i dati, consultare le fonti e rielaborare le informazioni.
Mi sembra un'osservazione molto più preziosa di qualsiasi promessa di produttività miracolosa.
L'intelligenza artificiale può abbreviare la fase iniziale di raccolta e organizzazione dei dati, ma non elimina necessariamente il lavoro di verifica.
E quando le informazioni servono a prendere decisioni economiche, commerciali o operative, quella verifica diventa ancora più importante.
Durante il corso vengono prodotte anche tabelle che ipotizzano possibili risparmi di tempo.
Non le considero risultati certificati. Sono stime esplorative generate durante un esercizio, utili per individuare opportunità da approfondire.
La differenza è sostanziale.
Se un sistema suggerisce che una determinata attività potrebbe richiedere meno tempo, abbiamo un'ipotesi. Per trasformarla in un risultato aziendale dobbiamo misurare quanto tempo richiedeva prima, quanto ne richiede dopo e quanto lavoro aggiuntivo serve per controllare le risposte.
Altrimenti stiamo misurando l'entusiasmo, non la produttività.
A un certo punto introduco un esercizio che utilizzo spesso nella formazione aziendale.
Invece di chiedere subito all'intelligenza artificiale di svolgere un compito, chiediamo ai partecipanti di descrivere il proprio lavoro.
Chi sono? Quale ruolo ricoprono? Quali strumenti utilizzano? Quali attività devono affrontare? Che cosa richiede troppo tempo? Quali operazioni sono ripetitive?
Poi arriviamo alla domanda interessante:
Alla luce di queste informazioni, come puoi aiutarmi?
Sembra una banalità.
In realtà stiamo rovesciando il rapporto abituale con la macchina.
Normalmente siamo noi a dover sapere che cosa chiedere. In questo caso, invece, raccontiamo la nostra situazione e lasciamo che il sistema proponga una serie di possibili applicazioni.
È una forma di esplorazione guidata.
Non tutte le proposte saranno utili. Alcune saranno troppo generiche. Altre potranno rivelarsi impraticabili. Qualcuna, però, potrebbe portarci a scoprire un utilizzo che non avevamo considerato.
Ed è esattamente ciò che cerco in questa fase.
Non voglio che le persone escano dal corso convinte che l'intelligenza artificiale possa fare tutto.
Voglio che conoscano meglio il territorio delle possibilità, così da poter decidere dove valga la pena sperimentare.
C'è una bella differenza tra conoscere una funzionalità e aver trovato un buon motivo per utilizzarla.
La memoria di un'azienda non dovrebbe dipendere da una chat
Durante la seconda lezione riprendiamo gli esercizi precedenti.
Chiedo a uno dei partecipanti di recuperare la conversazione nella quale aveva descritto il proprio ruolo e individuato alcuni possibili utilizzi dell'intelligenza artificiale.
Poi gli propongo un passaggio aggiuntivo.
Chiediamo a Copilot di trasformare tutte quelle informazioni in una sorta di carta d'identità professionale.
La chiamo DNA professionale.
Non è una definizione scientifica. È semplicemente un modo abbastanza efficace per indicare un documento che descriva chi sei dal punto di vista lavorativo, quali attività svolgi, quali competenze utilizzi e come preferisci organizzare il lavoro.
L'idea è conservarlo, aggiornarlo e utilizzarlo quando serve.
Per esempio, in una nuova conversazione con un assistente che non possiede abbastanza informazioni su di te. Oppure con uno strumento diverso, nel quale non vuoi ricominciare da zero a spiegare ogni dettaglio.
Mi interessa soprattutto il principio.
Noi dedichiamo molto tempo a raccontare alle intelligenze artificiali le nostre attività, le nostre esigenze e le procedure che seguiamo. Ma spesso quelle informazioni rimangono disperse dentro decine di conversazioni.
È un patrimonio che esiste, ma non è necessariamente organizzato.
A un certo punto facciamo anche un esperimento per capire quanto un assistente ricordi effettivamente dell'utente.
La risposta sembra descrivere bene il professionista: interessi, modalità di lavoro, preferenze, problemi ricorrenti.
