Hai ChatGPT a pagamento, hai Claude, hai Gemini. E li usi per chiedere il meteo o per farti scrivere un’email generica che inizia con “Gentile cliente, spero che questa email la trovi bene”.

Il problema non è lo strumento, è il modo in cui viene usato. Garbage in, garbage out: se si dà un input generico, si riceve una risposta generica. Semplice.

Monty — che costruisce da mesi una startup gestita al 95% da agenti AI — ha messo a punto sette tecniche che cambiano concretamente il modo di lavorare con l’intelligenza artificiale. Non teorie. Cose che usa ogni giorno, con risultati verificabili.

1. Il fascicolo: dai contesto, non istruzioni

L’AI non legge nel pensiero. Quello che elabora è il contesto che riceve — e se il contesto è scarso, la risposta sarà per forza generica.

L’immagine giusta è quella del fascicolo da tribunale: prima di chiedere qualsiasi cosa di importante, si costruisce un dossier completo. Chi sei, cosa fai, chi sono i tuoi clienti, qual è il tuo modello di business, quali sono le tue priorità, il tuo tono di voce, le cose che vuoi e quelle che non vuoi.

Per le domande banali non serve. Ma per le decisioni strategiche — di business, di prodotto, di comunicazione — il fascicolo è la differenza tra una risposta mediocre e una risposta utile. Senza contesto, l’AI risponde per tutti. Con il contesto, risponde per te.

2. Gira la palla: fatti fare le domande

Quasi nessuno usa questa tecnica, eppure è una delle più potenti: invece di sforzarsi di scrivere il prompt perfetto, si chiede all’AI di fare le domande che le servono per dare una risposta migliore.

La formula è semplice: “Prima di darmi una soluzione, fammi le cinque domande più importanti di cui hai bisogno per rispondermi bene.”

Il risultato è quasi sempre sorprendente. L’AI individua angolazioni e informazioni mancanti che chi fa la domanda non aveva considerato — e che cambiano radicalmente la qualità della risposta finale. È il passaggio da “pretendo risposte” a “mi faccio interrogare”: un cambio di prospettiva che vale più di qualsiasi tecnica di prompting.

3. Chiedi quali sono le ipotesi

Ogni risposta dell’AI si basa su ipotesi di partenza, a volte sbagliate. Se le ipotesi sono errate, anche la risposta più elaborata sarà inutile.

La tecnica: dopo aver ricevuto una risposta o un piano, chiedere esplicitamente “Quali assunzioni hai fatto per arrivare a questa conclusione?” Spesso emerge che il modello ha dato per scontato qualcosa di fondamentalmente sbagliato rispetto alla situazione specifica.

L’ipotesi sbagliata manda in fumo l’intero piano. Correggere prima le ipotesi significa correggere le risposte alla radice.

4. Insisti: la prima risposta è sempre quella pigra

La prima risposta di qualsiasi modello AI è, per definizione, quella di comodo. Equilibrata, prudente, un colpo al cerchio e un colpo alla botte. Non è sbagliata, ma non è nemmeno utile.

La regola pratica: non accettare mai la prima risposta come definitiva. Metti in dubbio, chiedi di approfondire: “Sei sicuro che non ci siano soluzioni migliori? Cerca in modo più approfondito. Non mi convince, prova di nuovo.”

La differenza tra la prima e la settima risposta è quella tra un candidato che vuole fare bella impressione e un consulente esperto che dice davvero quello che pensa. La qualità cresce con la pressione.

5. La semplificazione: esiste una soluzione più elegante?

Quando l’AI propone una soluzione complessa, vale sempre la pena chiedersi se ne esiste una più semplice. I modelli tendono a elaborare soluzioni articolate — codice, integrazioni, procedure multi-step — anche quando basterebbe qualcosa di molto più diretto.

La domanda da fare: “Esiste una soluzione più elegante, più semplice, più veloce da implementare?” Spesso la risposta è sì — e quella soluzione esiste dall’inizio, ma il modello non la propone perché non viene spinto a cercarla.

Come diceva Mark Twain: la differenza tra la parola quasi giusta e la parola giusta è la stessa che c’è tra una lucciola e un fulmine. Vale anche per le soluzioni.

