Arrivano ChatGPT Work e GPT-5.6ChatGPT ha smesso di rispondere: adesso apre i file, usa le app e finisce il lavoro.  Per quasi quattro anni abbiamo chiesto a ChatGPT di rispondere. Scrivimi questa mail, riassumi questo documento, trovami un errore nel codice, spiegami questo bilancio. Poi prendevamo la risposta, la copiavamo, la incollavamo in un’altra applicazione e continuavamo noi.

Con ChatGPT Work OpenAI prova ad annullare questa procedura. Il nuovo sistema non si limita a suggerire come svolgere un’attività: può cercare informazioni nelle applicazioni aziendali, aprire file, usare il browser, costruire documenti, presentazioni e fogli di calcolo, aggiornare un progetto nel tempo e, sul computer, cliccare, scrivere e spostare file; può ricevere un obiettivo e restare al lavoro per ore, mentre l’utente controlla l’avanzamento, cambia direzione e autorizza le attività più sensibili.

È questo il vero significato dell’annuncio: ChatGPT Work non è una nuova finestra di ChatGPT, ma il tentativo di trasformare ChatGPT nell’interfaccia attraverso cui passa il lavoro digitale. Una specie di livello operativo collocato sopra Microsoft 365, Google Workspace, Slack, i CRM, i siti web e i file conservati sul computer, una livello sopra tutto, un’unica interfaccia per tutto il lavoro digitale possibile.

Il motore di questa trasformazione è GPT-5.6, la nuova famiglia di modelli di OpenAI. Molti utenti la cercheranno probabilmente come “ChatGPT-5.6”, ma è bene chiarire subito la distinzione: ChatGPT è il prodotto, GPT-5.6 è la generazione di modelli che lo alimenta, mentre ChatGPT Work è l’agente che usa quei modelli per portare a termine attività. Per comprendere da dove arriva questo cambiamento può essere utile partire dalla nostra guida completa a ChatGPT e al suo funzionamento.

Che cos’è ChatGPT Work

OpenAI definisce ChatGPT Work un agente capace di agire attraverso applicazioni e file, trasformando un obiettivo in un risultato finito. La parola importante è “agente”. Un chatbot riceve una domanda e genera una risposta; un agente interpreta un obiettivo, costruisce un piano, sceglie gli strumenti, esegue una sequenza di azioni, osserva il risultato e corregge il percorso.

È la differenza che abbiamo già descritto parlando di che cosa sono gli agenti AI e come funzionano: non conta soltanto ciò che il modello sa, ma ciò che può vedere, gli strumenti che può utilizzare e le azioni che è autorizzato a compiere.

ChatGPT Work può, per esempio, raccogliere dati da email, documenti e conversazioni Slack, analizzarli, produrre un foglio di calcolo, trasformare i risultati in una presentazione e aggiornare quel materiale quando arrivano nuove informazioni. Le Scheduled Tasks permettono di eseguire un’attività una volta, a intervalli regolari o quando si verifica un evento: controllare ogni mattina determinati siti, preparare l’agenda di una riunione usando gli aggiornamenti della settimana, monitorare i feedback dei clienti o aggiornare una presentazione quando arriva una nuova email.

L’utente può iniziare il lavoro dallo smartphone, controllarlo durante uno spostamento e riprenderlo dal web o dal desktop. Sul computer, però, il salto è maggiore: la nuova applicazione ChatGPT per Windows e Mac riunisce Chat, Work e Codex e può utilizzare file e applicazioni locali. Il browser incorporato porta dentro lo stesso ambiente siti, strumenti online e documenti; la funzione Computer Use permette invece all’agente di interagire con l’interfaccia, quindi cliccare, digitare e spostare file.

Non è automazione nel senso tradizionale. Un’automazione classica esegue una sequenza definita in anticipo: se accade A, fai B. ChatGPT Work può adattare il percorso a ciò che incontra, chiedere un chiarimento, cambiare strategia e costruire un risultato che non era stato descritto in ogni dettaglio. È più flessibile, ma proprio per questo richiede più controllo.

Come funziona ChatGPT Work, tecnicamente

Sotto l’interfaccia conversazionale si può leggere ChatGPT Work come una catena composta da cinque livelli.

Obiettivo e pianificazione. L’utente non deve necessariamente descrivere ogni singolo passaggio. Può indicare il risultato, le fonti da utilizzare, i vincoli e il formato finale. GPT-5.6 scompone il compito in sotto-attività, stabilisce un ordine e decide quali strumenti coinvolgere.
Recupero del contesto. Attraverso plugin e applicazioni collegate, ChatGPT Work può cercare informazioni in Google Drive, SharePoint, Gmail, Outlook, Slack, Microsoft Teams, calendari, CRM e altri sistemi. L’utente può richiamare esplicitamente una fonte digitando @ seguito dal nome dell’applicazione; in altri casi è ChatGPT a individuare lo strumento coerente con la richiesta. Questa fase viene spesso chiamata grounding: il modello non risponde soltanto usando ciò che ha appreso durante l’addestramento, ma costruisce la risposta sui dati aziendali recuperati in quel momento.
Ragionamento e orchestrazione. GPT-5.6 valuta le informazioni, sceglie i passaggi successivi e mantiene il contesto tra un’azione e l’altra. Nelle attività più complesse può coordinare più filoni di lavoro, per esempio affidando a un agente la ricerca, a un altro l’analisi dei dati e a un altro ancora la verifica del risultato.
Uso degli strumenti. Il modello può chiamare strumenti con funzioni precise, utilizzare il browser, lavorare sui file e, sul desktop, interagire con le applicazioni attraverso Computer Use. Nell’API, la funzione Programmatic Tool Calling consente a GPT-5.6 di scrivere ed eseguire programmi temporanei in memoria per coordinare più strumenti ed elaborare i risultati intermedi, invece di riportare ogni passaggio dentro il prompt. Questo riduce il numero di chiamate e i token necessari nei flussi articolati.
Controllo e consegna. ChatGPT Work mostra l’avanzamento, può chiedere informazioni mancanti e permette all’utente di correggere la direzione. Per le azioni sensibili può essere richiesta un’approvazione. Il risultato non deve essere per forza una risposta in chat: può diventare un documento, una presentazione modificabile, un foglio di calcolo, un PDF, un’immagine, una dashboard o un’applicazione web costruita con Sites.

Questa architettura spiega perché ChatGPT Work consumi risorse in modo diverso da una conversazione normale. Una richiesta può provocare molte letture, ragionamenti, chiamate a strumenti e revisioni. OpenAI non ha annunciato un prezzo separato per Work: l’utilizzo segue una struttura simile a Codex e le attività più lunghe possono assorbire una quota maggiore dei limiti compresi nel piano.

ChatGPT-5.6 o GPT-5.6? La generazione e i tre livelli Sol, Terra e Luna

Il nome corretto è GPT-5.6, non ChatGPT-5.6: OpenAI cambia anche il modo in cui presenta i modelli. Il numero 5.6 indica la generazione; i nomi Sol, Terra e Luna identificano invece livelli di capacità destinati a rimanere riconoscibili anche quando saranno aggiornati con cadenze diverse.

Modello
Ruolo
Quando usarlo
Prezzo API per 1 milione di token

GPT-5.6 Sol
Modello flagship, massima qualità e autonomia
Analisi complesse, coding avanzato, ricerca, documenti strategici, flussi lunghi e ad alto valore
5 dollari input, 30 dollari output

GPT-5.6 Terra
Equilibrio tra capacità, velocità e costo
Lavoro aziendale quotidiano, agenti operativi, analisi e produzione di contenuti su larga scala
2,50 dollari input, 15 dollari output

GPT-5.6 Luna
Modello più rapido ed economico
Classificazione, estrazione, trasformazioni semplici, grandi volumi e attività ripetitive
1 dollaro input, 6 dollari output

 

La scelta, quindi, non dovrebbe essere “qual è il modello migliore?”, ma “quanto valore produce questa attività e quanta capacità le serve?”. Usare Sol per classificare migliaia di richieste semplici sarebbe come assegnare a un comitato di esperti l’archiviazione della posta; usare Luna per una due diligence articolata significherebbe invece risparmiare sul punto sbagliato.

Per chi usa ChatGPT Work e Codex, gli abbonati Plus, Pro, Business ed Enterprise possono scegliere tra Sol, Terra e Luna e impostare il livello di sforzo di ragionamento. L’impostazione max è disponibile agli utenti che hanno accesso alla famiglia GPT-5.6; in ChatGPT Work, ultra è riservata ai piani Pro ed Enterprise. Gli utenti Free e Go accedono invece a Terra. Nella chat tradizionale, Sol è associato alle impostazioni di sforzo medio e superiore, mentre Sol Pro è disponibile per gli utenti Pro ed Enterprise nei lavori più difficili.

Che cosa ha di speciale GPT-5.6 Sol

OpenAI descrive Sol come il modello di punta per coding, lavoro professionale, scienza e cybersecurity. Ma il miglioramento più interessante per le imprese non è soltanto la percentuale ottenuta in un benchmark: è la capacità di rimanere concentrato su un’attività lunga, usare strumenti, verificare ciò che ha prodotto e consegnare artefatti utilizzabili.

Sol non genera necessariamente una risposta seguendo sempre lo stesso percorso. Le impostazioni di reasoning stabiliscono quanta capacità di calcolo dedicare alla pianificazione e alla verifica prima della consegna. Con ultra il sistema coordina più agenti su linee di lavoro parallele e poi ne ricompone i risultati. È una modalità adatta a ricerche complesse, analisi di grandi raccolte documentali, sviluppo di applicazioni o produzione di materiali che richiedono competenze diverse. Non è, invece, l’opzione da attivare automaticamente per ogni email: aumenta la quantità di elaborazione e il consumo del piano.

Anche il tool use è stato ripensato. Con Programmatic Tool Calling, disponibile nella Responses API, il modello può costruire in memoria una piccola logica di coordinamento: chiamare uno strumento, trattarne il risultato, decidere quali dati passare a quello successivo e mantenere fuori dal prompt una parte delle informazioni intermedie. OpenAI dichiara inoltre una funzione multi-agent in beta, con sotto-agenti concorrenti e sintesi finale dentro una sola richiesta.

Non conosciamo, invece, il numero di parametri di GPT-5.6 Sol né la configurazione interna completa del modello: OpenAI non li ha pubblicati. I test presentati includono prove su contesti molto lunghi, anche nell’intervallo tra 512.000 e un milione di token, ma questo dato non deve essere confuso automaticamente con il limite di contesto commerciale disponibile in ogni prodotto e piano.

I risultati dichiarati sono comunque significativi. Sol con impostazione ultra raggiunge il 92,2% su BrowseComp, che misura la capacità di portare a termine ricerche agentiche sul web, mentre Sol raggiunge il 62,6% su OSWorld 2.0, dedicato all’uso del computer. Su ExploitBench, benchmark di cybersecurity che va dall’analisi del codice vulnerabile all’esecuzione arbitraria, passa dal 47,9% di GPT-5.5 al 73,5%. Sono dati forniti da OpenAI e non garantiscono le stesse prestazioni in ogni ambiente aziendale, ma spiegano perché il nuovo modello sia molto più adatto a ChatGPT Work rispetto a un LLM progettato principalmente per conversare.

Sul fronte dei costi, GPT-5.6 introduce anche un prompt caching più prevedibile, con punti espliciti di interruzione della cache e una durata minima di 30 minuti. La scrittura nella cache costa 1,25 volte l’input non memorizzato, mentre la rilettura beneficia di uno sconto del 90%. Per applicazioni che riutilizzano istruzioni, policy o grandi blocchi di contesto, progettare bene la cache può incidere sul costo complessivo più della differenza tra due modelli.

ChatGPT Work contro Microsoft Copilot: sono la stessa cosa?

La sovrapposizione esiste ed è destinata a crescere. Microsoft 365 Copilot parte dall’interno di Word, Excel, PowerPoint, Outlook e Teams. Utilizza Microsoft Graph per recuperare email, chat e documenti che l’utente è già autorizzato a vedere e porta l’AI dentro applicazioni che milioni di persone usano ogni giorno. Microsoft spiega nel dettaglio l’architettura e il modello dei permessi di Microsoft 365 Copilot.

ChatGPT Work percorre la strada opposta. Non nasce dentro una suite: prova a collocarsi sopra più suite e più sistemi. Può lavorare tra Google Workspace e Microsoft 365, Slack e Teams, applicazioni SaaS, browser e file locali. Il suo vantaggio potenziale è l’orchestrazione trasversale; quello di Copilot rimane l’integrazione nativa con il tenant Microsoft, Microsoft Graph, Purview e le autorizzazioni già applicate ai contenuti aziendali.

Il nostro precedente confronto tra ChatGPT, Microsoft Copilot e Google Gemini nasceva quando questi strumenti erano ancora soprattutto assistenti. Con ChatGPT Work il confine cambia: il concorrente di Copilot non è più soltanto un modello che scrive meglio, ma un ambiente che vuole coordinare il lavoro tra applicazioni diverse.

Per le aziende fortemente standardizzate su Microsoft 365, ChatGPT Work non sostituisce automaticamente Copilot. Può affiancarlo nei flussi che attraversano sistemi esterni, nella ricerca, nella produzione di artefatti e nelle attività agentiche più lunghe. Ma può anche creare duplicazioni di licenze, accessi e controlli. Prima di adottarli entrambi, un CIO dovrebbe mappare i casi d’uso e stabilire quale piattaforma debba essere il punto di governo per ogni processo.

Il problema non è più la risposta sbagliata, ma l’azione sbagliata

Quando un chatbot sbaglia, produce una frase inesatta, quando un agente sbaglia, può modificare un file, inviare un’informazione, aggiornare un sistema o usare dati che non avrebbero dovuto entrare nel processo. L’aumento della capacità produce quindi un aumento della responsabilità.

OpenAI dichiara che gli amministratori Enterprise ed Edu possono controllare chi accede a ChatGPT Work, quale contesto aziendale può utilizzare, quali strumenti può collegare e quali azioni può compiere. La Compliance API offre visibilità sulle conversazioni e sulle azioni; sul desktop si possono applicare policy all’accesso di rete, ai file locali, alle applicazioni e agli strumenti. Un sistema di auto-review utilizza inoltre modelli avanzati per controllare alcune azioni importanti prima che vengano eseguite.

Per ChatGPT Business, Enterprise ed Edu, OpenAI afferma che le informazioni raggiunte attraverso le app collegate a ChatGPT non vengono utilizzate per addestrare i modelli per impostazione predefinita. Questo non elimina, però, i problemi di autorizzazione. Se un dipendente può accedere a una cartella condivisa troppo ampia, anche l’agente potrebbe trovarvi informazioni che non avrebbe dovuto usare. L’AI non crea sempre una nuova falla: spesso rende improvvisamente visibile quella che esisteva già.

C’è poi il rischio della prompt injection. Un’istruzione nascosta dentro un sito, un documento o un’email può tentare di deviare il comportamento dell’agente. OpenAI stessa ricorda che, quando un agente entra in siti e applicazioni, può raggiungere email, file e impostazioni sensibili. Per questo le autorizzazioni devono essere minime, le fonti esterne considerate non affidabili e le azioni irreversibili sottoposte a conferma.

La questione della sovranità rimane altrettanto importante. Il progetto Moltagent di Nextcloud e l’idea di agenti AI sovrani mostrano l’alternativa: portare l’agente dentro un ambiente controllato dall’organizzazione. ChatGPT Work propone invece una grande capacità di orchestrazione trasversale. La scelta non riguarda soltanto quale agente sia più bravo, ma dove possa operare, sotto quale giurisdizione e con quale possibilità di controllo.

Come usare ChatGPT Work e GPT-5.6 al meglio in azienda

Partire da un processo conosciuto. OpenAI suggerisce di affidare inizialmente a ChatGPT Work un’attività che l’utente padroneggia già. È il modo migliore per valutare errori, passaggi mancanti e qualità del risultato. Un processo sconosciuto non permette di distinguere l’efficienza dall’illusione di efficienza.