Peccato che, quando controlliamo le impostazioni disponibili durante la dimostrazione, non troviamo una memoria personale stabile corrispondente a tutta quella descrizione.
Una parte significativa del risultato deriva dal contesto recente e dall'esercizio appena svolto.
Il sistema era riuscito a dare l'impressione di una conoscenza personale più profonda di quella che potevamo verificare.
È un passaggio interessante perché tendiamo a confondere una risposta personalizzata con una memoria completa.
Non sono la stessa cosa.
I sistemi attuali possono utilizzare informazioni conservate, contesto della conversazione, documenti e altri meccanismi di personalizzazione, secondo le funzionalità disponibili. Ma non bisogna presumere che ricordino integralmente e fedelmente tutto ciò che abbiamo detto.
Da qui il discorso si allarga.
E se invece di salvare soltanto la conoscenza delle singole persone cominciassimo a organizzare quella dell'intera azienda?
Mostro ai partecipanti un mio archivio personale.
È una rappresentazione visiva costruita a partire dalle trascrizioni delle lezioni che ho tenuto. Documenti e argomenti sono collegati tra loro, in modo da rendere più semplice recuperare un concetto, un esercizio o un contenuto.
Non è una rete neurale nel senso tecnico del termine, anche se visivamente può ricordarla.
È una rete di conoscenze.
Ogni nodo contiene qualcosa che ho prodotto o raccontato. Una lezione, un argomento, un prompt, una spiegazione.
Guardo quella struttura e penso che rappresenti, in piccolo, una parte del mio patrimonio professionale.
Poi provo a trasferire l'idea al contesto aziendale.
Immaginiamo che ogni reparto documenti le proprie procedure, le decisioni importanti, le soluzioni trovate e i problemi ricorrenti.
Immaginiamo che quella conoscenza venga organizzata in documenti accessibili alle persone autorizzate, con versioni aggiornate e responsabilità chiare.
Un sistema di intelligenza artificiale potrebbe diventare un'interfaccia per interrogare questo patrimonio.
Non sarebbe più soltanto un assistente generico che conosce molte cose del mondo.
Sarebbe uno strumento capace di lavorare anche con le conoscenze che appartengono all'organizzazione.
Naturalmente bisognerebbe progettare bene autorizzazioni, aggiornamenti, qualità dei documenti e limiti di accesso. Non basta riversare file in una cartella per ottenere un cervello aziendale affidabile.
Ma il concetto è potente.
Pensiamo a quello che succede quando una persona cambia ruolo o lascia un'azienda.
Una parte della conoscenza è documentata. Un'altra rimane nella sua testa. Ci sono procedure che esistono soltanto perché qualcuno le ha ripetute per anni. Soluzioni che non sono mai state scritte. Piccoli accorgimenti che fanno funzionare un processo e che nessuno ha pensato di conservare.
Questa conoscenza non dovrebbe andare perduta.
Il DNA professionale potrebbe diventare una piccola componente di un progetto molto più ampio: fare in modo che l'esperienza delle persone continui a produrre valore anche quando cambiano gli strumenti e l'organizzazione del lavoro.
Non sto immaginando di sostituire una persona con un file.
Sto immaginando di evitare che il suo lavoro debba essere ricominciato da zero.
Lo studente di Harvard che si è innamorato
C'è una metafora che utilizzo spesso per spiegare il comportamento delle intelligenze artificiali generative.
Immaginiamo uno studente brillantissimo di Harvard o del MIT. È preparatissimo, conosce una quantità impressionante di argomenti ed è capace di risolvere problemi complicati.
Peccato che quel semestre si sia innamorato.
Ha la testa fra le nuvole.
Può affrontare una questione complessa e, cinque minuti dopo, dimenticarsi una cosa elementare. Sbaglia un passaggio, interpreta male una richiesta o si perde in un bicchier d'acqua.
E noi siamo lì a ricordargli che cosa dovrebbe fare.
È una metafora, naturalmente. Un modello linguistico non è uno studente, non possiede automaticamente le sue competenze e non funziona come una persona distratta.