6. Il red team: fatti demolire il progetto

L’AI è bravissima a costruire. Ed è altrettanto brava a demolire. Il problema è che fa solo una cosa per volta — e di default costruisce sempre. Tocca a chi la usa dirle di fare l’altra.

La tecnica red team funziona così: dopo aver ricevuto un piano o un progetto, si chiede esplicitamente di smontarlo. “Adesso sii il più critico possibile: quali sono i tre buchi più grandi in questo piano? Dove sono i punti deboli? Cosa potrebbe andare storto?”

Quello che emerge è spesso illuminante. L’AI non ha nessun attaccamento emotivo al progetto che ha appena preparato — e lo smonta senza imbarazzo, trovando falle che chi ha costruito il progetto non avrebbe mai visto da solo. Un umano difende il proprio lavoro per istinto. L’AI no.

I buchi trovati prima di andare sul mercato si correggono gratis. Quelli trovati dopo si pagano con i propri soldi.

7. Usa almeno due modelli: non fidarti di uno solo

Nel 2026, usare un solo modello AI per decisioni importanti è come consultare un solo medico per una diagnosi seria. I modelli diversi sono stati addestrati con dati e approcci diversi — e danno risposte diverse sullo stesso problema.

Il minimo è usarne due in parallelo: ChatGPT e Claude, Claude e Gemini, Gemini e Grok. Non per fare una media delle risposte — che non sarebbe comunque una garanzia di correttezza — ma per avere due angolazioni diverse sullo stesso problema. Le differenze tra le risposte sono spesso le informazioni più preziose.

Un punto importante: il fatto che quattro modelli diversi siano d’accordo su qualcosa non significa che sia vero. È un indizio, non una prova. L’AI è un intermediario — un ricercatore molto competente ma fallibile.

Conclusione: l’AI è bravissima a sembrare sicura. Il dubbio tocca a noi.

Queste sette tecniche non richiedono competenze tecniche, non richiedono di imparare linguaggi di programmazione e non richiedono abbonamenti speciali. Richiedono solo un approccio diverso: più consapevole, più esigente, meno passivo.

L’AI risponde meglio a chi domanda meglio. Tutti gli altri ricevono la stessa risposta mediocre — e in più pagano l’abbonamento.

L’AI è bravissima a sembrare sicura. Ed è esattamente per questo che il dubbio — quello critico, quello che verifica, quello che insiste — deve restare umano.

Staff Monty

Questo post è stato scritto con l’ausilio dell’AI partendo da un video di Monty

L'articolo 7 tecniche per usare l’AI meglio (e smettere di sprecarla) proviene da Marco Montemagno.

Una mattina ci si sveglia e si trovano 3.000 euro in cassa. Non per un lavoro fatto di persona, non per una consulenza, non per un prodotto venduto a mano, ma per una sponsorizzazione venduta in autonomia dagli agenti AI, mentre il fondatore dormiva.

È quello che è successo a Spiegamelo Facile, la newsletter-startup di Monty che punta a essere gestita al 95% da agenti di intelligenza artificiale. Un traguardo piccolo in termini economici, enorme in termini di principio: per la prima volta, un sistema di agenti ha chiuso una trattativa commerciale reale.

In questo aggiornamento: com’è costruito il sistema di monetizzazione, cosa sta funzionando nella produzione di contenuti, cosa invece è ancora problematico — e quanto costa davvero tenere in piedi una macchina del genere.

Prima di tutto: il disaster recovery (la parte noiosa ma obbligatoria)

Chi costruisce con agenti AI senza esperienza tecnica tende a concentrarsi su cosa costruire, trascurando cosa fare se tutto va storto. È un errore che può costare mesi di lavoro.

È successo anche in questo caso: un agente è andato fuori controllo e ha eliminato dati di produzione. Da lì nasce la decisione di dedicare tre giorni interi solo alla costruzione di un piano di disaster recovery serio. Le domande da porsi sono:

• Il backup esiste — ma funziona davvero? È stato testato?
• Dove va il backup? Su un solo server o su più cloud storage indipendenti?
• Le istruzioni per il ripristino sono chiare e accessibili anche in emergenza?
• In quanto tempo si torna operativi?