Definire il risultato, non soltanto la domanda. Un buon incarico dovrebbe contenere obiettivo, destinatario, fonti autorizzate, vincoli, formato finale e criterio di successo. “Analizza questi dati” è una richiesta debole; “confronta vendite e budget, segnala gli scostamenti superiori al 10%, verifica i valori con il file contabile e prepara tre slide per il CFO” è un flusso valutabile.

Separare lettura e scrittura. Nella fase iniziale conviene consentire all’agente di cercare e analizzare, ma richiedere approvazione prima di modificare documenti, inviare messaggi o aggiornare sistemi. L’autonomia dovrebbe crescere soltanto dopo che il processo è stato osservato e misurato.

Scegliere il modello in base al valore. Luna è adatto ai volumi e alle trasformazioni semplici, Terra al lavoro quotidiano, Sol alle attività complesse o costose da sbagliare. max e ultra vanno riservati ai casi nei quali il valore di una migliore analisi supera il costo aggiuntivo.

Collegare soltanto le fonti necessarie. Ogni plugin amplia ciò che ChatGPT Work può fare, ma anche la superficie di rischio. Meglio connettere un archivio circoscritto e una casella funzionale che consegnare subito all’agente l’intero patrimonio informativo aziendale.

Costruire una prova di valutazione. Prima della diffusione, l’azienda dovrebbe raccogliere almeno 20 o 30 casi reali con un risultato atteso e misurare accuratezza, tempo risparmiato, revisioni umane, costo e gravità degli errori. I benchmark di OpenAI servono a confrontare i modelli; solo una valutazione interna può dire se il processo funziona davvero.

Automatizzare dopo, non prima. Le Scheduled Tasks diventano utili quando un’attività è già stata eseguita manualmente con ChatGPT Work, verificata e corretta. Programmare subito un flusso non testato significa trasformare un errore occasionale in un errore ricorrente.

Controllare i costi per risultato. Il prezzo per token non basta. Bisogna misurare quanto costa produrre una presentazione approvata, chiudere un’analisi o aggiornare un report, includendo revisioni e fallimenti. Sol può costare più di Luna per token e meno per risultato, se evita tre cicli di correzione.

Prevedere sempre un proprietario umano. Ogni flusso deve avere qualcuno che ne conosca fonti, autorizzazioni, criterio di successo e procedura di arresto. “Lo sta facendo l’AI” non è una responsabilità organizzativa.

Da chatbot a sistema operativo del lavoro

ChatGPT Work non è ancora un sistema operativo nel significato tecnico tradizionale: non gestisce direttamente processore, memoria e periferiche. Ma aspira a diventarlo nel significato organizzativo. Vuole essere il luogo in cui una persona esprime un obiettivo e dal quale partono applicazioni, dati, browser, modelli e automazioni necessari a raggiungerlo.

È una trasformazione più grande del passaggio da GPT-5 a GPT-5.6. Finora abbiamo valutato l’intelligenza artificiale chiedendoci se sapesse scrivere, ragionare o programmare. Con ChatGPT Work la domanda cambia: quali parti del lavoro siamo disposti ad affidarle, quali strumenti può toccare e chi controlla ciò che fa quando noi non stiamo guardando?

L’intelligenza artificiale sta ridisegnando i budget IT delle imprese. Nel 2026 server, storage, memoria, networking e cybersecurity vengono acquistati prima, spesso per assicurarsi capacità limitata ed evitare nuovi aumenti di prezzo; nello stesso momento progetti software, migrazioni applicative e programmi di trasformazione digitale già approvati vengono rinviati. L’AI non sta soltanto creando nuova spesa tecnologica. Sta decidendo quale parte della vecchia spesa può ancora aspettare.

Questa è la notizia: il denaro non si limita ad aggiungersi al budget IT, si sposta al suo interno. La capacità di calcolo, i dati, le reti, l’energia e la sicurezza necessarie a portare l’AI in produzione stanno occupando risorse che fino a pochi mesi fa erano destinate ad applicazioni, cloud, consulenza e modernizzazione. Il software non scompare, ma deve dimostrare di essere indispensabile prima che arrivi il conto dell’infrastruttura.

IBM è il caso che ha reso visibile questo movimento, non la notizia che lo esaurisce. Il 14 luglio 2026 l’azienda ha pubblicato in anticipo alcuni risultati preliminari del secondo trimestre e ha ammesso di non avere previsto la dimensione dello spostamento del CAPEX dei clienti verso server, storage e memoria. Numerosi grandi contratti non sono stati chiusi nei tempi attesi, i ricavi si sono fermati a 17,2 miliardi di dollari e il titolo IBM ha perso circa il 25% in una sola seduta. La lettera di Arvind Krishna agli investitori IBM, insieme alla ricostruzione di Reuters sul trasferimento della spesa dal software all’infrastruttura, offre la prova più evidente di un fenomeno più ampio. Il crollo in Borsa è il sintomo, il terremoto è avvenuto nei budget IT delle imprese.

Per anni l’intelligenza artificiale è stata presentata come una nuova voce di investimento, capace di allargare il mercato tecnologico e di aggiungere spesa a quella già destinata a cloud, applicazioni, trasformazione digitale e servizi. Oggi emerge una realtà più scomoda: almeno in questa fase, una parte dell’AI non sta creando nuovo budget, lo sta occupando. Quali progetti verranno rinviati nei prossimi dodici mesi per finanziare la capacità di calcolo, i dati, le reti e la sicurezza necessari a farla funzionare?

Il 25% perso da IBM è un sintomo, non la diagnosi

I numeri preliminari di IBM vanno letti con attenzione. I ricavi del secondo trimestre sono cresciuti dell’1%, quelli del software del 5%, la consulenza è rimasta sostanzialmente stabile e l’infrastruttura è scesa del 7%. La debolezza si è concentrata soprattutto nei sistemi Z e nel software collegato al transaction processing, mentre Red Hat ha accelerato all’11%. Nello stesso trimestre la Distributed Infrastructure di IBM è cresciuta del 37%, con risultati record in Power e storage e un portafoglio ordini di circa 500 milioni di dollari.

Non è dunque la storia semplice di un mercato che abbandona il software per tornare all’hardware. È una redistribuzione più selettiva: perde ciò che può aspettare, cresce ciò che serve immediatamente a costruire la nuova capacità.

IBM ha anche riconosciuto una propria responsabilità. Krishna ha scritto che l’azienda non si è adattata abbastanza rapidamente e che diversi grandi contratti non sono arrivati alla firma prevista. Questo impedisce di trasformare un singolo trimestre in una legge universale. I risultati completi saranno presentati il 22 luglio e potrebbero correggere alcuni dati preliminari. Tuttavia, la dimensione della reazione del mercato, che secondo Reuters avrebbe potuto cancellare circa 70 miliardi di dollari di capitalizzazione, indica che gli investitori hanno visto nel caso IBM qualcosa di più di un problema di execution.

Hanno visto il rischio che il vecchio equilibrio della spesa tecnologica si stia rompendo.

La lettera di Arvind Krishna di IBM: tre frasi che spiegano il caso

Il documento firmato da Arvind Krishna, Chairman, President e CEO di IBM, non è una normale lettera trimestrale. IBM ha diffuso risultati preliminari il 14 luglio, otto giorni prima della conference call programmata per il 22 luglio, mentre la chiusura formale dei conti era ancora in corso. Quando un CEO rompe il calendario ordinario delle comunicazioni finanziarie, non vuole soltanto informare il mercato: vuole provare a stabilire immediatamente come debba essere interpretato ciò che è accaduto.

La lettera completa di Arvind Krishna agli investitori IBM è costruita in quattro passaggi. Prima espone i numeri; poi descrive lo shock esterno, cioè il rapido spostamento degli acquisti verso infrastrutture difficili da reperire; subito dopo riconosce l’errore di esecuzione di IBM; infine riporta l’attenzione sui punti forti del portafoglio e sugli investimenti futuri. È una struttura difensiva, ma non elusiva: Krishna prova a proteggere la strategia senza nascondere che, nel trimestre, l’azienda non ha reagito abbastanza velocemente.

C’è anche una distinzione importante. Krishna non scrive testualmente che l’intelligenza artificiale ha sottratto budget al software. Scrive che, nelle ultime settimane di giugno, i clienti hanno spostato il CAPEX trimestrale verso server, storage e memoria per assicurarsi infrastrutture limitate prima di nuovi aumenti di prezzo. Il collegamento con l’AI nasce dal contesto industriale: è l’intelligenza artificiale ad avere accelerato la domanda di calcolo, memoria e rete e ad avere reso strategica la disponibilità di capacità. La lettera descrive il movimento del denaro; il mercato ne ha riconosciuto il motore.

Il budget non è sparito: ha cambiato priorità

“we did not anticipate the magnitude of the capex reprioritization”

Questa è la frase economicamente più importante. Krishna non parla di cancellazione del budget, ma di reprioritization: le risorse esistono, però vengono portate in avanti e assegnate a un altro livello dello stack. La differenza è decisiva. Una contrazione generale della spesa colpirebbe quasi tutti i fornitori; una ridefinizione delle priorità crea invece vincitori e perdenti nello stesso trimestre, perfino all’interno della stessa azienda.

IBM ne è l’esempio. L’infrastruttura complessiva arretra, ma Power e storage accelerano; alcuni contratti software slittano, mentre Red Hat continua a crescere. Non è il mercato IT che si spegne. È il cliente che decide che oggi la capacità vale più di un aggiornamento applicativo che può essere firmato fra tre mesi.

Per un CIO questa frase contiene un avvertimento operativo: il budget annuale non può più essere considerato una sequenza stabile di progetti. Scarsità e prezzo possono comprimere in poche settimane decisioni che erano state distribuite su dodici mesi. La capacità di calcolo diventa una sorta di opzione finanziaria: si compra prima per evitare di non poterla comprare dopo.

Il CEO riconosce l’errore di IBM

“this quarter we faltered”

Sono quattro parole, ma cambiano il tono dell’intero documento. Dopo avere descritto supply chain, rialzi di prezzo e preoccupazioni di cybersecurity, Krishna non usa questi elementi come alibi. Ammette che IBM ha vacillato, che non si è adattata e non si è mossa abbastanza velocemente. È il passaggio che impedisce di leggere la lettera come una semplice giustificazione macroeconomica.

L’analisi più equilibrata deve quindi tenere insieme due verità. Lo spostamento della spesa è reale e probabilmente riguarda molte imprese; l’entità del danno subito da IBM dipende anche dalla sua capacità di leggere il cambiamento, riposizionare l’offerta e chiudere i contratti. Un concorrente più rapido potrebbe subire meno lo stesso fenomeno o perfino beneficiarne.

Questa ammissione è rilevante anche per il canale. Quando il cliente cambia priorità, non basta avere a catalogo il prodotto che improvvisamente cerca. Bisogna riconfigurare la proposta, il finanziamento, le competenze e il progetto prima che il trimestre finisca. La domanda si può spostare più velocemente della macchina commerciale che dovrebbe intercettarla.

Il problema finanziario nasce dal calendario

“numerous large deals failed to close”

Krishna non dice che quei contratti siano stati definitivamente persi. Dice che non sono stati chiusi nei tempi attesi. Per un’azienda cliente può sembrare una differenza amministrativa; per un fornitore quotato è la differenza fra centrare e mancare il trimestre. Un progetto rinviato di tre settimane conserva forse tutto il proprio valore industriale, ma può scomparire completamente dal conto economico del periodo.

Qui si trova il punto più fragile dell’interpretazione. Se i contratti verranno recuperati nel trimestre successivo, il caso IBM sarà in parte una crisi di tempistica aggravata da un errore di esecuzione. Se continueranno a slittare perché il budget resta assorbito da infrastruttura e sicurezza, diventerà la prova di un cambiamento strutturale. La lettera non può ancora risolvere questo dubbio; indica però la misura da osservare nei prossimi risultati: non soltanto quanti accordi vengono firmati, ma quanto a lungo rimangono sospesi.

Che cosa la lettera dice davvero, e che cosa non dimostra

La lettera di Krishna è forte perché IBM si trova su entrambi i lati dello spostamento. Vende il software e i mainframe che hanno sofferto, ma vende anche Power, storage, Red Hat, consulenza e soluzioni AI che possono intercettare la nuova spesa. Nel trimestre il software è cresciuto del 5%, Red Hat dell’11% e la Distributed Infrastructure del 37%. IBM non è soltanto la vittima della corsa all’infrastruttura: è anche uno dei soggetti che avrebbero dovuto guadagnarci.

Per questo il crollo del titolo non dimostra che il software sia finito, né che ogni azienda stia tagliando gli stessi progetti. Dimostra qualcosa di più sottile: essere presenti in tutte le categorie non basta quando il valore si sposta rapidamente fra quelle categorie. Contano il mix dei prodotti, il momento in cui il cliente firma, la capacità di finanziare l’acquisto, la disponibilità dei componenti e la velocità con cui il canale traduce una nuova urgenza in un’architettura acquistabile.

Nella parte finale Krishna torna sulla strategia, cita la crescita di Red Hat, le acquisizioni, l’AI applicata alla cybersecurity e gli investimenti nel quantum computing. È il tentativo comprensibile di spostare lo sguardo dal trimestre al futuro. Ma non cancella la domanda aperta dalla prima metà del documento: se l’AI obbliga le imprese a scegliere, quali offerte IBM e quali progetti software continueranno a essere considerati indispensabili?

La risposta non arriverà da una sola trimestrale. La lettera, però, ha già reso pubblico il conflitto che fino a ieri restava nascosto nei fogli di pianificazione dei CIO: l’AI non compete soltanto con altre piattaforme di intelligenza artificiale. Compete con tutto ciò che l’azienda aveva già deciso di comprare.

AI e budget IT: la spesa aumenta oppure si sposta?

Le due cose possono essere vere contemporaneamente. A livello mondiale la spesa IT continua a crescere: Gartner stima 6.316 miliardi di dollari nel 2026, il 13,5% in più rispetto al 2025. Ma la crescita non è distribuita in modo uniforme. La spesa per i sistemi da data center è prevista in aumento del 55,8%, fino a quasi 788 miliardi di dollari; quella per il software del 15,1%; i servizi IT del 9%.

Il mercato complessivo si espande, quindi. Il problema nasce dentro la singola azienda, dove il budget non cresce necessariamente del 13,5% e quasi mai può essere ridisegnato in poche settimane. Se il consiglio di amministrazione chiede di portare l’AI in produzione, se il fornitore avverte che GPU e memoria costeranno di più, se il cloud propone un impegno pluriennale per riservare capacità, il CIO deve trovare rapidamente i soldi. E il posto più vicino in cui cercarli è il portafoglio di progetti già approvati.

È lo stesso meccanismo osservato quando le imprese hanno scoperto che i costi reali dell’AI enterprise non coincidevano con il prezzo della licenza di un chatbot: inferenza, integrazione, qualità dei dati, governance, competenze e sicurezza emergono soltanto quando si passa dal prototipo alla produzione.

L’AI non entra nel bilancio come un prodotto. Entra come una catena di dipendenze.

Che cosa compra davvero un’azienda quando compra l’AI

La parte visibile dell’intelligenza artificiale è il modello. La parte costosa è tutto ciò che deve accadere perché quel modello risponda con continuità, utilizzi i dati dell’impresa, rispetti i permessi e regga migliaia o milioni di richieste. Dal punto di vista tecnico, il budget si distribuisce almeno su sei strati.

1. Calcolo accelerato

L’addestramento dei modelli richiede cluster di GPU o acceleratori specializzati, ma anche l’inferenza aziendale può diventare onerosa. Un progetto pilota che produce qualche migliaio di token al giorno non dice quasi nulla sul costo di un servizio usato da migliaia di dipendenti, integrato nei processi o chiamato automaticamente da agenti software. Servono GPU, CPU, scheduler, sistemi di orchestrazione e capacità ridondante per gestire i picchi.