Ma descrive abbastanza bene la sensazione che si può provare utilizzando questi strumenti.
A volte ti sorprendono.
Altre volte ti fanno perdere mezz'ora su qualcosa che sembrava semplicissimo.
Durante la seconda lezione lavoriamo proprio su questo problema.
Scopriamo che è possibile configurare istruzioni personalizzate per orientare il comportamento dell'assistente.
Possiamo chiedergli di distinguere i fatti dalle ipotesi, dichiarare le incertezze, evitare di inventare fonti, essere più sintetico oppure non assecondare automaticamente qualsiasi affermazione dell'utente.
Lo facciamo insieme, costruendo una serie di indicazioni che possano risultare utili nel contesto professionale.
La parte che mi interessa non è tanto il testo finale delle istruzioni.
È la reazione dei partecipanti quando scoprono che alcune preferenze possono essere impostate una volta e riutilizzate nelle conversazioni successive.
Qualcuno aveva già imparato a specificare il proprio ruolo all'inizio di ogni richiesta, ma non conosceva quella possibilità di personalizzazione.
È un piccolo cambiamento nella relazione con lo strumento.
Prima di iniziare a lavorare, proviamo a dirgli come preferiamo che lavori.
Attenzione, però: un'istruzione personalizzata non modifica magicamente le capacità del modello. Non garantisce che i dati siano veri e non impedisce ogni errore.
Dire a Copilot di verificare le fonti non significa che abbia necessariamente accesso alle fonti giuste. Chiedergli di non inventare nulla non gli conferisce la capacità infallibile di distinguere ogni informazione corretta da una sbagliata.
Le istruzioni servono a orientare il comportamento, non a certificare il risultato.
Durante la lezione utilizzo espressioni volutamente esagerate, come togliere il limitatore a un motorino.
È un modo per rendere memorabile il concetto, non una misura tecnica delle prestazioni.
E un altro esercizio, ancora più interessante, nasce da una richiesta semplicissima.
Una partecipante deve tradurre testi destinati alla comunicazione aziendale. Normalmente fornirebbe all'assistente il testo, indicando la lingua e il tono desiderato.
Le propongo di aggiungere un passaggio.
Prima di eseguire la richiesta, l'intelligenza artificiale deve riformularla come la scriverebbe una persona esperta del compito.
In sostanza, le chiediamo di aiutarci a scrivere il comando che poi eseguirà.
È un piccolo cortocircuito.
Per anni il prompt engineering è stato presentato come la capacità di formulare istruzioni particolarmente efficaci per una macchina. Ora possiamo utilizzare quella stessa macchina per migliorare le istruzioni.
Non significa che il risultato sia automaticamente migliore. Una riformulazione può anche introdurre vincoli non desiderati o interpretare male l'intenzione iniziale.
Per questo mi interessa che il prompt riformulato venga mostrato e controllato prima dell'esecuzione, soprattutto quando la richiesta è complessa.
Il vantaggio è doppio.
Da una parte possiamo chiarire ciò che vogliamo ottenere. Dall'altra possiamo imparare osservando come vengono organizzate le informazioni.
È un modo diverso di usare l'intelligenza artificiale.
Non le sto soltanto chiedendo di svolgere un lavoro.
Le sto chiedendo di aiutarmi a definire meglio il lavoro da svolgere.
Ed è qui che torno a una convinzione che mi accompagna da tempo: la differenza non la fa soltanto chi conosce più comandi. La fa chi riesce a formulare problemi migliori.
Ada, la collega che non esiste
Durante la terza lezione decidiamo di costruire un agente personalizzato.
Un assistente specializzato, progettato per lavorare su un insieme preciso di attività.
Per raccontare questo esperimento utilizzerò il nome fittizio Ada. Anche i riferimenti personali dei partecipanti sono stati omessi o resi anonimi.
Partiamo da un'idea semplice.
Un professionista che lavora nel controllo di gestione potrebbe avere a disposizione un assistente con cui confrontarsi su budget, report, analisi economiche e possibili investimenti.
Non un'intelligenza artificiale che cerca di fare tutto per tutti.