Risultato del test: ripristino completo in 8 minuti. Un risultato possibile solo dopo aver impostato il sistema correttamente. Per i cosiddetti vibe coder — chi costruisce con agenti senza background tecnico — è una delle priorità più sottovalutate. Prima si imposta, meglio è.

La produzione di contenuti social: cosa funziona

Il sistema di produzione contenuti sta girando in modo abbastanza fluido. Il flusso è questo: gli agenti fanno la ricerca, selezionano le notizie, producono i contenuti per Instagram, X, LinkedIn e blog. Il fondatore approva, clicca “schedula” e il sistema distribuisce tutto in automatico negli orari ottimali.

La qualità dei contenuti, spesso il punto debole dei sistemi AI automatizzati, è uno degli aspetti su cui si è investito di più. Ogni contenuto passa attraverso filtri multipli che valutano: correttezza fattuale, tono linguistico, uso degli inglesismi, livello di complessità del linguaggio. C’è persino una funzione dedicata esclusivamente all’umorismo — perché il tono da guru motivazionale è esattamente quello da evitare.

Per le immagini si usa l’integrazione con piattaforme come Ideogram e Xfield — quest’ultima permette di accedere a tutti i principali modelli di generazione immagini e video da un unico punto.

Il sistema di monetizzazione: come funziona dalla richiesta al pagamento

La parte più interessante di questo aggiornamento è la struttura del sistema di acquisizione sponsor — costruita per essere quasi completamente automatizzata. Funziona su due binari paralleli.

Binario 1: gli sponsor che arrivano da soli

Quando un’azienda contatta la newsletter per una sponsorizzazione, l’agente analizza la mail, prepara una bozza di risposta e la mette in attesa di approvazione. Una volta dato l’ok, parte una mail con il link a una pagina self-service dove l’azienda può:

• vedere le caratteristiche degli slot disponibili (main slot e slot secondario)
• scegliere la data di pubblicazione dal calendario delle prossime 6-8 settimane
• ricevere i dati per il bonifico bancario
• caricare il proprio materiale pubblicitario (logo, testo, link)

Dopo il pagamento, il sistema sblocca l’area self-service, rielabora il testo pubblicitario adattandolo al tono della newsletter e propone due versioni all’azienda. Il giorno dell’uscita, lo spot viene inserito automaticamente nella newsletter. Sei giorni dopo, parte il report con tutti i dati: invii, tasso di apertura, click through rate.

Binario 2: la ricerca attiva di sponsor

Gli agenti fanno quotidianamente una ricerca degli sponsor attivi su media e social, identificano il responsabile marketing di ciascuna azienda, recuperano il contatto e preparano una mail personalizzata basata sulle informazioni trovate su quel professionista. La mail viene messa in bozza, approvata manualmente, e poi parte. Se c’è risposta, si rientra nel funnel del binario 1.

Risultato attuale: €3.000 incassati, una pipeline di potenziali €30.000 in negoziazione. Non numeri da unicorn, ma il principio funziona.

Cosa non funziona ancora: i problemi aperti

I costi crescono più veloci del previsto

Per la prima volta in questa esperienza si è raggiunto il limite massimo della subscription di Claude Code — il giovedì mattina, con ancora mezza settimana davanti. I costi API crescono in modo costante e richiedono attenzione continua.

I fattori che fanno salire i costi più del necessario: sessioni troppo lunghe che accumulano contesto inutile, caricamento ripetuto di dati già elaborati, mancanza di compressione del contesto tra una sessione e l’altra.

La stima attuale: intorno ai €2.000 al mese tra API e subscription, più i costi di email marketing, dominio e strumenti accessori. Cifre ancora contenute rispetto a una startup tradizionale, ma in crescita rapida.

Ogni modifica genera nuovi problemi

Costruire senza esperienza tecnica significa che ogni intervento sul sistema rischia di rompere qualcos’altro. La soluzione adottata è l’adversarial review: Claude Code scrive il codice, Codex di OpenAI lo analizza da un punto di vista esterno e trova gli errori.