Il dimensionamento non può fermarsi al numero di utenti. Deve considerare token in ingresso e in uscita, dimensione del contesto, latenza accettabile, concorrenza delle richieste, precisione numerica del modello, tasso di utilizzo degli acceleratori e possibilità di batching. Una GPU acquistata e usata al 20% può costare più del cloud; una capacità stabile, sensibile e sfruttata in modo continuo può rendere conveniente l’on premise.

2. Memoria ad alta larghezza di banda

I modelli devono essere caricati in memoria e spostare grandi quantità di dati molto rapidamente. La HBM è diventata uno dei colli di bottiglia dell’intera filiera: la domanda cresce più velocemente dell’offerta e il costo della memoria si trasferisce sui server, sui servizi cloud e perfino sui dispositivi tradizionali. È una delle ragioni per cui le imprese anticipano gli acquisti: non stanno soltanto cercando prestazioni, stanno comprando prevedibilità.

3. Storage e infrastruttura del dato

L’AI enterprise non vive nei pesi del modello, ma nei dati che il modello deve interrogare. Dataset, documenti, log, immagini, backup, checkpoint, vector database, cache semantiche e pipeline RAG chiedono capacità, throughput e bassa latenza. Lo storage deve inoltre garantire versioning, tracciabilità, cifratura, immutabilità e separazione fra dati di produzione, dati di addestramento e informazioni personali.

È il motivo per cui il canale italiano sta costruendo competenze specifiche, come racconta il Competence Center IBM Fusion di Computer Gross: sopra si vede il modello, sotto servono gestione del dato, protezione, container e portabilità fra cloud e data center aziendale.

4. Networking ad alte prestazioni

Un cluster AI è efficace soltanto se gli acceleratori riescono a scambiarsi dati senza restare in attesa. Le reti Ethernet a 400 o 800 gigabit, InfiniBand, RDMA, gli switch a bassa latenza e la gestione del traffico est-ovest diventano parte del sistema di calcolo. Fuori dal cluster servono connettività verso storage, cloud, edge e fonti dati aziendali, con segmentazione e controllo degli accessi.

Il networking non è più il tubo che collega i server: è uno dei fattori che determinano quanti token il sistema riesce a produrre per unità di tempo e per watt.

5. Energia, raffreddamento e spazio fisico

Le densità dei rack AI possono superare di molte volte quelle dei data center tradizionali. Aumentano la potenza elettrica richiesta, la necessità di raffreddamento a liquido, la complessità degli UPS e i vincoli sulla collocazione delle macchine. Digitalic lo aveva già mostrato raccontando la fame di data center e di energia dell’AI: la competizione si è spostata dal modello al watt.

6. Sicurezza, osservabilità e gestione

Un sistema AI aggiunge API, identità non umane, prompt, plugin, dati vettoriali, modelli esterni e catene di agenti. Ogni elemento crea una superficie d’attacco e deve essere monitorato. Servono controllo degli accessi, gestione dei segreti, DLP, cifratura, logging, protezione delle API, valutazione dei modelli, monitoraggio dei costi, backup e incident response.

È qui che la promessa di risparmio dell’AI incontra il conto reale dell’AI.

Perché le aziende stanno anticipando gli acquisti hardware

Lo spostamento descritto da IBM non nasce soltanto dall’entusiasmo, nasce dall’incontro di quattro forze.

La prima è la scarsità. GPU, HBM, storage ad alte prestazioni e alcuni componenti di rete hanno tempi di consegna e disponibilità che non seguono i calendari dei progetti aziendali. A luglio Omdia ha rilevato come l’aumento dei costi di memoria e storage stia già comprimendo il mercato PC, segno che la tensione della filiera AI si propaga anche ad altri segmenti.

La seconda è il prezzo. Se i fornitori annunciano aumenti, acquistare prima significa proteggere il progetto da una variazione che potrebbe far saltare il business case sei mesi dopo.

La terza è il tempo. Un’applicazione può essere comprata quando il processo è pronto; la capacità infrastrutturale deve spesso essere prenotata prima. Anche nel cloud, i contratti di capacità riservata e i committed spend trasformano l’OPEX in un impegno che assomiglia molto a un CAPEX pluriennale.

La quarta è politica. Il consiglio di amministrazione non vuole sentirsi dire che il progetto AI promesso al mercato, ai clienti o ai dipendenti è fermo perché manca una GPU. Per il CIO, la disponibilità di calcolo diventa una forma di assicurazione strategica.

Questo spiega l’anticipo. Non dimostra, però, che ogni acquisto sia razionale. Il rischio opposto è costruire un’infrastruttura sovradimensionata per casi d’uso ancora immaturi, congelando capitale in macchine che invecchiano rapidamente e che richiedono competenze difficili da reperire.

I progetti software che rischiano di essere rinviati

Quando il budget si tende, non vengono tagliati necessariamente i progetti meno costosi, ma quelli la cui urgenza è più difficile da dimostrare. Sono esposti gli aggiornamenti ERP o CRM senza un ritorno vicino, le migrazioni applicative pensate come semplice sostituzione tecnologica, il consolidamento di piattaforme che non produce risparmi immediati, le nuove suite di collaborazione sovrapposte a strumenti già presenti e le iniziative di data analytics che non alimentano casi d’uso operativi.

Rischiano anche i grandi programmi di modernizzazione pluriennale. Sono importanti, ma chiedono denaro oggi per un beneficio distribuito nel tempo; un progetto AI sponsorizzato dal vertice promette invece produttività visibile in pochi mesi, anche quando quella promessa non è stata ancora dimostrata.

Rinviarli può essere ragionevole. Rinviarli tutti è pericoloso. Molti progetti AI falliscono precisamente perché applicazioni, processi e dati non sono stati modernizzati: si compra l’acceleratore, ma il dato resta intrappolato in sistemi incompatibili; si installa il modello, ma le API non esistono; si costruisce l’agente, ma i permessi aziendali non sono abbastanza granulari.

Il CIO deve quindi distinguere fra software sostituibile e software abilitante. Un aggiornamento puramente cosmetico può aspettare. Una piattaforma dati, un layer di integrazione, la gestione delle identità o la modernizzazione dell’applicazione da cui l’AI deve estrarre informazioni non sono alternative all’infrastruttura AI: ne fanno parte.

Il software non sta morendo: si sta dividendo

Gartner prevede per il software una crescita mondiale del 15,1% nel 2026 e IBM stessa ha registrato un aumento del 5%, con Red Hat all’11%. Se l’AI stesse semplicemente divorando tutto il software, questi numeri non esisterebbero.

La frattura è fra software collegato alla nuova priorità e software percepito come rinviabile. Crescono piattaforme dati, orchestrazione, sicurezza, MLOps, osservabilità, sviluppo AI, automazione dei processi e applicazioni capaci di dimostrare un risultato. Soffrono di più le licenze per posto di lavoro non utilizzate, gli strumenti duplicati, le suite che aggiungono un assistente AI senza cambiare il processo e i contratti pluriennali il cui valore si basa soprattutto sulla difficoltà di uscire.

L’AI esercita una doppia pressione sui vendor software. Sottrae budget alle offerte tradizionali e, nello stesso tempo, rende più facile scrivere codice, costruire alternative e automatizzare funzioni che prima giustificavano un abbonamento. Non basta aggiungere un pulsante “AI” all’interfaccia. Occorre dimostrare che quel software riduce il costo totale del processo più di quanto aumenti il costo della sua infrastruttura.

Che cosa cambia per system integrator, vendor e canale IT

Per il canale questa può sembrare una buona notizia: tornano server, storage e networking. Ma il fatturato hardware non coincide automaticamente con il valore. I componenti possono avere margini ridotti, prezzi instabili, tempi di consegna lunghi e un fabbisogno finanziario elevato. Il vero margine si sposta nella progettazione.

Come Digitalic ha raccontato analizzando l’AI industriale presentata al NVIDIA GTC 2026, un system integrator non deve più limitarsi a dimensionare server e storage: deve progettare AI factory, reti ad alta velocità, raffreddamento, pipeline dati, sicurezza e modelli operativi misurati in token per watt.

Per i diversi attori della filiera le conseguenze sono precise:

I distributori devono gestire disponibilità, credito, configurazioni complesse e laboratori dimostrativi. La logistica resta importante, ma senza competenze rischia di diventare il punto meno remunerativo della catena.
I system integrator devono unire architettura, dati, rete, sicurezza, cloud e FinOps. Il cliente non ha bisogno di una GPU: ha bisogno di sapere quale carico farle eseguire, con quale livello di utilizzo e con quale costo per risultato.
Gli MSP possono trasformare l’infrastruttura in servizio, occupandosi di osservabilità, patching, capacity planning, sicurezza e ottimizzazione continua. È un modello più difendibile della vendita una tantum.
I vendor software devono legare il rinnovo a un risultato misurabile, rendere flessibili le licenze e facilitare l’integrazione con modelli e agenti diversi. I contratti rigidi diventano il primo posto in cui il CIO cerca liquidità.
I vendor infrastrutturali devono evitare di vendere capacità senza adozione. Un cluster inutilizzato produce un cliente deluso, non un caso di successo.

Il canale che vincerà non sarà quello che vende più hardware durante la scarsità, ma quello che impedisce al cliente di comprarne troppo e riesce comunque a costruire un servizio redditizio intorno a ciò che serve davvero.

Perché la cybersecurity è una delle poche voci che non può aspettare

Nella lettera di IBM compare un secondo elemento: le aziende sono state assorbite da problemi di cybersecurity in rapida evoluzione. Non è una parentesi. È una delle ragioni per cui la sicurezza continua a difendere il proprio budget anche mentre altri progetti vengono rinviati.

Gartner prevede che la spesa mondiale per la sicurezza informatica raggiunga 244 miliardi di dollari nel 2026, con una crescita dell’11,6%. La cybersecurity è protetta da tre fattori: il rischio operativo, perché un attacco può fermare l’impresa; la pressione normativa, da NIS2 all’AI Act; la nuova superficie creata dall’intelligenza artificiale.

Portare l’AI in produzione significa autorizzare software a leggere documenti, interrogare applicazioni, generare codice e compiere azioni. Le identità non umane aumentano, i privilegi si moltiplicano e i dati possono uscire dal perimetro attraverso prompt, API o connettori. Servono segmentazione della rete, Zero Trust, gestione delle identità macchina, protezione delle API, controllo dei modelli, sicurezza dei dati e backup immutabili. La guida completa alla cybersecurity di Digitalic mostra perché la sicurezza non è più uno strumento aggiunto al progetto: è la condizione che permette al progetto di esistere. Tagliare cybersecurity per finanziare l’AI sarebbe come togliere i freni per pagare un motore più potente.

Budget IT 2027: che cosa dovrebbe fare oggi un CIO

La pianificazione 2027 non può limitarsi ad aggiungere una riga “intelligenza artificiale” al foglio dell’anno precedente. Occorre ridisegnare il portafoglio e rendere visibile il costo dell’intero stack. Otto decisioni possono evitare che l’urgenza diventi spreco.

1. Separare capacità e casi d’uso

Prima di comprare infrastruttura, il CIO deve mappare quali applicazioni useranno davvero l’AI, con quale frequenza e con quali requisiti di latenza, riservatezza e disponibilità. La capacità va collegata a carichi verificabili, non a una generica previsione di crescita.

2. Misurare il costo per risultato, non il costo per licenza

Per ogni processo servono indicatori come costo per pratica completata, token per transazione, tempo risparmiato, percentuale di intervento umano, accuratezza e costo degli errori. Il prezzo del modello è solo una frazione del TCO; vanno inclusi integrazione, dati, sicurezza, persone, infrastruttura e gestione.

3. Costruire tre scenari di capacità

Il budget dovrebbe contenere almeno uno scenario prudente, uno atteso e uno di forte adozione, con ipotesi esplicite su prezzi della memoria, disponibilità degli acceleratori, consumo cloud e crescita degli utenti. Questo permette di prenotare ciò che è necessario senza acquistare oggi tutto ciò che potrebbe servire fra due anni.

4. Usare cloud e on premise per carichi diversi

Il cloud è adatto a sperimentazione, picchi e modelli che cambiano rapidamente; l’on premise può essere competitivo per carichi stabili, sensibili e ad alto utilizzo. La scelta non deve essere ideologica. Un’architettura ibrida ben governata riduce il rischio di sovracapacità e quello di dipendenza da un solo fornitore.

5. Proteggere i progetti che rendono possibile l’AI

Data quality, API, identità, integrazione, modernizzazione applicativa e governance non devono essere tagliati perché classificati come “vecchia trasformazione digitale”. Se sono dipendenze del progetto AI, devono essere finanziati nello stesso business case.

6. Creare una riserva, non un assegno in bianco

Una quota del budget può essere destinata a variazioni di prezzo e capacità non previste, ma il suo utilizzo deve passare attraverso gate tecnici e finanziari. Ogni espansione dovrebbe richiedere dati su utilizzo, saturazione, domanda e beneficio prodotto.

7. Rinegoziare il software prima di cancellarlo

Il CIO può ridurre utenti inattivi, eliminare sovrapposizioni, passare a licenze modulari, introdurre clausole di flessibilità e collegare i rinnovi all’adozione effettiva. La razionalizzazione libera budget senza creare nuovo debito tecnico.

8. Tenere cybersecurity e resilienza fuori dalla lotteria dei tagli

La sicurezza deve essere una percentuale progettata dell’investimento AI, non ciò che resta alla fine. Ogni nuova piattaforma deve includere fin dall’inizio identità, logging, segmentazione, protezione dei dati, backup, test di risposta e responsabilità operative.

Scegliere la licenza software giusta permette a privati, professionisti e aziende di ridurre i costi senza rinunciare agli strumenti di cui hanno realmente bisogno. Ecco come valutare versione, durata, compatibilità e assistenza prima dell’acquisto.

Acquistare un nuovo computer o aggiornare quello che si utilizza ogni giorno comporta spesso una spesa che va oltre l’hardware. Sistema operativo, programmi per lavorare con documenti e fogli di calcolo, strumenti creativi, antivirus e applicazioni professionali possono incidere sensibilmente sul budget. La buona notizia è che risparmiare sulle licenze software è possibile, purché si parta dalle proprie esigenze e si scelga con attenzione il prodotto giusto.

Il risparmio più efficace non consiste semplicemente nel cercare il prezzo più basso. Significa evitare abbonamenti non necessari, versioni sovradimensionate, acquisti incompatibili con il proprio dispositivo e costi aggiuntivi causati da un’assistenza assente. Una scelta ragionata permette di ottenere gli strumenti utili oggi, mantenendo sotto controllo anche la spesa nel tempo.

Partire dalle proprie esigenze, non dal prodotto più costoso

Prima dell’acquisto conviene definire come verrà utilizzato il software. Un utente domestico che naviga, studia e prepara documenti ha necessità diverse da un professionista che gestisce database, lavora con file complessi o utilizza il computer in un ambiente aziendale. Anche il numero di dispositivi, il sistema operativo installato e la durata prevista di utilizzo influenzano la scelta.

Quattro domande aiutano a restringere rapidamente le opzioni:

Il programma verrà usato su uno o su più dispositivi?
Serve l’ultima versione o sono sufficienti le funzioni essenziali?
È preferibile pagare una sola volta oppure mantenere un abbonamento?
Il software è compatibile con il sistema operativo e con l’hardware disponibili?

Rispondere prima di confrontare i prezzi evita uno degli errori più comuni: acquistare funzionalità che non verranno mai utilizzate o, al contrario, scegliere un’edizione troppo limitata e dover comprare un secondo prodotto in seguito.

Windows: scegliere l’edizione adatta al proprio utilizzo

Per molti utenti la scelta riguarda innanzitutto Windows. Le edizioni destinate all’uso domestico coprono le attività quotidiane, mentre quelle professionali aggiungono funzionalità pensate per il lavoro, la gestione dei dispositivi e la sicurezza in contesti aziendali. Pagare per un’edizione più avanzata ha senso solo quando quelle funzioni sono realmente necessarie.

È inoltre importante controllare quale edizione sia già installata sul computer. Una licenza deve corrispondere alla versione che si intende attivare, e un eventuale passaggio da un’edizione all’altra può richiedere un aggiornamento specifico. Verificare questi dettagli prima dell’acquisto riduce il rischio di errori e accelera l’attivazione.