Uno strumento costruito attorno a quel mestiere.
Iniziamo a descriverne la funzione. Poi il settore aziendale. Poi i documenti sui quali dovrà lavorare e il tipo di risposta che dovrebbe produrre.
La cosa interessante è che, dopo poche indicazioni, Copilot comincia a sviluppare autonomamente una serie di istruzioni più articolate.
Il sistema propone attività, criteri di analisi, verifiche e riferimenti pertinenti al contesto di un comprensorio sciistico.
È un buon esempio di ciò che intendo quando parlo di utilizzare l'intelligenza artificiale per strutturare un'idea.
Noi forniamo la direzione. Il sistema prova a espanderla in un insieme più completo di istruzioni.
Naturalmente, quel testo deve essere letto e approvato.
Una descrizione lunga e ben scritta può contenere errori tanto quanto una risposta breve.
Ma la possibilità di partire da un'esigenza formulata in linguaggio naturale, invece di dover costruire manualmente ogni componente, rende l'esperimento accessibile anche a chi non programma.
Durante la configurazione introduco una distinzione che considero molto utile.
Esistono assistenti progettati soprattutto per consultazione e assistenti progettati soprattutto per esecuzione.
Il primo assomiglia a uno specialista con cui confrontarsi.
Il secondo assomiglia a un esecutore di procedure.
Se ho un dubbio sul controllo di gestione, potrei voler consultare un assistente specializzato in quell'ambito.
Se invece devo trasformare periodicamente un documento in un report con un formato preciso, potrebbe servirmi un agente più operativo.
Non è una classificazione rigida della tecnologia. È un modo pratico per progettare meglio ciò che chiediamo.
Un assistente che deve essere contemporaneamente consulente finanziario, redattore, grafico, programmatore e organizzatore delle email rischia di avere obiettivi poco chiari.
Meglio partire da un perimetro comprensibile.
In questo caso ci lasciamo tentare e costruiamo qualcosa di abbastanza articolato.
Ada dovrà supportare analisi e report, ma potrà anche lavorare con documenti e produrre materiali.
Le assegniamo un nome.
Insisto perfino sulla possibilità di darle un'immagine di profilo, perché ho notato che un assistente riconoscibile può essere più facile da ricordare e utilizzare.
Sembra una sciocchezza, ma dare un nome a uno strumento può aiutare a inserirlo nelle proprie abitudini.
Naturalmente non significa attribuirgli una personalità reale.
La dimostrazione della creazione dell'avatar, tra l'altro, è meno gloriosa del previsto.
Copilot impiega parecchio tempo e inizialmente propone un'immagine che non mi convince affatto.
Ci riproviamo, discutiamo, scherziamo. Nel frattempo il sistema continua a lavorare.
È il genere di momento che adoro nelle dimostrazioni dal vivo.
Nelle presentazioni commerciali tutto sembra funzionare immediatamente. Nell'aula vera, invece, capita di aspettare troppo per un'icona.
E bisogna decidere se continuare a insistere oppure andare avanti.
Alla fine la fotografia del nostro assistente è decisamente meno importante della sua configurazione.
Ada prende forma attraverso le istruzioni, le funzioni disponibili e le fonti che potrà consultare.
Poi arriva il momento di utilizzarla.
Le chiediamo di lavorare su materiali di esempio, avviando un'attività legata alla reportistica.
Sul monitor compaiono fasi di elaborazione, operazioni sui file e strumenti di analisi.
Non è più soltanto una casella nella quale scrivere una domanda.
Stiamo osservando un sistema che prova a eseguire un lavoro articolato.
Ed è affascinante.
Ma c'è un dettaglio che cambia completamente la natura dell'esperimento.
Per svolgere davvero alcuni compiti, Ada deve poter accedere a informazioni e documenti.
A questo punto non stiamo più parlando soltanto di prompt.
Stiamo parlando di autorizzazioni.
Dare le chiavi di casa a una macchina
Utilizzo spesso una metafora piuttosto semplice per parlare degli agenti di intelligenza artificiale.
Quando autorizziamo un agente ad accedere a documenti, email o servizi, gli stiamo dando delle chiavi.