Il linguaggio assertivo degli agenti non è sinonimo di correttezza

Più si lavora con agenti AI in modo continuativo, più si sviluppa una sana dose di scetticismo nei confronti delle loro risposte. Gli agenti parlano sempre con un tono sicuro e convincente — ma sbagliano spesso. Trattarli come collaboratori alla pari, non come oracoli, è una delle lezioni più importanti che emergono dall’uso intensivo quotidiano.

Conclusione: puoi delegare la conoscenza, non la comprensione

Due mesi di lavoro intenso, una prima vendita autonoma degli agenti, una pipeline commerciale in costruzione, costi che crescono e bug da risolvere ogni giorno. Questo è lo stato reale di una startup gestita al 95% da agenti AI.

Non è una visione idilliaca, è un lavoro vero, tecnico, caotico e pieno di imprevisti — che però comincia a dare risultati concreti.

La regola che vale più di qualsiasi strumento:

Puoi delegare la tua conoscenza agli agenti. Non puoi delegare la tua comprensione.

Staff Monty

Questo post è stato scritto con l’ausilio dell’AI partendo da un video di Monty

L'articolo Agenti AI e monetizzazione: la prima vendita da soli, e quello che si impara sul campo proviene da Marco Montemagno.

130 miliardi di dollari. È quello che Elon Musk chiede a OpenAI per aver tradito la missione originale: portare l’intelligenza artificiale a beneficio di tutti, non quotarsi in borsa con una valutazione superiore al trilione di dollari.

Ma la domanda che vale la pena farsi è un’altra: si tratta davvero di una questione di principi, o è semplicemente la guerra tra due ex soci miliardari che si odiano a vicenda e hanno entrambi qualcosa da guadagnarci?

Per capirlo bisogna partire dall’inizio — da come è nata OpenAI, da chi c’era dentro, da cosa è andato storto e dove potrebbe arrivare questa storia.

Come nasce OpenAI: la promessa originale

Tutto comincia con una conversazione. Elon Musk va a trovare Larry Page, co-fondatore di Google, e torna a casa con una convinzione: Google stava dominando il campo dell’intelligenza artificiale, aveva DeepMind e laboratori avanzatissimi, e nessuno stava creando un’alternativa reale. Un singolo colosso con quel potere era, secondo Musk, un rischio.

L’idea di OpenAI nasce da lì: un’organizzazione no-profit, aperta, democratica — che potesse mettere l’AI a disposizione di tutti, non solo di chi poteva pagarsela o controllarla. Musk ci mette 44 milioni di dollari, il nome e la propria reputazione. Recluta Sam Altman, fresco di Y Combinator, e un gruppo di ricercatori di prim’ordine.

Il messaggio era quasi messianico: salviamo il mondo dall’AI nelle mani sbagliate. Poi è arrivato ChatGPT — e tutto è cambiato.

La rottura tra Musk e OpenAI: cosa è successo davvero

Quando ChatGPT esplode e diventa il prodotto di consumo di massa più adottato della storia, la situazione interna a OpenAI cambia rapidamente. Sam Altman capisce che per crescere davvero servono miliardi — non decine di milioni. Servono data center, i migliori talenti al mondo, infrastrutture enormi.

Musk, nel frattempo, prova a prendere il controllo diretto dell’azienda, proponendo di portare tutto dentro Tesla con lui al comando. Il team interno, documentato in mail e diari interni poi emersi agli atti, spinge invece nella direzione opposta: slegarsi da Musk e trovare il proprio percorso.

Il conflitto si risolve con l’uscita di Musk. Che però non dimentica — e non perdona.

Nel frattempo OpenAI attraversa anche un’altra crisi: il board caccia Sam Altman, salvo poi reintegrarlo dopo una reazione compatta dei dipendenti. Ilya Sutskever e altri ricercatori chiave lasciano. L’atmosfera interna, stando ai documenti emersi, ricorda più un asilo nido con in mano la tecnologia più potente del pianeta che un laboratorio di ricerca all’avanguardia.

La causa: Musk ha ragione, torto, o entrambe le cose?

Musk chiede 130 miliardi sostenendo che OpenAI ha tradito la sua missione no-profit trasformandosi in una macchina commerciale orientata alla quotazione in borsa e al profitto. La tesi ha una sua logica.