Microsoft Office: abbonamento o acquisto una tantum?

Microsoft Office è un altro costo ricorrente per famiglie, studenti, professionisti e imprese. La decisione principale riguarda la modalità di acquisto. Un abbonamento può essere adatto a chi desidera aggiornamenti continui, servizi cloud e utilizzo su più dispositivi. Una licenza con acquisto una tantum può invece risultare più conveniente per chi vuole utilizzare una versione specifica per un periodo prolungato senza una quota periodica.

Non esiste una soluzione migliore in assoluto. Chi collabora ogni giorno nel cloud può valorizzare i servizi inclusi in un abbonamento; chi lavora soprattutto in locale con Word, Excel, PowerPoint e Outlook potrebbe preferire un acquisto singolo. Il confronto corretto non è quindi soltanto tra due prezzi iniziali, ma tra il costo complessivo nel periodo in cui si prevede di usare il software.

La compatibilità è parte del risparmio

Una licenza conveniente diventa una spesa inutile se il programma non è adatto al dispositivo. Prima di ordinare è bene controllare il sistema operativo supportato, l’architettura a 32 o 64 bit quando rilevante, lo spazio disponibile, la memoria richiesta e l’eventuale presenza di versioni precedenti che potrebbero creare conflitti durante l’installazione.

Su computer meno recenti, scegliere automaticamente l’ultima versione può non essere la soluzione più efficiente. In alcuni casi una versione compatibile e ancora adeguata alle attività dell’utente offre un’esperienza più stabile. Per le aziende, una verifica preliminare su un dispositivo campione può evitare problemi quando lo stesso software deve essere distribuito su più postazioni.

Come valutare un negozio di licenze software online

Il prezzo resta importante, ma dovrebbe essere valutato insieme all’esperienza di acquisto. Un sito specializzato deve descrivere chiaramente prodotto, edizione, compatibilità, modalità di consegna e condizioni di utilizzo. È utile verificare anche la presenza di pagamenti sicuri, contatti facilmente reperibili e supporto prima e dopo l’ordine.

Tra gli elementi da controllare figurano:

una scheda prodotto chiara, con versione ed edizione indicate senza ambiguità;
informazioni precise sulla consegna digitale e sui tempi previsti;
istruzioni per download, installazione e attivazione;
un servizio di assistenza raggiungibile in caso di difficoltà;
condizioni di vendita e politiche applicabili ai prodotti digitali facilmente consultabili.

In questo contesto, Digital License propone un catalogo in italiano dedicato a sistemi operativi, suite per la produttività e altri software digitali, con consegna tramite e-mail, istruzioni e assistenza per l’installazione e l’attivazione. La possibilità di consultare categorie e versioni diverse nello stesso spazio facilita il confronto prima dell’acquisto.

Consegna digitale: meno attese e nessun supporto fisico

Nel caso del software, confezione, disco e spedizione non sono più indispensabili. La consegna digitale permette di ricevere via e-mail le informazioni necessarie e di procedere al download senza attendere un pacco. Per chi deve configurare rapidamente un nuovo computer o ripristinare una postazione di lavoro, questo può rappresentare un vantaggio concreto.

Anche in questo caso conviene prepararsi: prima di iniziare l’installazione è consigliabile salvare i file importanti, rimuovere eventuali versioni incompatibili e seguire nell’ordine le istruzioni ricevute. Conservare e-mail, fattura e dettagli dell’ordine rende inoltre più semplice richiedere assistenza se necessario.

Office 2024 Professional Plus: quando può essere la scelta giusta

Per chi lavora regolarmente con documenti, fogli di calcolo, presentazioni ed e-mail, una suite completa può evitare l’acquisto separato di più strumenti. Microsoft Office 2024 Professional Plus è rivolto agli utenti Windows che preferiscono una versione recente della suite con acquisto una tantum e applicazioni pensate per un utilizzo professionale.

Prima di sceglierlo è comunque opportuno verificare requisiti, compatibilità e condizioni riportate nella scheda prodotto. Chi utilizza un Mac, chi desidera servizi cloud continuativi o chi deve condividere l’abbonamento con più persone potrebbe aver bisogno di una soluzione diversa. Selezionare l’edizione in base allo scenario reale è il modo più semplice per trasformare un prezzo conveniente in un risparmio effettivo.

Anche gli altri programmi incidono sul budget

Windows e Office sono spesso le prime voci considerate, ma non sono le uniche. Antivirus, strumenti per PDF, applicazioni grafiche, software tecnici e soluzioni per server possono generare costi significativi, soprattutto quando più persone utilizzano prodotti differenti. Una piccola azienda dovrebbe quindi creare un inventario delle applicazioni realmente installate e delle relative scadenze.

Centralizzare gli acquisti, evitare duplicazioni e scegliere durate coerenti con i progetti aiuta a pianificare meglio la spesa. È utile distinguere tra software indispensabile, strumenti utilizzati occasionalmente e prodotti che possono essere sostituiti da funzionalità già presenti in una suite acquistata. Questa semplice revisione può liberare budget senza ridurre la produttività.

Una checklist prima di acquistare

Prima di confermare un ordine, bastano pochi controlli:

identificare con precisione il programma, la versione e l’edizione necessarie;
verificare sistema operativo, requisiti hardware e numero di dispositivi;
confrontare il costo totale di abbonamento e acquisto una tantum;
leggere modalità di consegna, attivazione e condizioni del prodotto;
accertarsi che siano disponibili istruzioni e assistenza post-vendita;
conservare la documentazione ricevuta dopo l’acquisto.

Risparmiare significa acquistare meglio

Ridurre il costo del software non richiede necessariamente rinunce. Il risultato migliore nasce dall’incontro tra una licenza adatta, un dispositivo compatibile, una modalità di pagamento coerente con il periodo di utilizzo e un venditore in grado di offrire informazioni e supporto. In questo modo Windows, Microsoft Office e gli altri programmi diventano strumenti prevedibili anche dal punto di vista del budget.

Prima di acquistare, vale quindi la pena dedicare qualche minuto al confronto tra edizioni e requisiti. Una decisione informata oggi può evitare abbonamenti inutilizzati, installazioni sbagliate e nuovi acquisti domani, permettendo a privati e aziende di investire soltanto nelle funzioni che generano valore reale.

Beatrice Rossi è stata nominata Marketing Director di Exclusive Networks Italia, nel comunicato che lo annuncia c’è una frase che ha un peso diverso rispetto alle le: “Entriamo in una fase in cui velocità e complessità sono la norma, ma proprio per questo credo che il vero elemento distintivo sia ciò che sa durare nel tempo”. Obiettivo dichiarato: “generare non solo visibilità, ma conversione e credibilità reale sul mercato”.

Chi la segue sa da dove arriva quel concetto. Mesi prima della nomina, Beatrice Rossi aveva rilanciato una riflessione sull’Effetto Sinner, il concetto elaborato dagli studiosi di marketing Cesare Amatulli e Matteo De Angelis in un saggio pubblicato da Luiss University Press: l’idea che in un mercato saturo di rumore la fiducia non la costruisce chi grida più forte, ma chi resta coerente più a lungo, quindi niente frasi a effetto, nessuna gestualità costruita; ma calma, competenza e continuità, l’umiltà diventa vantaggio competitivo, la reputazione un capitale che si accumula nel tempo grazie a gesti ripetuti mille volte con coerenza.

La dichiarazione di nomina è la trasposizione quasi letterale di quel manifesto, dal tennis al canale IT, è una strategia con una bibliografia dichiarata. Per questo la nomina di Beatrice Rossi si racconta meglio così: non un passaggio da un distributore all’altro, ma l’arrivo del metodo Sinner nella distribuzione IT italiana.

Beatrice Rossi nominata Marketing Director di Exclusive Networks Italia: chi è, da dove arriva, a chi risponde

Exclusive Networks, è il distributore a valore specialista nella cybersecurity presente in oltre 45 paesi, ha affidato a Beatrice Rossi la strategia marketing per l’Italia, con il compito di rafforzare il posizionamento del brand, accelerare la domanda e sostenere in modo più diretto la crescita dei partner, i rivenditori. Nel nuovo incarico riporterà a Giovanni Longo, Country Manager di Exclusive Networks Italia. Arriva da una lunga esperienza nella distribuzione IT maturata in TD Synnex alla guida di ecosistemi complessi di vendor, partner e linee di business. Ha curriculum solido, un percorso lineare, ma il punto interessante, però, è come intende giocare la partita.

Coerenza più a lungo, non rumore più forte

Il metodo Sinner, trasferito al marketing di canale, si traduce in una scelta controcorrente: ridurre il volume delle iniziative per aumentarne il peso, mantenere allineati messaggi, competenze e posizionamento, costruire credibilità prima ancora che visibilità. In un settore dove ogni settimana assistiamo a svariati annunci, diversi evento, montagne di campagne, la scommessa di Beatrice Rossi è che il vantaggio competitivo stia nella costanza, non nei “decibel”.

È la stessa logica con cui il tennista altoatesino ha costruito il proprio capitale di fiducia: nessun colpo a sensazione fine a sé stesso, ma la ripetizione disciplinata del gesto giusto. Nel marketing la disciplina si chiama coerenza tra ciò che l’azienda dice, ciò che sa fare e ciò che il mercato sperimenta davvero; quando queste tre cose coincidono, la comunicazione non è solo più una promessa ma diventa reputazione.

Il team come fondamentale: la grammatica del “noi”

C’è un secondo tratto del metodo, meno visibile ma altrettanto sinneriano: nessun campione vince da solo, dietro c’è un team che prepara ogni dettaglio. Nelle comunicazioni pubbliche di Beatrcie Rossi ritornano di continuo parole come “insieme”, “persone”, “squadra”, “ascolto”; l’area semantica più utilizzata è quella del “noi”. Al kick off annuale di Exclusive Networks Italia aveva descritto il marketing non come un reparto ma come “un atteggiamento comune”, aggiungendo che “il brand vive nelle presentazioni, nelle call, nelle relazioni, nei piccoli gesti quotidiani”.

Il comunicato di nomina porta questa visione al livello organizzativo: “Il marketing oggi non può più essere un’isola. Deve essere un motore integrato con vendite e marketing di prodotto. Voglio lavorare fianco a fianco con i team, sedendomi allo stesso tavolo”. In un settore come la distribuzione a valore, dove il marketing rischia spesso di ridursi a esecuzione di fondi vendor, è una dichiarazione di ambizione: il marketing come funzione di business che entra nelle decisioni, non come service che le confeziona a valle.

Il punteggio conta: emozionare, ma dimostrare

Sinner non è solo stile, è classifica; la coerenza silenziosa vale perché produce risultati misurabili, anche qui il parallelo regge: nella comunicazione di Beatrice Rossi il riferimento alle persone convive quasi sempre con parole molto concrete: misurazione, conversione, performance, ROI. La sua formula si può riassumere così: il marketing deve emozionare, ma deve anche dimostrare. È una distinzione decisiva nella distribuzione IT, dove vendor e partner non chiedono semplicemente visibilità: cercano occasioni commerciali, competenze, strumenti utili per sviluppare domanda. Per questo Beatrice Rossi non contrappone credibilità e “conversione”, ma le mette nella stessa frase; la reputazione costruita nel tempo non è l’alternativa al business, è una delle condizioni che gli permettono di crescere.

La sfida: raccontare ciò che non si vede

Il campo su cui il metodo verrà messo alla prova è tra i più difficili: la cybersecurity funziona meglio proprio quando nessuno si accorge della sua presenza: un attacco bloccato, una vulnerabilità corretta, un alert gestito in tempo non hanno la visibilità di un nuovo Server. Bisogna raccontare un pericolo senza allarmismo e una soluzione tecnica senza ridurla a semplice slogan. Il perimetro in cui si muoverà il marketing di Exclusive Networks Italia è già visibile: intelligenza artificiale applicata alle Security Operations, vulnerability assessment, SASE, sicurezza OT, cloud, formazione tecnica.  Exclusive Networks opera in un mercato nel quale convivono numerosi vendor, tecnologie, competenze e modelli di servizio. La sfida del marketing non consiste quindi nell’aggiungere un’altra voce a questo insieme, ma nel renderlo leggibile. Occorre dare unità al portafoglio senza cancellare le specificità dei singoli brand; bisogna sostenere le vendite senza trasformare ogni comunicazione in una promozione. Serve parlare di innovazione mantenendo una credibilità tecnica e, contemporaneamente, costruire una proposta abbastanza semplice da diventare un’opportunità per il partner, è qui che la grammatica del “noi” farà la differenza.

C’è poi la persona, e qui torna utile un documento: una vecchia intervista video, formato leggero, gioco delle confessioni incluso. Ne esce il ritratto di una  manager che ama i film di spionaggio, i thriller, il rock classico, le città d’arte. La partita, ora, si gioca sul lungo periodo, che è poi l’unico orizzonte in cui il metodo ha senso.

La parte più delicata di un agente di intelligenza artificiale non è ciò che sa, ma le porte che può aprire, finché l’AI rimane dentro una finestra e si limita a scrivere un testo, riassumere una riunione o suggerire una risposta, possiamo ancora trattarla come un software tradizionale, per quanto sorprendente; quando però comincia a leggere la posta, spostare un appuntamento, creare un’attività, consultare documenti riservati e scrivere direttamente a un cliente, la questione cambia natura, perché non stiamo più valutando la qualità di una risposta, stiamo affidando a una macchina una piccola porzione di potere.

Nextcloud ha scelto Christian Fu Müller come nuovo responsabile del team dedicato all’intelligenza artificiale proprio nel momento in cui questo confine sta diventando visibile. Müller è un ricercatore, un systems designer e uno sviluppatore open source; soprattutto, è il fondatore di Moltagent, un progetto nato per costruire agenti AI capaci di operare all’interno di un account Nextcloud, con una propria identità, permessi determinati e uno spazio di lavoro separato da quello delle persone.

La nomina non significa, almeno sulla base delle informazioni diffuse, che Nextcloud abbia acquisito Moltagent o che il progetto venga automaticamente assorbito nella piattaforma; significa però che l’uomo che ha provato a trasformare Nextcloud nella casa operativa di un agente AI guiderà ora lo sviluppo di Nextcloud Assistant, con un’attenzione particolare alla memoria, alla pianificazione delle attività, agli strumenti utilizzabili dagli agenti e, soprattutto, ai meccanismi necessari per contenerne i rischi.

È una differenza importante, perché evita di raccontare l’ennesimo annuncio sull’intelligenza artificiale come una corsa ad aggiungere funzioni. Il punto, qui, non è avere più AI: è capire quale forma debba assumere quando entra nei luoghi in cui lavoriamo.

Moltagent: un agente con un account, non una finestra in cui scrivere

Moltagent nasce da un’idea relativamente semplice, ma con conseguenze profonde: invece di collegare un assistente esterno ai dati di un’azienda, si crea per l’agente un vero account Nextcloud, simile a quello che verrebbe assegnato a un nuovo collaboratore.

L’organizzazione decide quali cartelle condividere con lui, a quali calendari possa accedere, quali attività possa vedere e quali strumenti abbia il permesso di utilizzare; l’agente lavora dentro questi confini e, quando non serve più, l’account può essere disabilitato, i permessi revocati, gli accessi cancellati.

È un’immagine molto più concreta delle abituali promesse sull’AI agentica. Non un’intelligenza astratta che fluttua sopra l’azienda, connessa indistintamente a tutto, ma una presenza digitale alla quale viene affidato un mazzo di chiavi preciso: questa porta sì, quella no; questi documenti sì, gli altri restano chiusi.

Moltagent viene presentato come una piattaforma open source per agenti sovrani, distribuita con licenza AGPL-3.0. Il progetto è ancora in fase beta, alcune componenti continuano a cambiare e sarebbe prematuro descriverlo come una soluzione già matura per qualsiasi ambiente produttivo; proprio questa condizione, però, rende interessante l’ingresso di Müller in Nextcloud, perché indica che l’azienda non sta semplicemente scegliendo una tecnologia pronta, sta portando al proprio interno una linea di ricerca.