E con le chiavi bisogna fare attenzione.
Non perché la macchina sia malvagia o abbia necessariamente intenzioni nascoste. Il problema è che un sistema può interpretare male le istruzioni, incontrare contenuti ingannevoli o compiere azioni che non avevamo previsto.
Durante la configurazione di Ada discutiamo proprio dei possibili collegamenti con gli strumenti aziendali.
Documenti, archivi, posta elettronica.
A un certo punto uno dei partecipanti osserva che possiamo concedere l'accesso soltanto ad alcune aree.
È una precisazione perfetta.
Possiamo dare a qualcuno le chiavi di casa senza autorizzarlo a entrare in ogni stanza.
Tradotto nel linguaggio aziendale, significa configurare i permessi sulla base di ciò che serve davvero per svolgere un determinato compito.
La questione è particolarmente importante perché Microsoft Copilot può utilizzare dati organizzativi attraverso Microsoft Graph e altri strumenti, secondo le licenze, le configurazioni e le autorizzazioni disponibili.
La documentazione ufficiale Microsoft chiarisce che Copilot accede ai contenuti aziendali nel rispetto dei permessi dell'utente e che i prompt, le risposte e i dati ottenuti attraverso Microsoft Graph non vengono utilizzati per addestrare i modelli linguistici di base.
Sono garanzie importanti.
Ma non risolvono automaticamente tutti i problemi.
Se un documento è condiviso con troppe persone, un assistente potrebbe renderne più facile il reperimento da parte di chi possiede già quell'accesso. Se un dipendente inserisce informazioni inappropriate in una richiesta, la presenza di protezioni aziendali non rende automaticamente corretto quel trattamento.
E quando un agente viene collegato ad altri strumenti, bisogna valutare anche le azioni che gli vengono consentite.
Microsoft stessa, nella documentazione sulla sicurezza degli agenti, richiama i rischi derivanti da contenuti non attendibili e raccomanda particolare cautela nelle operazioni sensibili.
Sono temi che emergono molto naturalmente quando si passa dalla teoria alle dimostrazioni pratiche.
Finché chiediamo a un'intelligenza artificiale di tradurre una frase, il perimetro è relativamente semplice.
Quando invece le chiediamo di cercare documenti, interpretarli e magari compiere operazioni in altri sistemi, le possibili conseguenze aumentano.
Durante il corso ricordo anche alcune mie esperienze con strumenti agentici che hanno eseguito azioni indesiderate, costringendomi a intervenire per rimediare.
È un motivo sufficiente per evitare di trattare queste tecnologie come giocattoli innocui.
Personalmente continuo a sperimentarle, proprio perché le considero fra gli sviluppi più interessanti dell'intelligenza artificiale. Ma distinguo gli esperimenti effettuati in un ambiente controllato dall'introduzione di procedure operative dentro un'azienda.
Non sono la stessa cosa.
E non dovrebbero avere lo stesso livello di libertà.
Questo discorso incontra naturalmente quello della normativa europea.
Durante il corso parliamo dell'AI Act, ma vale la pena precisare un aspetto della cronologia: il regolamento è entrato in vigore il 1° agosto 2024 e la sua applicazione è stata organizzata per fasi, con obblighi entrati in applicazione in momenti differenti e alcune disposizioni soggette a periodi transitori.
Tra gli elementi più rilevanti per la formazione aziendale figura l'articolo 4, dedicato all'alfabetizzazione in materia di intelligenza artificiale. Dal 2 febbraio 2025 si applica l'obbligo di adottare misure a sostegno delle competenze AI del personale, secondo il contesto e le esigenze previste dalla norma e dalle successive modifiche. I riferimenti sono consultabili presso la Commissione europea.
Questo non significa che ogni attività svolta con un assistente richieda la stessa procedura di controllo o che tutti i sistemi siano soggetti agli stessi obblighi.
Significa che l'adozione deve essere valutata nel suo contesto, considerando persone, dati, finalità e rischi.
La formazione, quindi, non serve soltanto a imparare a scrivere richieste migliori.