Il punto sollevato da Musk che regge: se si lancia un ente di beneficenza, si raccolgono capitali grazie a quello status e a quel messaggio, e poi — quando il prodotto funziona — ci si trasforma in una società commerciale, si sta usando la struttura no-profit come trampolino per il profitto privato. È una pratica che, se passasse come accettabile, aprirebbe una strada pericolosa per chiunque voglia replicarla.

Il punto debole della posizione di Musk: ha un concorrente diretto. xAI con Grok è esattamente la sua risposta privata a OpenAI. Tenere il riflettore puntato su OpenAI con una causa pluriennale, rallentarne la quotazione in borsa e seminare dubbi sulla sua governance è una strategia competitiva, non solo un atto di giustizia.

OpenAI risponde esattamente su questo: Musk attacca solo perché ha perso il controllo di qualcosa che ora vale mille miliardi.

Il paradosso: per fare la rivoluzione hai bisogno dei soldi di chi vuoi rovesciare

OpenAI è nata per impedire che l’AI finisse nelle mani di pochi grandi colossi. Per farlo ha dovuto chiedere miliardi a Microsoft, Amazon, SoftBank e altri mega-investitori.

È un po’ come fondare un gruppo per alcolisti anonimi e poi farsi sponsorizzare dalla birra. Il paradosso è evidente — ma anche, in parte, inevitabile. Costruire e mantenere i modelli AI più avanzati richiede investimenti che nessuna no-profit può sostenere autonomamente. I data center, i chip, i talenti: i costi sono nell’ordine dei trilioni.

Come ha ricordato Dario Amodei di Anthropic in una recente intervista, anche lui ha dovuto confrontarsi con la questione degli investimenti stellari necessari per competere — e non è una questione semplice per nessuno. La rivoluzione, oggi, la fa chi riesce a pagare la bolletta elettrica più grande della storia.

Cosa succederà: scenari possibili

La causa andrà avanti, ma il treno di OpenAI difficilmente tornerà indietro. Ecco i tre scenari più probabili:

OpenAI si quota in borsa comunque

La causa rallenta il processo, ma non lo blocca. OpenAI ha il brand più riconoscibile del settore — ChatGPT è diventato un verbo, come Google. Con numeri di utenti da capogiro e partnership con i principali player tech mondiali, la quotazione è questione di quando, non di se.

La concorrenza si fa sempre più serrata

OpenAI non è più la sola a dettare le regole. Anthropic con Claude sta crescendo in modo significativo nel segmento business — chi usa Claude tutto il giorno per lavoro difficilmente aprirà ChatGPT a casa. Il mondo cinese preme. Grok di xAI è in forte crescita.

Musk ottiene visibilità, non i 130 miliardi

È improbabile che la causa si concluda con OpenAI che torna a essere una no-profit. L’obiettivo reale di Musk sembra un altro: tenere il riflettore puntato, rallentare il percorso dell’avversario, alimentare il dubbio. Su questo, sta già vincendo.

Conclusione: perdono tutti, almeno in termini di credibilità

Leggendo le mail scambiate nel corso degli anni tra i protagonisti, quello che emerge non è una guerra tra principi e pragmatismo. È una guerra tra ego e interessi economici che si scontrano — con la tecnologia più potente della storia come posta in gioco.

Musk ha ragione quando denuncia l’ipocrisia di una no-profit che si trasforma in macchina da soldi. Ha torto — o almeno è in malafede — quando finge che la sua motivazione sia puramente etica, visto che ha un concorrente diretto da far crescere.

OpenAI ha costruito qualcosa di straordinario. Ha anche usato una struttura no-profit come trampolino verso il mercato, e questo è un problema che va ben oltre la causa in corso.

Nel frattempo, noi continuiamo a pagare l’abbonamento.

Staff Monty

Questo post è stato scritto con l’ausilio dell’AI partendo da un video di Monty

L'articolo Elon Musk contro OpenAI: la causa da 130 miliardi spiegata bene proviene da Marco Montemagno.

Jensen Huang, CEO di Nvidia, ha annunciato che ogni suo dipendente dovrà gestire 100 agenti AI. Sembra una provocazione, ma dietro quella cifra si nasconde qualcosa di molto più grande: la fine del lavoro come lo abbiamo sempre conosciuto.