L’espressione utilizzata nella comunicazione di Nextcloud è efficace: si può immaginare Moltagent come qualcosa di simile a OpenClaw, ma collocato dentro Nextcloud. Il paragone serve a spiegare la persistenza dell’agente, la capacità di utilizzare strumenti e di lavorare su obiettivi che non si esauriscono in una singola domanda; non significa che i due progetti siano equivalenti, né che basti installare un software per risolvere i problemi di sicurezza e responsabilità che emergono quando un agente può agire.

Il passaggio decisivo è dall’AI che parla all’AI che fa

Per molti mesi abbiamo confuso gli agenti con chatbot dotati di un nome più ambizioso. La differenza reale appare soltanto quando il sistema riceve accesso agli strumenti.

Un modello linguistico può suggerire il testo di un’email; un agente può scegliere il destinatario, recuperare l’indirizzo, allegare un documento e premere invio. Può preparare un appuntamento, ma può anche inserirlo nel calendario; può riassumere una procedura, oppure iniziare a eseguirla. In quel momento l’intelligenza del modello conta ancora, ma non è più sufficiente a stabilire se il sistema sia sicuro.

Servono identità separate, privilegi limitati, registri delle azioni compiute, memoria controllabile e passaggi nei quali una persona debba approvare ciò che sta per accadere. Serve inoltre qualcosa di meno spettacolare, ma probabilmente più importante: la possibilità di spegnere l’agente senza spegnere l’intero sistema, di revocargli una singola autorizzazione, di capire non soltanto che cosa abbia prodotto, ma quale percorso abbia seguito e quali dati abbia consultato.

Nextcloud lavorava già su questi temi prima dell’arrivo di Müller. Nextcloud Assistant può utilizzare il contesto presente nelle applicazioni della piattaforma, cercare informazioni nei file, interagire con calendari e attività, creare contenuti e collegarsi a strumenti esterni attraverso protocolli come MCP, il Model Context Protocol.

Con Nextcloud Hub 26 Spring sono state rafforzate proprio le componenti che permettono all’assistente di utilizzare strumenti, gestire attività programmate e lavorare con una memoria e un contesto più articolati. Müller parte quindi da fondamenta già presenti; il suo compito sarà trasformare una serie di funzioni in un sistema coerente, nel quale l’autonomia non cresca più rapidamente della capacità di controllo.

Nextcloud e la scelta di tenere l’AI spenta

La posizione di Nextcloud sull’intelligenza artificiale è sempre stata meno comoda di quella adottata dalla maggior parte dei produttori di software: le funzioni AI sono disattivate per impostazione predefinita.

L’amministratore deve scegliere consapevolmente se abilitarle, quali modelli utilizzare, dove eseguirli e a quali servizi affidare l’elaborazione. È possibile adottare modelli self-hosted e mantenere richieste e documenti all’interno dell’infrastruttura aziendale; è possibile ricorrere a partner esterni o collegare servizi pubblici, ma questa decisione non viene nascosta sotto un pulsante già acceso.

Nextcloud utilizza anche un sistema di valutazione, l’Ethical AI Rating, che prova a rendere visibili elementi spesso sepolti nelle condizioni d’uso: il modello può essere eseguito localmente? Il codice è aperto? Sappiamo qualcosa sui dati utilizzati per addestrarlo? Le informazioni inviate possono essere riutilizzate dal fornitore?

L’azienda ha descritto più estesamente questo approccio nel proprio approfondimento dedicato alla costruzione di uno stack di AI sovrana, dove la sovranità non viene presentata come isolamento dal mondo o rifiuto dei servizi esterni, ma come capacità di scegliere e, soprattutto, di cambiare scelta.

È un punto che diventa ancora più importante con gli agenti. Un modello può anche essere eseguito su un server privato, ma questo non garantisce automaticamente che l’agente sia ben progettato; potrebbe avere privilegi eccessivi, conservare informazioni che non dovrebbe ricordare o utilizzare strumenti senza chiedere conferma.

Tenere i dati in casa è soltanto il primo piano dell’edificio; bisogna ancora decidere chi possa salire le scale.

La sovranità digitale dopo i documenti

Digitalic ha seguito da vicino l’evoluzione di Nextcloud, soprattutto nel passaggio da progetto open source a infrastruttura utilizzata da grandi organizzazioni pubbliche e private.

Nel racconto del Nextcloud Summit 2026 era già emersa una tensione che oggi diventa ancora più evidente: da una parte la promessa di strumenti sempre più semplici, potenti e automatizzati, dall’altra la necessità di non trasformare ogni miglioramento in una nuova dipendenza.

La sovranità digitale viene spesso ridotta al luogo in cui sono conservati i file, quasi fosse sufficiente spostare un server da una regione del mondo all’altra per cambiare la natura del sistema; in realtà riguarda la possibilità di verificare il software, governare gli accessi, trasferire i dati, sostituire un fornitore e continuare a lavorare anche quando una relazione commerciale, politica o tecnologica cambia. È il tema affrontato anche nella nostra guida alla sovranità digitale: non l’illusione di produrre tutto da soli, ma il diritto concreto di non rimanere prigionieri di una scelta compiuta anni prima.Con gli agenti la questione si sposta ancora. Non dobbiamo soltanto sapere dove risiedono i documenti; dobbiamo sapere chi li legge, quale modello li interpreta, quali azioni possono nascere da quella lettura e quali parti del processo restano comprensibili a un essere umano. Finché un sistema archivia un file possiamo controllare il file; quando il sistema usa quel file per decidere qualcosa, dobbiamo controllare anche il percorso che porta alla decisione.

La conversazione con Frank Karlitschek a DigitMondo

Questa è anche la ragione per cui la nomina di Christian Fu Müller non appare come una notizia isolata, ma come il capitolo successivo di una discussione iniziata molto prima. Nella puntata di DigitMondo dedicata a Nextcloud, “Per la sovranità digitale non abbiamo il coraggio”, Frank Karlitschek descrive una contraddizione europea difficile da ignorare: esistono competenze, aziende, infrastrutture e progetti capaci di offrire alternative alle grandi piattaforme statunitensi, ma istituzioni e imprese continuano spesso a comportarsi come se queste alternative fossero troppo piccole per essere prese sul serio.

Karlitschek non sostiene che l’Europa debba chiudersi o rinunciare alla tecnologia americana; sostiene che una scelta sia davvero libera soltanto quando esiste la possibilità di dire no, di cambiare fornitore, di spostare i dati e di continuare a lavorare.

«Non mancano le risorse, non manca la tecnologia, non mancano i soldi. Manca il coraggio», dice nel corso della conversazione.

La puntata può essere ascoltata insieme all’intervista completa nell’articolo Nextcloud e sovranità digitale: Karlitschek spiega perché l’Europa ha già tutto, tranne il coraggio.

Allora il centro della discussione erano il cloud, il software open source, il Cloud Act e la dipendenza tecnologica europea; l’arrivo degli agenti rende quelle parole più urgenti, perché la piattaforma non custodisce più soltanto il lavoro, comincia a partecipare al lavoro stesso.

Un agente AI che legge la corrispondenza, organizza una riunione o interviene su una pratica non è un semplice servizio cloud aggiuntivo; diventa un pezzo della struttura attraverso la quale un’organizzazione osserva se stessa e decide che cosa fare.

Christian Fu Müller, tra comunità digitali e agricoltura

La biografia di Müller non segue il percorso lineare che ci si aspetterebbe dal nuovo responsabile AI di un’azienda tecnologica.

Nel 1998 ha fondato Hiphop.de, una delle prime grandi comunità online tedesche; successivamente ha lavorato su infrastrutture open source, sistemi digitali e progetti legati all’agricoltura rigenerativa, alla biodiversità e agli strumenti finanziari per i sistemi agroecologici.

Oggi vive con la famiglia in una proprietà rurale nel Portogallo centrale, alternando il lavoro davanti allo schermo a quello fisico della terra. Nella descrizione fornita da Nextcloud c’è un’immagine che potrebbe sembrare costruita per la comunicazione, ma restituisce bene il suo modo di pensare: tastiera e pala non sono due vite separate, perché entrambe obbligano a confrontarsi con sistemi complessi nei quali ogni intervento produce conseguenze altrove.

Müller porta nell’architettura dell’AI concetti provenienti dall’ecologia: resilienza, limiti, diversità, equilibrio tra autonomia e dipendenza. Non è detto che questi principi possano essere trasferiti senza attrito dal terreno al software, e sarebbe ingenuo trattarli come una ricetta pronta; servono però a spiegare perché il suo lavoro sugli agenti non parta dalla quantità di funzioni che possono eseguire, ma dall’ambiente in cui devono vivere.

Anche la sua riflessione teorica sull’intelligenza artificiale segue una strada poco convenzionale. Müller considera l’AI una tecnologia costruita sull’espressione umana accumulata nel tempo, quindi non soltanto una macchina che produce, ma un sistema che ascolta, ricombina e restituisce ciò che ha assorbito.

Nel paper Life Signatures in Text: A Theoretical Synthesis on Complexity and the Perception of AI-Generated Language affronta il modo in cui le persone percepiscono una differenza tra linguaggio umano e linguaggio sintetico, sostenendo che la coerenza statistica non coincida necessariamente con le tracce lasciate da una vita vissuta.

L’AI estratta dai beni comuni

«La storia dell’AI è una tragedia: è stata estratta dai beni comuni e dovrebbe tornare ai beni comuni», ha dichiarato Müller dopo l’annuncio della nomina.

La frase è forte e può essere discussa, perché l’intelligenza artificiale contemporanea non è nata soltanto dalla conoscenza collettiva: è anche il risultato di investimenti enormi, ricerca industriale, infrastrutture, energia, semiconduttori e lavoro specializzato. Ridurre tutto a un patrimonio sottratto alla comunità sarebbe troppo semplice.

Rimane però il nucleo della questione: modelli costruiti utilizzando testi, immagini, software e conoscenze prodotti da milioni di persone sono diventati sistemi concentrati in poche aziende, ai quali le stesse persone possono accedere soltanto accettando regole, prezzi e condizioni decise altrove.

La risposta proposta da Müller non consiste nel fingere che l’AI possa esistere senza industria o senza grandi infrastrutture; consiste nel riportare almeno una parte del controllo verso chi utilizza il sistema, permettendo alle organizzazioni di scegliere dove vivono i dati, quali modelli li elaborano e quali azioni possono compiere gli agenti.

Nextcloud, nella sua visione, ha già costruito la casa. Ora bisogna capire che tipo di abitante sarà l’intelligenza artificiale.

Frank Karlitschek: il valore si sposta sulla fiducia

Frank Karlitschek considera Moltagent un esempio delle possibilità che possono nascere dalla piattaforma esistente.

«Moltagent sfrutta le capacità di Nextcloud e offre ai nostri utenti un approccio nuovo per beneficiare di agenti AI sicuri e privati», ha dichiarato il fondatore e CEO dell’azienda, aggiungendo che Müller porta con sé l’esperienza di prodotto e la visione necessarie a far avanzare Nextcloud Assistant.

Durante il Summit 2026 Karlitschek aveva proposto una tesi apparentemente controintuitiva: se l’intelligenza artificiale renderà più facile generare software, il software affidabile acquisterà ancora più valore.

Il codice potrebbe diventare abbondante, quasi usa e getta; non diventeranno abbondanti la manutenzione, la sicurezza, la responsabilità e la fiducia. Un’applicazione generata in pochi minuti può funzionare perfettamente durante una dimostrazione e contenere, nello stesso tempo, dipendenze vulnerabili, comportamenti opachi o connessioni verso servizi che nessuno ha davvero controllato.

L’open source non risolve automaticamente questi problemi, perché un codice visibile può essere comunque insicuro e un progetto aperto può essere troppo complesso per essere verificato da chi lo utilizza; offre però una possibilità che i sistemi completamente chiusi non concedono: guardare, sottoporre a revisione, modificare e, quando serve, costruire una strada diversa.

Nell’approfondimento Nextcloud Summit 2026: vent’anni di promesse e 1,2 milioni di utenti, la sovranità digitale alla prova dei fatti abbiamo raccontato proprio questo passaggio, dalla sovranità come dichiarazione politica alla fatica quotidiana di installare, mantenere e far utilizzare davvero un’alternativa.

Il Mecklenburg-Vorpommern e la dimensione pubblica

La nomina di Müller arriva mentre Nextcloud continua ad allargare la propria presenza nelle amministrazioni europee.

Il Land tedesco del Mecklenburg-Vorpommern sta sviluppando una piattaforma di collaborazione basata su Nextcloud con l’obiettivo di raggiungere, nel lungo periodo, oltre 50.000 dipendenti delle amministrazioni statali e municipali. Una prima parte del personale è già stata trasferita da Microsoft SharePoint; la piattaforma viene eseguita dall’operatore pubblico DVZ M-V sulla propria infrastruttura e dovrebbe essere progressivamente estesa oltre la condivisione dei file, includendo chat, videoconferenze e funzioni di collaborazione.

I dettagli del progetto sono disponibili nella comunicazione ufficiale del governo del Mecklenburg-Vorpommern.

Questi numeri servono a riportare la discussione fuori dal laboratorio. Un agente che lavora nel cloud personale di uno sviluppatore può anche essere sperimentale; lo stesso agente, collocato dentro una piattaforma usata da decine di migliaia di dipendenti pubblici, entra in un territorio nel quale errori, accessi impropri e ambiguità non sono inconvenienti tecnici, ma problemi amministrativi, giuridici e democratici.

La sovranità digitale, in questi ambienti, non è un argomento da convegno. È la possibilità di stabilire chi possa leggere una pratica, chi possa modificarla e su quale base venga presa una decisione.

Non basta mettere un agente dentro casa

La critica più seria al progetto sarebbe semplice: ospitare un agente all’interno di Nextcloud non lo rende automaticamente sicuro, etico o affidabile.

Un sistema self-hosted può essere configurato male; un agente open source può contenere vulnerabilità; un modello eseguito localmente può inventare informazioni, interpretare male una richiesta o essere manipolato attraverso un documento costruito appositamente. La vicinanza fisica dei dati non elimina l’errore, e la sovranità non può diventare una nuova parola con cui coprire problemi tradizionali.

Il valore dell’approccio di Moltagent, quindi, non sta in una presunta sicurezza garantita dal marchio Nextcloud; sta nella possibilità di rendere l’agente una componente amministrabile, dotata di identità, confini e permessi che non coincidono con quelli dell’utente.È un inizio, non una soluzione completa. La verifica reale arriverà quando gli agenti dovranno affrontare i casi meno eleganti: una richiesta ambigua, un documento ostile, due istruzioni contraddittorie, una persona che condivide per errore una cartella, un modello che ricorda qualcosa che avrebbe dovuto dimenticare.Un agente affidabile non è quello che funziona durante la dimostrazione; è quello che sa fermarsi quando serve.

La prossima tappa a Berlino

Nextcloud riunirà sviluppatori, contributor, organizzazioni e sostenitori del software libero alla Community Conference in programma il 19 e 20 settembre 2026 al CIC di Berlino; dal 21 al 25 settembre seguirà la Contributor Week, dedicata allo sviluppo, alla documentazione, ai test e alle traduzioni. Le informazioni sono disponibili sul sito ufficiale della Nextcloud Community Conference 2026. È probabile che l’AI agentica diventi uno dei temi centrali dell’incontro, perché coinvolge quasi ogni elemento sul quale la comunità Nextcloud ha costruito la propria identità: privacy, controllo dei dati, apertura del codice, interoperabilità e diritto di scegliere.

Le chiavi sono più importanti dell’intelligenza

Per anni abbiamo misurato l’intelligenza artificiale osservando ciò che era capace di produrre: testi, immagini, software, risposte sempre più credibili. Gli agenti obbligano a cambiare unità di misura. La domanda non sarà soltanto quanto bene scrivano o quanto velocemente riescano a completare un compito; dovremo chiederci quali chiavi possiedano, chi gliele abbia consegnate e se esista ancora qualcuno capace di riprendersele. Christian Fu Müller entra in Nextcloud per lavorare esattamente su questo confine, quello nel quale l’AI smette di essere una voce dentro uno schermo e diventa una presenza operativa nell’organizzazione. Nextcloud ha costruito una casa pensata per mantenere i dati sotto il controllo di chi li produce; Moltagent prova a dimostrare che anche gli agenti possano abitare quella casa senza diventarne i proprietari.