Serve anche a comprendere quando non bisogna automatizzare qualcosa.
E questa capacità, paradossalmente, può diventare una delle competenze più importanti da sviluppare.
Non tutte le promesse diventano risultati
Una delle cose che cerco di evitare durante le mie lezioni è trasformare ogni esperimento in una dimostrazione di successo.
Non avrebbe molto senso.
L'intelligenza artificiale è sufficientemente impressionante anche senza nasconderne i limiti.
Durante il terzo incontro lavoriamo direttamente all'interno delle applicazioni Microsoft.
Word, PowerPoint, Excel e altri strumenti che i partecipanti conoscono già.
In Word proviamo a migliorare un documento, modificarne la presentazione e aggiungere elementi grafici.
Copilot propone interventi interessanti, ma alcuni passaggi richiedono correzioni manuali. Le immagini generate non si collocano immediatamente dove ci aspetteremmo. Alcune operazioni richiedono di individuare il comando giusto.
Lavoriamo quindi sulla relazione tra il contenuto del documento e la presentazione finale.
È una cosa che mi interessa particolarmente perché produco spesso materiali didattici.
So bene quanto tempo si possa perdere a organizzare una presentazione, correggere la struttura, scegliere un'immagine, modificare la disposizione degli elementi.
Per questo voglio capire se l'intelligenza artificiale possa essere utile anche nella fase di produzione.
Proviamo a trasformare il documento in una presentazione PowerPoint.
Il primo risultato è utilizzabile come punto di partenza, ma non particolarmente brillante.
Le slide sono piuttosto uniformi. La grafica è semplice. Il contenuto necessita di ulteriori interventi.
Chiediamo quindi di migliorare il layout, alternare le composizioni e cercare immagini pertinenti.
Anche qui incontriamo qualche difficoltà.
Il sistema non riesce a completare tutte le operazioni richieste come avevamo immaginato e deve ridimensionare il lavoro.
Non è una tragedia.
È ciò che succede quando si prova davvero a utilizzare un software, invece di limitarsi a mostrarne una funzione preparata in anticipo.
Il risultato non è inutile. Semplicemente non è definitivo.
E per me questa distinzione è importante.
Se Copilot mi produce una prima bozza di presentazione e io devo dedicarci mezz'ora di revisione, potrebbe comunque avermi fatto risparmiare tempo.
Ma per saperlo dovrei confrontare quella procedura con il mio metodo precedente.
Non basta affermare che il lavoro è stato automatizzato.
Bisogna capire quanta parte del lavoro sia stata davvero svolta e quanta sia stata semplicemente spostata nella fase di controllo.
Il passaggio a Excel ci mostra un'altra faccia della stessa tecnologia.
Utilizziamo una copia di lavoro di un documento tabellare e proviamo a costruire una dashboard, limitando volutamente l'analisi a una parte dei dati per rendere l'esperimento più gestibile.
L'assistente elabora il materiale, crea nuove strutture e produce una visualizzazione navigabile.
Questa volta il risultato suscita maggiore interesse.
Non soltanto perché abbiamo ottenuto grafici e strumenti di consultazione, ma perché il partecipante riconosce una possibilità concreta: realizzare un'analisi che aveva considerato troppo impegnativa rispetto al tempo disponibile.
Qui emerge un'idea diversa da quella del semplice risparmio di tempo.
L'intelligenza artificiale non serve necessariamente a fare più velocemente qualcosa che avremmo comunque fatto.
In alcuni casi permette di affrontare attività che avevamo rinunciato a svolgere perché richiedevano troppo lavoro preparatorio.
Naturalmente anche questa dashboard necessita di verifiche. Un grafico può essere tecnicamente funzionante e rappresentare dati organizzati male. Un'analisi può avere un aspetto professionale e basarsi su presupposti sbagliati.
Non possiamo giudicare la qualità soltanto dalla bellezza del risultato.
Ma la possibilità di abbassare il costo iniziale di certe attività cambia comunque il modo in cui possiamo immaginarle.
Se prima produrre una visualizzazione richiedeva molto tempo, forse oggi ha senso sperimentare.