Chi è Jensen Huang e perché conviene ascoltarlo

Jensen Huang è il fondatore e amministratore delegato di Nvidia, una delle aziende a maggiore capitalizzazione di borsa al mondo.

Arriva sui palchi con la sua giacchetta di pelle, il sorriso da chi sa qualcosa che gli altri non sanno, e sgancia bombe come questa: Nvidia vuole avere 75.000 dipendenti e 7,5 milioni di agenti AI. Ovvero, ogni dipendente dovrà gestire 100 agenti AI.

La reazione media? “Jensen, hai bevuto. Se un dipendente costa qualche centinaio di migliaia di dollari all’anno, dovrà spendere 150–200.000 dollari all’anno solo in token (la valuta degli agenti AI). Sei impazzito?”

E qui arriva il punto che tutti si perdono. Nvidia non vende GPU. Cioè, le vende, ovviamente, ma il vero prodotto che Jensen Huang sta vendendo al mondo è qualcos’altro: il licenziamento di milioni di lavoratori entro 12 mesi. Detto in modo meno apocalittico: la trasformazione totale del concetto di lavoro come lo conosciamo.

Perché dovremmo dargli retta? Semplice: Jensen vende le pale del nuovo millennio alle aziende che stanno costruendo il futuro. Se sei una qualunque realtà che lavora sull’AI, prima o poi devi parlare con lui. Questo significa che vede in anteprima quello che sta arrivando — molto prima del resto del mondo.

Marco Montemagno, nel suo ultimo video, ha tirato fuori cinque regole del nuovo mondo del lavoro che derivano proprio da questa visione. Cinque regole che vale la pena studiare con attenzione. Anche perché, come direbbe lui, “fluf fluf fluf” — il suono del cambiamento è già arrivato.

Regola n. 1 — Ogni lavoratore avrà i suoi agenti AI

Il concetto è semplicissimo: ogni professionista, dal commercialista di Parabiago al designer freelance a Milano, avrà una squadra di agenti AI che lavorano per lui. Punto.

Monty stesso, sulla sua newsletter “Spiegamelo Facile”, utilizza già sette agenti AI attivi. E qualunque persona che inizia a sperimentare con questi strumenti capisce in fretta una cosa: il ruolo del lavoratore cambia completamente.

Si passa dal modello “Sì, signor comandante, dimmi cosa devo fare e lo faccio” al modello direttore d’orchestra. Tu sei l’umano in carico, ma la stragrande maggioranza dell’esecuzione viene delegata agli agenti.

Per capirci con un’evoluzione storica:

• Nel 1995 ti pagavano per fare.
• Nel 2025 ti pagavano per pensare.
• Dal 2026 in poi ti pagano per far lavorare e pensare cose artificiali al posto tuo.

Esempio concreto: su Twitter ogni giorno escono circa 40.000 tweet sul tema AI. Nessun essere umano riesce a leggerli tutti. Gli agenti AI sì, processano tutto e ti restituiscono il distillato in pochi minuti.

Questo cambia tutto, anche l’istruzione. La domanda non è più “cosa sai fare?” ma “cosa sai far fare al tuo team di agenti AI?”. Tu arrivi al colloquio non più da solo, ma con la tua armata digitale. È una rivoluzione epocale di cui pochissimi stanno parlando — e chi ne parla, spesso viene preso per pazzo.

Regola n. 2 — Dalla conoscenza privata alla conoscenza pubblica

Per anni, le competenze professionali sono state un fortino. Trent’anni di esperienza nella SEO, nel design, nel diritto, nella consulenza fiscale: tutte conoscenze “private”, chiuse nelle teste di pochi e protette dal tempo necessario per acquisirle.

Oggi quel fortino sta crollando. E sta crollando per via di una novità tecnica che si chiama skill.

Una skill, semplificando al massimo, è un file di testo che contiene un insieme di conoscenze e competenze. Quel file lo carichi nei tuoi agenti AI e — boom — la conoscenza viene assorbita istantaneamente.

Esempio: il responsabile di una grande azienda mette in slide il suo playbook di indicizzazione su motori di ricerca e agenti AI (SEO, GEO, AEO e tutte le sigle del caso). Una persona qualunque trasforma quelle slide in una skill. Da quel momento, quella conoscenza che era una “cassaforte aziendale” diventa pubblica e disponibile per chiunque.