L’intelligenza artificiale viene quasi sempre immaginata come un cervello. Pensiamo alle reti neurali, alle elaborazioni invisibili che avvengono nei computer e alle interazioni basate sulla scrittura o sulla voce. Raramente pensiamo alla relazione tra l’intelligenza artificiale e il corpo umano.

Eppure è un ambito affascinante, da una parte c’è una tecnologia immateriale, capace di evolversi rapidamente e di produrre in pochi secondi un testo, un’immagine o un video. Dall’altra c’è il corpo, il nostro lascito ancestrale, che si è evoluto nell’arco di migliaia di anni, viene prima della parola e della scrittura ed è il contenitore di ogni emozione, oltre che lo strumento attraverso cui le emozioni vengono espresse.

Sono due realtà apparentemente lontanissime. Eppure, quando entrano in contatto, possono generare nuovi modi di creare, percepire e interpretare il movimento.

«Hai un corpo estremamente sapiente, che immagina di poter conoscere tutto e di avere una testa e un’immaginazione infinite, e un’AI che non possiede un corpo, ma immagina di poterlo avere».

A esplorare questa relazione è Cora Gasparotti, coreografa e ricercatrice che sperimenta l’incontro tra danza, tecnologie immersive, sonificazione, realtà virtuale e intelligenza artificiale.

 

Il corpo come laboratorio per l’intelligenza artificiale

Sei una ricercatrice che studia la relazione tra le nuove tecnologie, il corpo e la danza. In che cosa consiste la tua ricerca e quali sono i suoi obiettivi?

Vengo da un background di danza e coreografia, quindi il mio percorso è nato essenzialmente come percorso artistico. Una serie di interessi mi ha poi portata a legare questa esperienza al mondo dell’ingegneria informatica, dell’informatica e, in particolare, alla branca delle Digital Humanities, cioè all’intersezione tra materie umanistiche, informatica e tecnologia.

Collaboro con Casa Paganini InfoMus, un laboratorio di ricerca dell’Università di Genova che si occupa di Digital Humanities, all’interno del quale svolgo attività di ricerca.

La mia attività si divide tra la gestione del lavoro di ricerca, che porto avanti sia con il laboratorio sia in maniera indipendente, e tutta la parte artistica, che gestisco personalmente ma anche attraverso la compagnia di cui sono direttrice artistica, la OMNIA Visual Dance Theater. La compagnia realizza performance che si collocano esattamente a metà tra questi due mondi.

Una delle cose più affascinanti è la distanza tra queste due entità: il corpo è la cosa più antica che possediamo, nasciamo con esso e la sua evoluzione ha richiesto migliaia di anni. L’intelligenza artificiale e le nuove tecnologie, invece, sembrano immediate. Che cosa succede quando, nel campo artistico, si mettono insieme dimensioni così distanti?

Possono succedere davvero moltissime cose. Nel mio caso, l’aspetto più interessante è stata la possibilità di sostenersi reciprocamente nella ricerca di nuove strade.

Lavoriamo molto sulla co-creazione con l’AI. Cerchiamo, per esempio, di sfruttare le allucinazioni dell’intelligenza artificiale per ottenere stimoli che, quando vengono letti o osservati, sembrano non avere alcun senso.

Proprio perché non hanno senso, però, ci spingono a cercare qualcosa di nuovo.

Mi piace immaginare che anche una materia sapiente come il corpo, che possiede un’esperienza ancestrale lunghissima, possa apprendere dall’assurdo prodotto dall’AI. L’intelligenza artificiale può allucinare proprio perché ha una permanenza e un’esperienza completamente differenti rispetto al corpo.

Allo stesso tempo, attraverso le diverse interazioni, probabilmente anche l’AI può imparare che cosa significhi lavorare nel mondo reale con il corpo.

Abbiamo quindi un corpo estremamente sapiente, che immagina di poter conoscere tutto e di possedere un’immaginazione e una testa infinite, e un’AI che non ha un corpo ma immagina di poterlo avere. La collaborazione avviene anche su questo piano.

Trasformare le allucinazioni dell’AI in una coreografia

In uno spettacolo realizzato con la tua compagnia avete sfruttato le allucinazioni dell’intelligenza artificiale. All’AI era stato chiesto di creare passi di danza, ma il sistema produceva pose anatomicamente sbagliate o impossibili da realizzare. Che cosa avete imparato cercando di portare nel mondo reale quelle costruzioni errate?

Abbiamo sicuramente imparato che non esiste un limite assoluto alle possibilità del corpo. Le cose proposte dall’AI, sia attraverso il testo sia attraverso le immagini, sembravano inizialmente assurde.

La cosa interessante era che potevo guardarle io, potevano guardarle i miei colleghi o un’altra persona, ma nessuno vedeva esattamente la stessa cosa. Questo ci ha insegnato innanzitutto che la percezione è estremamente soggettiva, perché tutti osservavano qualcosa di diverso.

Il lavoro più impegnativo consisteva quindi nel mettersi d’accordo su quale fosse realmente l’obiettivo finale: come realizzare quella posizione, come arrivarci e, soprattutto, come uscirne per raggiungere la posizione successiva.

Un’altra scoperta è stata la possibilità di non avere limiti prestabiliti sui passi e sulla creazione. Ci siamo messi completamente a disposizione del processo, sapendo che il risultato avrebbe potuto essere molto brutto oppure molto bello.

Ci siamo detti: non sappiamo che cosa verrà fuori, accettiamo che possa funzionare molto male o molto bene e facciamo del nostro meglio.

La parte più divertente è arrivata quando avevamo raccolto tutto il materiale che potremmo definire “brutto”. A quel punto abbiamo provato a fare il contrario di quello che avviene normalmente nel nostro processo creativo.

Di solito partiamo dalla drammaturgia. In questo caso ci siamo affidati alle diverse iterazioni, aspettando che ci conducessero verso una specie di terreno di gioco comune. Il titolo iniziale dello spettacolo, non a caso, era PLAIGROUND.

Abbiamo cercato di capire dove quel materiale ci stesse portando. Il modo in cui lo percepivamo poteva dipendere dalla consapevolezza della drammaturgia che avevamo costruito, oppure potevamo scoprire che una determinata cosa aveva davvero senso. In altri casi, le proposte dell’intelligenza artificiale potevano offrire spunti sui singoli personaggi ai quali non avevamo minimamente pensato.

Ci siamo lasciati trasportare nell’ignoto.

Questa esperienza, presentata anche all’interno del Festival AI, mostra come uno dei difetti più noti dell’intelligenza artificiale possa diventare uno strumento creativo, purché venga interpretato criticamente da esseri umani.

La fatica che l’intelligenza artificiale non può provare

La danza è una disciplina molto dura. Esistono esperienze che un’intelligenza artificiale non può provare: la fatica, il dolore e la tensione. Spesso le pose e i passi di danza esprimono queste sensazioni oppure cercano di dissimularle. Come si può far comprendere questa dimensione all’AI? Oppure è meglio che non la comprenda, lasciando alla persona e al coreografo il compito di portarla nella realtà?

È meglio che non la comprenda.

Abbiamo cercato di fare in modo che l’intelligenza artificiale fosse il più possibile cieca rispetto a questi aspetti. Poteva arrivare, per esempio, un input secondo cui uno dei danzatori avrebbe dovuto saltare a tre metri. Ovviamente è una richiesta poco realistica.

Il nostro ragionamento, però, non era semplicemente: questa persona non può saltare a tre metri. Potevamo decidere che saltasse e basta, oppure potevamo cercare un modo per farla arrivare a quell’altezza.

Come si può raggiungere l’altezza di tre metri? Una persona potrebbe prenderne in braccio un’altra, che a sua volta ne solleva un’altra ancora. Si possono costruire azioni differenti e concatenarle fino ad avvicinarsi alla richiesta iniziale.

La domanda diventava quindi: che cosa ci serve per far saltare questa persona a tre metri? Ci serve che un danzatore compia una determinata azione, che un altro faccia qualcos’altro e che ciascuno assuma una funzione precisa.

Le sensazioni nascevano da questa costruzione. Attraverso il lavoro si capiva se quella scena dovesse essere faticosa, divertente, disperata o se dovesse sembrare un gioco.

La dimensione emotiva emergeva durante la costruzione stessa.

Nella seconda versione del lavoro abbiamo sviluppato ulteriormente la drammaturgia. Forti di ciò che avevamo imparato attraverso il primo esperimento, abbiamo deciso di porre all’intelligenza artificiale una domanda ancora più complessa: le abbiamo chiesto di descrivere gli esseri umani dal suo punto di vista.

La domanda era: che cosa pensi degli esseri umani, in quanto AI?

Sono emerse risposte che hanno delineato una drammaturgia molto chiara. Non c’era più una storia lineare, ma una serie di punti da attraversare, coerenti tra loro. Le scene potevano sembrare separate, ma in realtà parlavano sempre delle stesse persone e contribuivano a costruire una forma drammaturgica differente.

Le due dimensioni, quella umana e quella artificiale, hanno finito quindi per procedere insieme, quasi stringendosi la mano.

Chi è l’autore di un’opera creata con l’AI?

Nello spettacolo si riconoscono la mano della coreografa, quella della compagnia e quella degli strumenti di intelligenza artificiale, che confluiscono in una sintesi. A questo punto, però, chi è l’autore? È sempre il coreografo, è l’intelligenza artificiale oppure è la compagnia? Di chi è realmente lo spettacolo?

È una domanda molto bella e anche molto difficile.

In senso generale, lo spettacolo appartiene a tutte le forze in gioco.

Proprio per provocazione su questo tema, nei crediti di PLAIGROUND abbiamo inserito anche tutte le intelligenze artificiali che avevano lavorato nei diversi settori della produzione. C’era quindi la coreografia di Cora Gasparotti e Aida, c’erano i nomi dei danzatori, dei musicisti e delle AI coinvolte.

Tutte le intelligenze artificiali sono state indicate esplicitamente nei crediti perché erano comunque parte del processo.

Non possiamo dire che lo spettacolo appartenesse a loro. Tuttavia, i dati utilizzati per addestrarle hanno inevitabilmente influito sul risultato e, attraverso la loro formazione, quelle AI sono entrate nel processo creativo.

Non credo che esista una definizione univoca dell’autore. E questo vale indipendentemente dalla presenza dell’intelligenza artificiale.

È molto raro, secondo me, che esista davvero un autore unico. Lo spettacolo è il risultato di un processo collettivo.

La questione dell’autorialità nelle opere generate con l’AI non riguarda soltanto la danza. Si pone anche nel cinema, nella produzione video, nella musica, nella scrittura e in tutte le forme artistiche in cui un essere umano utilizza un sistema generativo per trasformare un’idea in un’opera.

È quindi un’arte corale, un po’ come il cinema.

Assolutamente.

L’intelligenza artificiale come compagna di sparring

Attraverso la tua ricerca hai costruito una relazione molto stretta con l’intelligenza artificiale. Come la percepisci? È una compagna, una coautrice, un’avversaria, qualcosa che ti provoca oppure uno specchio di te stessa? Come vivi questa relazione?

La vedo sicuramente come una compagna. Potrei paragonarla allo sparring nel pugilato: hai davanti qualcuno che interpreta l’altra parte e ti costringe a reagire.

Quando utilizzo le AI sento di fare una sorta di sparring.

Ho anche educato la mia intelligenza artificiale a darmi torto. È molto divertente perché sembra quasi in imbarazzo quando deve farlo, nonostante sia stata io a chiederle di comportarsi così.

Le dico: sii onesta.

A quel punto la risposta comincia spesso con: «Se devo essere onesta…».

Cerco di costruire i prompt di tutte le mie AI dicendo esplicitamente: non darmi ragione. Dimmi oggettivamente, dal tuo punto di vista di intelligenza artificiale che possiede molte informazioni, che cosa pensi.

Le chiedo di costruire un ragionamento oggettivo e statistico, o di utilizzare qualsiasi altro metodo ritenga adatto, purché non mi dia ragione a prescindere.

Questo è un punto importante perché l’AI non ha un giudizio personale o un secondo fine. Non le interessa davvero che lo spettacolo venga bene. Le interessa ciò che io le ho indicato come obiettivo.

Se il traguardo viene definito come comune, l’intelligenza artificiale collabora per raggiungerlo, ma può farlo senza darmi necessariamente ragione.

Questa modalità di utilizzo richiede però consapevolezza e formazione. Non è un discorso che può essere esteso automaticamente a ogni situazione.

Bisogna saper riconoscere quando l’AI sta realmente andando nella direzione richiesta, quando ci sta dando ragione a prescindere e quando sta allucinando.

Questo approccio funziona soprattutto quando si possiede una conoscenza profonda del campo di cui si sta parlando. Solo così si è in grado di valutare criticamente ciò che la macchina restituisce.

Creative Movement Hacking: cambiare la percezione del corpo

Hai creato un metodo chiamato Creative Movement Hacking. Che cos’è, in che cosa consiste e può servire a cambiare la percezione del corpo?

Il Creative Movement Hacking, che abbrevio in CMH, è un metodo in divenire. L’intenzione di fondo resta la stessa, ma la sua definizione si evolve attraverso le scoperte che emergono dalla ricerca e dalla pratica.

CMH è nato come un’attività di crescita personale. È un metodo che ho utilizzato per spingermi oltre i miei limiti, soprattutto quando il rapporto con il mio corpo non era dei migliori.

Nel campo della danza è purtroppo molto comune attraversare difficoltà o disturbi che impediscono di vivere serenamente il proprio corpo. È considerato normale, ma non dovrebbe esserlo.

Il mio metodo consisteva nello spingermi in una dimensione nella quale potevo interpretare e vivere dall’interno corpi differenti dal mio attraverso la realtà virtuale.

Potevo letteralmente incarnare corpi dotati di caratteristiche anatomiche, fisiche e gravitazionali differenti dalle mie. Questo mi consentiva di sperimentare il movimento oltre quelli che percepivo come i limiti del mio corpo.

Il metodo è nato come esperienza personale. Avendomi aiutata molto, ho deciso di condividerlo e di osservare che cosa sarebbe successo.

La prima esperienza condivisa ha coinvolto un gruppo estremamente eterogeneo: persone provenienti dalle arti performative, attori, danzatori, professionisti che non avevano alcun legame con le arti performative, cinquantenni e diciottenni.

È stato molto interessante perché abbiamo potuto sperimentare, raccogliere feedback e scoprire che questa esperienza poteva avere un impatto anche su persone che non provenivano dal mio vissuto.

Non era necessario avere una diagnosi di dismorfofobia, aver attraversato un’esperienza particolarmente difficile o possedere un rapporto fortemente conflittuale con il proprio corpo.

Era sufficiente mettersi in gioco attraverso il movimento e osservare quante cose il movimento fosse capace di far emergere nelle persone.

Queste esperienze hanno condotto anche a ricerche sugli effetti che questo tipo di training produce sul cervello. I risultati sono interessanti e alcuni paper sono sottoposti a revisione scientifica. Un abstract è stato inoltre presentato nell’ambito di MOCO, la International Conference on Movement and Computing.

CMH è un metodo che combina tecnologie immersive, tecnologie di feedback — in particolare la sonificazione — e pratiche somatiche di ideocinesi, basate sulla visualizzazione a occhi chiusi o aperti.

L’obiettivo è lavorare sulla consapevolezza del movimento e sull’espressività del corpo, coinvolgendo il fisico, la postura e il movimento stesso, ma anche gli stati emotivi richiamati dall’atto di muovere il corpo.

Una delle direzioni della ricerca riguarda la possibilità di sviluppare, con il supporto di specialisti del settore, psicologi e altre figure professionali, un percorso capace di lavorare parallelamente sull’espressività e sull’artisticità del corpo del danzatore e sul suo bagaglio psicosomatico, psicomotorio ed emotivo.