E quando il costo di un tentativo si riduce, aumenta anche la possibilità di esplorare soluzioni nuove.
È una delle conseguenze più interessanti dell'intelligenza artificiale generativa.
C'è però un altro aspetto che mi lascia pensare.
Il tempo che risparmiamo non diventa necessariamente tempo libero.
Spesso viene riempito da nuove attività.
Facciamo più analisi, più confronti, più presentazioni. Proviamo idee che prima non avremmo nemmeno considerato.
Può essere una buona notizia, soprattutto se quei compiti producono valore. Ma non dobbiamo dare per scontato che una maggiore produttività si traduca automaticamente in una riduzione del lavoro o dello stress.
Potremmo semplicemente alzare l'asticella di ciò che ci aspettiamo dalle persone.
E così, mentre la macchina promette di liberarci dalle operazioni ripetitive, rischiamo di costruire giornate ancora più piene.
È una contraddizione che vale la pena osservare.
Restare umani
Verso la fine del corso emerge un tema che considero particolarmente importante.
Quando vediamo un'intelligenza artificiale produrre un documento, una dashboard o una presentazione, tendiamo a pensare che tutto sia stato realizzato automaticamente.
Diamo un comando e otteniamo un risultato.
Ma dietro questi sistemi esiste una quantità enorme di lavoro umano.
Ricercatori, ingegneri, sviluppatori, valutatori e persone che contribuiscono alla preparazione e al controllo dei dati utilizzati nell'addestramento.
Una parte di questo lavoro riguarda la valutazione delle risposte e dei comportamenti dei modelli.
Durante la lezione ne parlo perché mi interessa far capire che l'intelligenza artificiale non è una tecnologia nata e cresciuta senza intervento umano.
Anzi.
I sistemi che utilizziamo sono il risultato di anni di ricerca, investimenti, progettazione e attività svolte da moltissime persone.
E non tutte quelle attività avvengono nelle condizioni che immaginiamo osservando gli uffici delle grandi aziende tecnologiche.
Nel 2023 un'inchiesta di TIME ha documentato il lavoro di operatori in Kenya incaricati di classificare contenuti problematici per contribuire allo sviluppo di sistemi di sicurezza, riportando compensi molto bassi e conseguenze psicologiche significative.
Non significa che tutte le persone coinvolte nell'addestramento dell'AI lavorino nelle stesse condizioni. Significa che dietro l'apparente automatismo esiste una filiera di lavoro che merita di essere conosciuta.
Questa dimensione viene raccontata molto meno delle nuove funzionalità.
Parliamo di modelli sempre più potenti, di capacità di ragionamento, di agenti autonomi, di produttività e di software che promettono di lavorare al posto nostro.
Molto più raramente ci chiediamo quante persone abbiano contribuito a rendere possibile quel risultato.
È un paradosso interessante.
Nel momento in cui celebriamo macchine capaci di imitare sempre meglio alcune attività umane, rischiamo di rendere invisibile proprio il lavoro umano che ne ha permesso lo sviluppo.
E poi c'è una questione ancora diversa, più personale.
Durante il corso racconto di Giulia, il nome che ho dato alla mia assistente AI.
La utilizzo spesso nel lavoro quotidiano. Le chiedo di recuperare informazioni, aiutarmi a organizzare attività, controllare documenti e ragionare su problemi pratici.
In una circostanza mi è capitato persino di scherzare dicendole che, visto quanto mi aveva aiutato, le avrei comprato dei pasticcini.
La risposta è stata divertente.
Ovviamente non può mangiare pasticcini.
Ma la battuta mi ha portato a riflettere su una cosa.
Io ringrazio gli assistenti digitali. Li saluto. A volte utilizzo con loro lo stesso linguaggio cordiale che utilizzerei con una persona.
Non perché pensi che siano esseri umani.
E nemmeno perché creda che possano offendersi se non li ringrazio.
Lo faccio perché non voglio perdere io l'abitudine alla gentilezza.
Mi sembra una distinzione importante.