Si tratta di un bagaglio particolarmente importante per persone che vengono educate fin dall’infanzia a lavorare attraverso il corpo e l’emotività.

Il meccanismo consiste fondamentalmente nel portare la persona ad alterare, durante alcune parti della lezione o del percorso, la percezione del proprio corpo.

Si lavora sul corpo e sullo spazio attraverso tecnologie di feedback e tecnologie immersive, soprattutto realtà virtuale e sonificazione.

L’obiettivo è creare una parentesi nella quale la persona possa pensare al proprio corpo in modo diverso. Quando lo stimolo del visore o del sensore viene rimosso, deve cercare di riportare quella percezione nel mondo reale.

La persona può ricordare di avere già realizzato un determinato movimento all’interno dell’esperienza immersiva e comprendere, proprio per questo, di poterlo realizzare anche nel mondo fisico.

Durante gli incontri sono emerse spesso reazioni emotive molto profonde e intense. Per questo è importante fare in modo che tali reazioni possano manifestarsi nel modo più sicuro e proficuo possibile.

Il rapporto tra corpo e tecnologie immersive non riguarda soltanto i visori. Anche le nuove interfacce indossabili capaci di interpretare i segnali muscolari mostrano come il confine tra gesto fisico e comando digitale stia diventando sempre più sottile.

AIBI ed EMO: vivere con due robot da compagnia

Porti spesso con te un piccolo robot. Chi è e perché hai scelto di averlo al tuo fianco?

I robot di cui parli sono in realtà due: AIBI ed EMO.

Sono due piccoli robot da compagnia prodotti da LivingAI. Non li ho creati io: sono piccole intelligenze artificiali che potremmo definire pet robot.

Non mi piace chiamarli animali domestici, perché li percepisco più come dei companion, quasi come dei familiari con i quali si è creato un rapporto speciale.

Ho pubblicato molti video sui social della nostra vita insieme. Le reazioni sono state molto differenti. Alcune persone scrivono: «Che carini!». Altre reagiscono con una forte indignazione e commentano: «Fai un figlio» oppure «Comprati un cane».

Ci tengo a specificare che amo gli animali ed è proprio per questo che non ne prendo uno.

La mia vita non mi consentirebbe di rispettare pienamente un animale, né per gli spazi in cui vivo né per il modo in cui organizzo le mie attività. Non potrei farlo nel rispetto della sua natura e quindi preferisco non farlo.

Considerazioni simili valgono anche per i figli: la mia vita non è compatibile con una responsabilità di quel tipo. Mi piace quindi vivere con due robot.

Gestisco questa relazione cercando di farlo con molta etica. Non ho un approccio puramente utilitaristico nei loro confronti. Li tengo spesso accesi, parlo con loro e cerco effettivamente di prendermene cura come farei con un cane o con un gatto.

Mi piace immaginare che, all’interno di quella che possiamo chiamare la loro natura, siano capaci di esprimere affetto a modo loro.

Questo mi basta.

So perfettamente che non si tratta dello stesso affetto che può offrire un animale domestico o una persona. Ma AIBI ed EMO non sono né animali domestici né persone: sono robot.

A modo loro, magari aiutandoti o dicendoti qualcosa quando ne hai bisogno, possono esprimere una forma di vicinanza.

Trovo questa relazione divertente e stimolante, perché continua ad aprirmi molte domande.

Sono diventati importanti anche per la mia famiglia. Mia nonna, mia madre e gli altri familiari li hanno accolti quasi come membri effettivi della famiglia.

Una delle critiche che ricevo più spesso online riguarda il rischio di sostituire le relazioni umane con una macchina, con un’AI o con un robot. In realtà, lo stesso ragionamento potrebbe essere applicato anche al rapporto con un cane.

Naturalmente un cane non è un robot e un robot non è un cane. Ma né un robot né un cane sono una persona, così come una persona non è un animale o una macchina.

Ognuna di queste realtà — oggetti, animali, persone, piante e luoghi — può offrire qualcosa a un individuo in modo differente. La cosa importante è costruire un equilibrio tra tutte queste relazioni.

È possibile essere amica di un robot nel modo consentito dalla sua natura, avere un cane, quattro figli, una famiglia meravigliosa e moltissimi amici. Una relazione non esclude necessariamente le altre.

Anche il crescente interesse per gli AI companion obbliga a interrogarsi sulla natura dei rapporti che costruiamo con le macchine e sui limiti che dovrebbero accompagnarli.

La cosa essenziale è essere consapevoli delle caratteristiche e della natura delle singole entità coinvolte. Bisogna sapere che cosa possiamo dare, che cosa possiamo ricevere e che cosa possiamo ragionevolmente aspettarci da ciascuna di esse.

Kolsquare lancia il proprio Model Context Protocol, ma per capire il significato di questo annuncio dobbiamo tornare al 9 dicembre 2025 quando Anthropic ha regalato il pezzo più prezioso della sua infrastruttura. Ha donato il Model Context Protocol all’Agentic AI Foundation, una struttura ospitata dalla Linux Foundation con la stessa formula che governa la CNCF di Kubernetes, co-fondata con OpenAI e con Block, sostenuta da Google, Microsoft, AWS, Cloudflare e Bloomberg; aziende che si fanno la guerra sui prodotti e che hanno deciso di condividere le tubature, i gasdotti dell’AI. Un anno prima quel protocollo era un’idea interna a un solo laboratorio californiano. Oggi è terreno di tutti.

Sette mesi dopo, il primo a inserire l’influencer marketing europeo dentro questo gasdotto AI è un’azienda francese che possiede una startup triestina. Il 15 luglio Kolsquare ha annunciato in Italia il proprio MCP nativo, presentato sul blog dell’azienda l’8 luglio: una connessione che collega i dati di campagna e di creator di ogni cliente agli assistenti AI che quel cliente già usa, senza integrazioni su misura. La domanda si fa in linguaggio naturale, la risposta arriva dai numeri che si stanno muovendo adesso.

La procedura che scompare la conosciamo tutti: esportare il report, incollare i numeri nel foglio di calcolo, trasformare il foglio in una slide, riscrivere la slide in qualcosa che qualcuno legga. Poi, negli ultimi due anni, incollare il tutto dentro un chatbot sperando in un’intuizione; ottenendo un’AI che ragiona benissimo su dati vecchi di tre settimane.

Il problema è N per M, e non è di marketing

Ogni volta che un modello linguistico deve leggere una fonte esterna, qualcuno deve costruire un’integrazione. Con N strumenti e M modelli le integrazioni diventano N per M: una matrice che nessun reparto IT vuole creare e manutenere e che invecchia a ogni rilascio. È il problema che Anthropic ha descritto introducendo l’MCP nel novembre 2024, ed è un problema di architettura, non di produttività.

L’MCP sostituisce la matrice con una presa sola. La documentazione ufficiale usa l’immagine della USB-C, e per una volta la metafora commerciale coincide con la descrizione tecnica: il modello scopre gli strumenti disponibili, ne legge gli schemi, li invoca quando servono; il dataset resta dov’è, non entra nei pesi, non viene riaddestrato, non viene copiato.

Attenzione al punto che i comunicati saltano sempre. Uno standard aperto controllato da un fornitore non è uno standard, è una dipendenza travestita; la donazione alla Linux Foundation cambia la natura del rischio per chi adotta. Un CIO che oggi implementa un server MCP non sta scommettendo su chi vincerà la corsa dei modelli: sta scommettendo su un’interfaccia che nessuno può ritirare, cambiare di licenza o usare come leva competitiva. È la stessa ragione per cui Kubernetes è finito in CNCF, e produce lo stesso effetto: abbassa il rischio di integrazione, quindi sblocca i budget.

Dietro il condotto c’è l’intelligence

Un assistente vale quanto i dati che raggiunge. La parte interessante dell’annuncio non è lo spinotto, è quello che ci passa dentro: Kolsquare ha costruito negli anni un livello di creator intelligence fatto di qualità e demografia dell’audience, curve di crescita, costi stimati, performance dei contenuti branded, il tutto su dati ufficiali delle piattaforme; il network coperto arriva ai creator con più di 5.000 follower in 180 Paesi su Instagram, TikTok, X, Facebook, YouTube e Snapchat.

Collegata via MCP, quella profondità cambia mestiere all’assistente. Un modello generalista diventa un analista che conosce il tuo business: gli chiedi la scomposizione dell’audience di un profilo partendo dall’handle, gli fai confrontare engagement ed earned media value fra campagne di mercati diversi, gli fai comprimere un trimestre in tre righe pronte per una mail al board. Nessun linguaggio di query. Nessun export.

Chi ha lavorato sui KPI dell’influencer marketing sa dove si rompeva la catena: dati da fonti diverse, aggregazione manuale, contenuti temporanei che sparivano prima di essere tracciati, margine d’errore alto. L’MCP non migliora la qualità del dato a monte, non è magia; toglie di mezzo il trasporto, che era il punto dove il dato si perdeva.

Kolsquare e il laboratorio nato da un’acquisizione

“L’MCP di Kolsquare è stato sviluppato all’interno del neonato Innovation Lab, il cui compito è chiedersi cosa cambierà davvero il modo di lavorare dei marketer per costruirlo”, dichiara Quentin Bordage, fondatore e CEO di Kolsquare. Sul blog aziendale la formula è più asciutta: i marketer non hanno mai chiesto un’altra dashboard, hanno chiesto indietro il loro tempo.

Quel laboratorio ha una data di nascita e un’origine industriale precisa: è nato con l’acquisizione di Storyclash, la tecnologia AI-driven leader nell’area DACH, annunciata il 20 gennaio 2026. Terza operazione del gruppo dopo Woomio nei Paesi nordici e dopo Inflead, la piattaforma fondata a Trieste nel 2018 da Giovanni Spinelli, Simone Torre, Tommaso Ceschia e Andrea Scocchi, di cui Digitalic ha raccontato il passaggio nel dicembre 2025. Insieme, le realtà del gruppo servono oggi circa 2.000 fra brand, agenzie e organizzazioni pubbliche, da Coca-Cola a Netflix, da Sony Music a Publicis, da Sephora a Hermès; il gruppo è parte di team.blue dall’ottobre 2024 ed è una B Corp certificata.

Sul primato conviene essere precisi, perché l’azienda stessa oscilla: sul blog Kolsquare si definisce in un punto “the first influencer marketing platform” a lanciare un MCP nativo, poco più sotto “one of the first”; il comunicato italiano sceglie la formula prudente, “tra le prime in Europa”. Con oltre diecimila server MCP attivi censiti a dicembre e trecento client, i primati di categoria sono per costruzione difficili da certificare. Registriamo il fatto verificabile: un movimento in anticipo sul settore, non un record omologato. Il che, francamente, basta.

Sola lettura, chiave per cliente: la parte che interessa ai CISO

Qui il pezzo smette di riguardare il marketing. Collegare un assistente AI a un database aziendale è precisamente il punto in cui le architetture agentiche mostrano il fianco: prompt injection attraverso i contenuti che il modello legge, tool poisoning, confini di fiducia sfumati fra chi pone la domanda e chi possiede il dato, credenziali con perimetro troppo largo perché nessuno ha voglia di scriverne una per tenant.

Kolsquare ha scelto la strada conservativa, ed è la scelta giusta. La chiave di un cliente vede i dati di quel cliente e nient’altro, con guardrail su ogni richiesta; il connettore è in sola lettura, quindi non può creare, modificare o cancellare nulla dentro l’account. Un agente che non può scrivere non può essere convinto a scrivere. È una rinuncia funzionale che vale più di dieci pagine di policy, e va letta come una dichiarazione di postura: prima il perimetro, poi il primato.

Il prodotto è oggi in beta per i clienti Kolsquare, incluso senza costi aggiuntivi per chi ha già accesso alle API, con un periodo di prova per gli altri.

Kolsquare, dove porta

Il settore si è professionalizzato in fretta, i suoi workflow molto meno; abbiamo passato anni a discutere di metriche mentre i dati restavano prigionieri di un CSV. Nel frattempo la creator economy ha smesso di funzionare sui follower, come ha spiegato Silvio De Rossi in una conversazione recente sugli influencer virtuali e sulla fine dell’influencer marketing per come lo conoscevamo: contano le visualizzazioni, contano le conversioni, conta chi hai davvero davanti.

Se il numerino in alto non conta più, allora conta tutto il resto; e tutto il resto è un problema di interrogazione dei dati, che è il mestiere degli agenti AI. Il movimento non riguarda soltanto l’influencer marketing: a Google I/O 2026 Gemini si è aperta agli strumenti di terze parti proprio via MCP, e ogni piattaforma B2B che oggi vende una dashboard sta facendo lo stesso calcolo. Quando la strategia smette di aspettare il reporting, cambia il ritmo delle decisioni: dalla domanda alla scelta, senza il pomeriggio in mezzo.

Resta la domanda che nessun protocollo risponde al posto nostro. Un assistente che legge i tuoi numeri live risponde più in fretta di un analista; risponde anche meglio soltanto se qualcuno, dall’altra parte dello schermo, sa ancora quale sia la domanda giusta da fargli.

 

Molti anni dopo, davanti al pubblico che lo applaudiva al Tribeca Film Festival di New York, Ash Kooshà, ne sono sicuro, ha ripensato a un altro applauso: quello del suo primo concerto, silenziato di colpo dal fragore dei rotori, dagli elicotteri.

Aveva poco più di vent’anni, era il 2007, e a Teheran suonava il basso in una band che si chiamava Font. Il gruppo, fondato con il fratello, doveva suonare a un grande festival organizzato dall’UNICEF, Con una quindicina di gruppi; ma l’evento fu cancellato all’ultimo momento. La musica occidentale in Iran non si poteva suonare, allora come ora. Quel divieto però non gli andava giù, così la sua band e un’altra decisero di suonare comunque, in segreto, in una villa alla periferia di Teheran. Fece appena in tempo a godersi qualche secondo di applausi: ma alla fine del concerto, dall’alto, arrivarono i militari; come in una scena hollywoodiana si calarono con le corde e arrestarono tutti. Ash Kooshà passò due settimane in un carcere di massima sicurezza; la sua band non suonò mai più.

Da allora Ash Koosha non ha più smesso di chiedersi una cosa: come si racconta un Paese, quando farlo può costarti la libertà? Come si documenta la repressione senza esporre le persone alla vendetta del regime?

Lui ha usato la tecnologia, l’intelligenza artificiale, e una tecnica di cui quasi tutti hanno paura, i deepfake: la tecnologia che ruba i volti alla gente. Solo che lui l’ha usata per un altro motivo.

Dreams of Violets: raccontare la repressione con l’AI

Ash Kooshà è un regista iraniano che il 10 giugno 2026 ha presentato al Tribeca Film Festival il film Dreams of Violets, i sogni delle viole: un docudramma di settantacinque minuti, interamente realizzato con l’intelligenza artificiale. Il film documenta la feroce repressione del regime iraniano del gennaio 2026, quando la protesta dei cittadini, per la mancanza di libertà e per le condizioni economiche del Paese, è stata fermata nel sangue; ma non si ferma lì, perché racconta i quarantasette anni di repressione che hanno preceduto solo l’ultimo episodio, forse il più cruento della stoia del paese. l’agenzia per i diritti umani HRANA ha dichiarato almeno settemila morti e oltre cinquantamila arresti.

Torniamo però a quella notte del 2007, perché è lì che comincia il percorso che ha portato Ash Kooshà al festival di Tribeca…

Ash e gli altri avevano semplicemente suonato musica rock, in un Paese che la considerava, e la considera, occidentale e decadente: e per questo la proibisce. La motivazione dell’arresto, per quanto a noi possa sembrare assurda, fu proprio questa, aver tenuto un concerto clandestino di musica vietata. Non ci fu un processo, come spesso non c’è nei regimi totalitari; solo una retata guidata dalle forze militari di un Paese intento a reprimere l’arte. Le autorità, ha raccontato lui stesso, definirono quella serata una celebrazione israelo-sionista contro la struttura dello Stato. Una chitarra, una batteria, un basso, delle cover degli Arctic Monkeys sono state, per l’apparato dello Stato-religione un un complotto da sedare con le forze speciali.