Se trascorriamo sempre più tempo a impartire ordini a sistemi che rispondono senza lamentarsi, che sono disponibili a qualsiasi ora e che apparentemente non chiedono nulla in cambio, che tipo di abitudini comunicative stiamo costruendo?
Non ho una risposta definitiva.
E naturalmente non credo che ringraziare Copilot sia una soluzione ai problemi del rapporto tra esseri umani e tecnologia.
Ma penso che il modo in cui ci comportiamo con gli strumenti possa influenzare, almeno in parte, il modo in cui siamo abituati a comunicare.
C'è anche un rischio opposto.
L'interfaccia conversazionale rende molto facile attribuire intenzioni, emozioni e personalità a sistemi che non dovremmo confondere con le persone.
Dare un nome a un agente può aiutarci a ricordarlo. Non significa che sia diventato un collega umano.
Una voce naturale può rendere più comoda un'interazione. Non significa che dall'altra parte ci sia qualcuno che prova quello che proviamo noi.
La somiglianza non è identità.
Ed è proprio questo il punto che, in maniera molto meno filosofica, avevamo incontrato davanti alle immagini delle montagne.
Qualcosa può assomigliare alla realtà senza esserlo.
Una risposta può assomigliare a quella di un esperto senza essere corretta.
Un assistente può assomigliare a un collega senza esserlo.
Una fotografia può assomigliare a un luogo che non esiste.
L'intelligenza artificiale ci costringe continuamente a confrontarci con questa differenza tra ciò che appare e ciò che possiamo verificare.
Durante le tre lezioni alla Via Lattea abbiamo visto strumenti capaci di cercare informazioni, riscrivere richieste, organizzare documenti, costruire assistenti e produrre analisi.
Abbiamo visto anche errori, attese, limitazioni tecniche, interpretazioni sbagliate e risultati che richiedevano correzioni.
Soprattutto, ho visto persone che cercavano di capire come quella tecnologia potesse entrare nel proprio lavoro senza perdere il controllo di ciò che stavano facendo.
È questa la parte che mi interessa maggiormente.
Non la gara a chi scrive il prompt più sofisticato.
Non il sistema che genera la presentazione più velocemente.
Non l'assistente al quale riusciamo a collegare il maggior numero di strumenti.
Mi interessa il momento in cui una persona capisce che può utilizzare la macchina per affrontare un problema reale, ma sa anche riconoscere quando deve fermarsi e controllare.
Perché la vera competenza non consiste nel fidarsi sempre.
Consiste nel sapere quando fidarsi, di che cosa fidarsi e che cosa verificare personalmente.
Ripenso a quella fotografia comparsa in Word.
Una montagna bellissima, perfettamente plausibile, generata in pochi istanti.
A prima vista sembrava pronta per essere pubblicata.
Ma non rappresentava necessariamente un luogo nel quale si potesse andare.
E in un'azienda che lavora con montagne vere, questa differenza conta.
Conta più della qualità dell'immagine.
Conta più della velocità con cui è stata prodotta.
Conta più dell'entusiasmo per la tecnologia che l'ha generata.
Perché puoi automatizzare la preparazione di un documento, puoi delegare una ricerca e puoi persino costruire un assistente capace di lavorare sui tuoi file.
Ma, alla fine, la montagna deve esserci davvero.
Fonti e approfondimenti
Trascrizioni originali delle tre lezioni Via Lattea — Gruppo 1, Copilot, settembre 2026, utilizzate come fonte primaria per episodi, dialoghi e osservazioni dell'autore.
Microsoft Learn — Data, Privacy, and Security for Microsoft Copilot.
Microsoft Learn — Sicurezza e protezione dei dati negli agenti Copilot.
Microsoft Support — Convalida l'output di Copilot prima di agire.
Commissione europea — AI Act, quadro normativo e calendario di applicazione.
Commissione europea — Alfabetizzazione AI, domande e risposte.
Nota editoriale: i nomi dei partecipanti e i dati interni sono stati omessi o anonimizzati. Ada è un nome fittizio. Le immagini inserite sono illustrazioni originali realizzate per questo articolo: non sono fotografie delle sedi, delle persone o degli esperimenti effettivamente svolti durante il corso.