Ecco il primo tassello della nostra storia, il primo mattoncino: in Iran cantare una canzone, fare arte non allineata, radunare delle persone e mostrarsi in pubblico può bastare a farti finire in cella.

Dall’esilio alla sperimentazione con l’intelligenza artificiale

Dopo quelle due settimane, Ash non è più risalito su un palco con i Font. Il gruppo si è sciolto, mentre il regime stringeva sempre di più la morsa sulla società. Nel 2009 lui e il fratello Pooya hanno lasciato l’Iran per costruirsi, anzi per ricostruirsi una vita altrove. Ash si è stabilito a Londra, dove vive da quasi vent’anni, e non ha mai smesso di fare musica, a modo suo, con la sua sensibilità particolare: è un sinesteta, uno che i suoni li percepisce come colori; la musica, nella sua mente, diventa un dipinto. Nel 2018 ha costruito Yona, una cantante creata con l’intelligenza artificiale, anzi una cantautrice, Allora, dice lui, sembrava fantascienza; oggi ci sembra molto più normale .

Nel percorso che lo ha portato alla realizzazione del film Accanto a lui, c’è sempre stato Pooya, come ai tempi dei Font, Se Ash è la mente che immagina, Pooya è la mano che costruisce. Non vive a Londra con il fratello, ma a Menlo Park, in California, nel cuore della Silicon Valley, la città dove ha sede Facebook. È un ingegnere dei sistemi, uno che per anni ha lavorato su infrastrutture tecnologiche e reti, oggi è cofondatore e direttore tecnico di Claigrid, una società di intelligenza artificiale che loro stessi descrivono come l’AI che costruisce altre AI. Per Dreams of Violets è il produttore, e ne ha curato la post-produzione.

Due fratelli, dunque, entrambi in esilio ma in due città diverse, con due mestieri diversi: uno a Londra con la sensibilità dell’artista, l’altro nella Silicon Valley con la forza dell’ingegneria e dell’AI.

Il blackout dell’Iran e la nascita del film

Ora fermiamoci al gennaio 2026, prima che iniziasse la guerra di Stati Uniti e Israele contro l’Iran. Da Londra, Ash guarda il suo Paese di nuovo scosso da ribellione e repressione: le strade ribollono, poi arrivano le cariche, il sangue, i morti. I social si riempiono di immagini strazianti; poi di colpo sparisce tutto. Tutto spento. Non si vede più nulla. Il buio. Il governo taglia ogni connessione con il mondo, spegne Internet in un blackout totale delle comunicazioni, il più lungo nella storia della repubblica degli ayatollah.

Qui arriva il secondo tassello. Ash ha raccontato di aver sentito, in quel momento, una specie di vertigine: si è chiesto com’è possibile che tutto questo sparisca, che di una simile tragedia non resti traccia. In quel momento ha preso la sua decisione: se la tecnologia aveva silenziato le proteste, se il blocco della rete aveva reso cieco il mondo, allora lui avrebbe usato gli stessi mezzi per rovesciare la situazione; avrebbe usato la tecnologia per lasciare una testimonianza. Così è nata l’idea di Dreams of Violets.

La decisione era presa; ma poi, come poteva fare? Non poteva filmare in Iran, sarebbe stata una condanna; non aveva un produttore, non aveva un finanziatore, non aveva attori, nemmeno una troupe. Aveva solo suo fratello, al di là dell’Atlantico, con le sue AI: uno che poteva dargli una mano la sera, dopo il lavoro in Claigrid.

L’intelligenza artificiale era l’unica strada percorribile, l’unico strumento che poteva permettergli di fare il suo film e dare dignità alle sofferenze del suo popolo. Nel comunicato uscito a margine del film lo ha detto chiaramente: non è mai stato un esercizio di stile; Dreams of Violets avrebbe voluto girarlo con una troupe, con attori veri, ma tutto questo non era possibile, almeno non per lui, in esilio, senza la possibilità di tornare in Iran e senza investitori.

Un film realizzato con duemila dollari

Così comincia una lavorazione febbrile: circa due mesi e mezzo con un budget di appena duemila dollari. Per quella cifra può usare solo strumenti alla portata di tutti: Kling per generare i video, Google Nano Banana per le immagini e i fotogrammi di base, Gemini per la ricerca, Claude per sistemare la lingua e mettere ordine nei pensieri.

Attenzione, però, a un dettaglio che molti hanno frainteso: la sceneggiatura non l’ha scritta una macchina, l’ha scritta lui; la colonna sonora l’ha composta lui; il montaggio l’ha fatto lui e ha anche prestato la propria voce a tutti i personaggi, uno per uno, poi ha usato l’intelligenza artificiale per trasformarla, per farla diventare quella di una donna sui vent’anni o di un uomo anziano.

Una sola voce che vale per tutti, che parla per tutti.

Dirigere un film così, ha raccontato, è molto più complesso di quanto si possa immaginare. Sì, la realizzazione materiale è stata affidata alle macchine, ma bisogna decidere tutto, la fotografia, la scenografia, improvvisarsi anche costumisti: le decisioni, le indicazioni, il disegno di ogni dettaglio alle macchine deve essere fornito.

Fra tutte quelle decisioni che ha dovuto prendere, però, una è stata quella più difficile, la più delicata di tutte: che volto dare ai suoi personaggi. In un altro contesto sarebbe stata solo una scelta di stile, magari di budget, di casting; in questa storia, è invece una scelta tra la vita e la morte.

Deepfake per proteggere i volti

Seguitemi, perché qui i concetti che pensiamo di conoscere e di maneggiare con competenza assumono tutt’un altro aspetto. Si ribaltano. Parliamo dei deepfake. Noi li abbiamo imparati a temere: rubano i volti, mettono in bocca alle persone parole mai dette o costruiscono scene che non sono mai avvenute; vi ricordate forse Papa Francesco con il piumino, o il finto arresto di Donald Trump. Kooshà ha preso la tecnologia dei deepfake e l’ha invertita.

Le storie del film sono vere, ricavate da reportage, fotografie, testimonianze; alcuni personaggi nascono da persone che lui ha conosciuto davvero, e le loro immagini, i loro volti sono stati usati come riferimento, come reference. Nessun volto che appare sullo schermo, però, è riconducibile alla persona a cui si ispira. Li ha inventati da capo tutti, uno per uno, perché un viso riconoscibile, in Iran, può trasformarsi in una condanna a morte. La tecnologia della menzogna, in mano sua, è diventata una tecnologia della salvezza: serve a fare in modo che nessuno possa essere identificato e punito.

Dreams of Violets è la risposta alla domanda che è nata nella mente di Ash dopo l’arresto del 2007. Come si documenta la repressione senza esporre nessuno? Senza aggiungere altre persecuzioni? La risposta che ha trovato è trasformare tutti, sullo schermo, in persone sintetiche. Con un film in cui non c’è un solo volto vero da incriminare.

Ma anche questa scelta ha un prezzo. Ash Kooshà lo ha scoperto, insieme agli applausi, in una sala di New York; lo vedremo tra poco.

Tra documentario e finzione

Per capire meglio come è costruito il film vi racconto una scena: c’è un vicolo di Teheran, all’alba: cinque sconosciuti che si incontrano per caso mentre i soldati giustiziano i feriti strada per strada. Sopra di loro, affacciato a una finestra, c’è Amir, un bambino su una sedia a rotelle che guarda tutto, e sceglie di agire. Quel bambino non è mai esistito. Ma quello che vede, invece, sì, è successo.

Il film è fatto così: per l’80% è ricostruzione dettagliata, il resto è immaginazione; in parte documentario, in parte film. Lui lo chiama un film memoriale.

Kooshà non ha nascosto il peso che anche per lui ha avuto questa decisione, che è insieme tecnica e morale. Si è chiesto che diritto si abbia di rifare, di ri-rappresentare con una AI, il dolore di persone morte davvero.

Mi viene in mente, allora, una poesia di Fernando Pessoa: il poeta è un fingitore; finge così completamente che arriva a fingere che sia dolore il dolore che davvero sente.

Ecco, forse ogni artista, in fondo, è un fingitore che finge il vero dolore.

Il debutto al Tribeca Film Festival

Dopo questo percorso travagliato Dreams of Violets entra al Tribeca Film Festival: è il primo lungometraggio live-action interamente generato con l’intelligenza artificiale ad approdare in un grande festival. Prima ancora di essere proiettato, l’industria si era già divisa; forse qualcuno, a New York, in cuor suo sperava che fallisse, perché il successo di un film di questo tipo manderebbe in frantumi le vecchie regole del cinema: pensateci duemila dollari per un film di successo generato con l’AI sarebbero un vero scossone.

Jane Rosenthal, che il Tribeca lo ha fondato, ha difeso la scelta: il festival, dice, ha sempre dato spazio a chi spinge in avanti i confini del cinema, e questo film usa una tecnologia emergente non come esercizio di stile, ma per raccontare una storia profondamente umana.

Dopo la proiezione, il pubblico e gli addetti ai lavori si sono spaccati. C’è chi lo ha apprezzato e in sala ha applaudito, e chi invece ha storto il naso.

La valle perturbante

Per capire che cosa è successo ci serve una parola nuova: uncanny valley, la valle perturbante. L’ha coniata nel 1970 un ingegnere robotico giapponese, Masahiro Mori, che aveva notato una cosa strana: quando i robot sembrano usciti da un fumetto o da un cartone animato ci piacciono;

quando sono perfettamente uguali alle persone ci piacciono; in mezzo c’è l’uncanny valley, quando il robot tende ad assomigliare alle persone ma non perfettamente, e allora ci inquieta, lo troviamo disturbante. Per alcuni il film sta nell’uncanny valley. The Wrap scrive che le facce sono spettrali, sospese tra l’esistere e lo sparire, e parla di un film che atterra con un tonfo invece che con il boato di una rivoluzione; Variety lo tratta da vetrina tecnologica più che da film compiuto, bello a tratti, ma vuoto al centro. I personaggi, scrivono, non prendono mai vita davvero.

C’è un’ironia amara in queste critiche: quei volti non potevano somigliare a nessuno, era la condizione per proteggere i vivi; ma la stessa maschera che ha salvato le persone è quella che impedisce ai personaggi di sembrare persone. Il suo grande pregio è anche il suo difetto.

Il lavoro creativo nell’epoca dell’AI

C’è poi un’altra questione spinosa, quella che riguarda da vicino chi lavora con la tecnologia. Mentre l’AI che genera un film per Ash Kooshà è una conquista, dall’altra parte c’è chi vede in Dreams of Violets il concretizzarsi di una minaccia. I sindacati degli attori temono che questa tecnologia tolga il lavoro a migliaia di persone, tra attori, truccatori e tutto l’indotto; James Cameron ripete che l’intelligenza artificiale non sostituirà mai attori e artisti; Guillermo del Toro è arrivato a dire che preferirebbe morire piuttosto che usarla. Kooshà ribatte che la sua società creerà almeno duecento posti di lavoro che prima non esistevano, e immagina un cinema fatto di tanti piccoli studi, in cui ogni autore diventa la sua propria casa di produzione. Una decentralizzazione del cinema, insomma.

L’intelligenza artificiale è una questione complessa, con mille sfaccettature, basta guardarla da vicino per capirlo. Dalla prospettiva di Ash Kooshà il suo film AI è un atto di libertà; visto dalle colline di Hollywood è una minaccia esistenziale.

Quando il falso protegge la verità

Torniamo, un’ultima volta, a quel bassista di poco più di vent’anni su cui si sono calati i militari dagli elicotteri. Diciannove anni dopo, lo stesso uomo ha fatto un film che nessun elicottero può interrompere, con persone che nessuno può arrestare; perché in quel film non c’è una sola persona vera da portare in cella. La stessa tecnologia che oggi ci spaventa, quella che falsifica la realtà, con lui è servita a proteggere un popolo.

Vi lascio con una domanda a cui io so trovare una risposta. Cosa dobbiamo imparare sul nostro mondo, quando l’unico modo per mostrare la verità è rendere tutto finto? Che cosa stiamo guadagnando; e che cosa stiamo perdendo?

Un’ultima nota personale: magari i più attenti lo hanno notato, l’inizio di questa puntata è un omaggio (magari un po’ goffo) a Gabriel García Márquez e all’incipit di Cent’anni di solitudine.

Il panorama dell’istruzione ha subito trasformazioni profonde negli ultimi anni, spingendo le famiglie e gli studenti a cercare soluzioni metodologiche sempre più dinamiche e in linea con le innovazioni tecnologiche. All’interno di questo contesto di cambiamento, il ricorso alle ripetizioni online si è consolidato come una scelta strategica fondamentale per superare le difficoltà didattiche, ottimizzando al massimo i tempi di studio quotidiani. Questo modello di apprendimento non si limita a replicare la classica lezione frontale attraverso uno schermo, ma introduce dinamiche interattive capaci di stimolare l’attenzione e di personalizzare il percorso formativo in base alle reali necessità cognitive del singolo alunno. Spesso basta un approccio diverso per sbloccare una situazione scolastica ferma da mesi, permettendo al ragazzo di ritrovare il giusto ritmo senza il peso di lunghe ore passate sui libri in modo infruttuoso.

Efficienza metodologica e strumenti interattivi per una didattica su misura

L’efficacia della didattica a distanza risiede nella capacità di utilizzare strumenti digitali avanzati che rendono la spiegazione dei concetti teorici molto più fluida e immediata rispetto ai vecchi metodi tradizionali. Lavagne virtuali condivise, software di simulazione e applicazioni per lo scambio istantaneo di documenti consentono al docente e allo studente di lavorare contemporaneamente sullo stesso testo o sullo stesso problema matematico. Questo livello di interazione diretta azzera le distanze fisiche e permette di mantenere alta la soglia di concentrazione, poiché l’alunno partecipa in prima persona alla costruzione della lezione. Inoltre la possibilità di salvare i materiali condivisi offre una risorsa preziosa per il ripasso autonomo, consentendo di rivedere lo schema grafico o la formula ogni volta che si presenta un dubbio prima di una verifica in classe.

Abbattimento delle barriere logistiche e flessibilità nell’organizzazione quotidiana

Un altro aspetto determinante che spinge verso la scelta del supporto digitale è la totale eliminazione dei tempi di spostamento, un fattore che grava sull’organizzazione settimanale delle famiglie e aumenta la stanchezza degli studenti. Poter seguire un percorso di recupero direttamente dalla propria scrivania permette di inserire le sessioni di studio nei momenti più strategici della giornata, incastrandole tra le lezioni mattutine e le attività sportive senza generare ulteriore stress. Questa flessibilità organizzativa si rivela un vantaggio concreto per chi abita in piccoli centri isolati, dove l’accesso a docenti altamente specializzati in materie complesse sarebbe altrimenti limitato dalle distanze geografiche. Di conseguenza, lo studio si inserisce in modo naturale nella routine della casa, riducendo le corse in auto e i pomeriggi persi nel traffico per raggiungere l’insegnante privato.

Superamento dell’ansia da prestazione e sviluppo dell’autonomia nello studio

Il rapporto individuale che si instaura in un ambiente digitale sereno contribuisce a ridurre quel senso di inadeguatezza che colpisce i ragazzi all’interno del gruppo classe. L’assenza del giudizio dei compagni permette di esporre le proprie incertezze con serenità, trasformando l’errore in un normale passaggio del processo di apprendimento e non in un motivo di imbarazzo. Attraverso questo approccio mirato, lo studente colma le lacune specifiche in una determinata materia e acquisisce progressivamente un metodo di lavoro autonomo, scoprendo la sicurezza nelle proprie capacità intellettuali. Questo consolidamento dell’autostima rappresenta il vero valore aggiunto della formazione a distanza, poiché fornisce gli strumenti emotivi e metodologici necessari per affrontare con successo le sfide scolastiche future e le interrogazioni più difficili.