Per la prima volta nella storia, la barriera dell’esperienza accumulata viene democratizzata. Daniel Miessler — secondo Monty il pensatore che meglio sta inquadrando questo passaggio — parla esattamente di questo spostamento epocale dal privato al pubblico.

La conseguenza pratica è brutale: ieri ti vendevi per quello che sapevi; oggi la tua conoscenza sta in un file markdown a disposizione di tutti. La scelta diventa una sola: o ti rinnovi, o diventi tu il file.

Regola n. 3 — La token economy sostituisce l’economia tradizionale

Ogni volta che si usa un servizio basato su intelligenza artificiale, si consumano token. E ogni token ha un costo. Sembra una banalità tecnica, ma sta riscrivendo i bilanci aziendali.

Per la prima volta, le aziende hanno una nuova voce di costo nei propri budget: il costo dei token AI. Non c’era fino a pochi mesi fa, e oggi è dentro i bilanci di tutti.

La differenza competitiva si gioca su due piani:

1. Quanto budget hai? Più budget significa più intelligenza artificiale a disposizione, modelli più avanzati, output di qualità superiore. Se il concorrente usa il modello “sfigato” e tu usi il “LeBron James” dei modelli, non c’è paragone.
2. Quanto sei efficiente? Bruciare token a casaccio è come tenere accese tutte le luci di un palazzo. Il monitoraggio dei costi diventa una disciplina chiave.

L’evoluzione dei costi aziendali, in sintesi:

Prima le aziende bruciavano ore dei dipendenti. Poi hanno iniziato a bruciare stipendi. Oggi bruciano anche token. Vale per le grandi imprese, vale per i singoli professionisti.

Questa è una regola che fino a 10 minuti fa non esisteva. Oggi sì, ed è non negoziabile.

Regola n. 4 — Da oggi si vende anche alle AI, non solo agli umani

Questa è la regola più sottovalutata di tutte. Da oggi non si comunica più solo con gli umani: bisogna progettare design, marketing e vendita anche per gli agenti AI.

Per anni il marketing si è basato su leve psicologiche umane: urgenza, scarsità, fear of missing out, design emozionale, musica giusta, spiaggia dorata sullo sfondo della landing page. Tutta la macchina di Amazon, Booking, Expedia e di chiunque venda online si regge su questo.

Ma quando il cliente non è più un umano, ma un team di agenti AI che acquista per conto suo, niente di tutto questo funziona più. Agli agenti AI non gliene importa nulla: della musichetta epica, dello sfondo emozionale, del countdown che crea urgenza.

Loro fanno una cosa sola: comparano. Recensioni, reputazione del venditore, qualità del prodotto, prezzo, alternative. Punto. Si collegano i puntini, si pesa il dato, si decide.

E qui arriva il cambio di paradigma sintetizzato in una battuta:

Nel 2012 vendevi al cervello. Nel 2018 vendevi al cuore. Dal 2026 in poi vendi a un file JSON.

Per ora la percentuale di acquisti effettuati o filtrati da agenti AI è ancora piccola — diciamo lo zoccolo duro degli addetti ai lavori. Ma è la stessa traiettoria di Internet negli anni ’90: prima nessuno, poi tutti.

E c’è un parallelismo molto efficace: come un bravo agente immobiliare capisce subito chi è “il decisore” della coppia (e parla con quello), così un’azienda intelligente oggi deve capire che il decisore non è più solo l’umano, ma il consiglio dei suoi agenti AI. Se sette agenti analizzano cinque opzioni e raccomandano caldamente la prima, l’umano si fida.

Tradotto: chi non progetta per le AI, sparirà dai loro radar.

Regola n. 5 — Smetti di essere il tuo curriculum, diventa un’antenna

Anche questa intuizione, secondo Monty, è formulata meglio di tutti da Daniel Miessler (che la chiama demon, ma il concetto è lo stesso: antenna).

Nel mondo del lavoro che si sta costruendo, fatto di organizzazioni efficienti governate da snodi di agenti AI, il valore di un professionista non è più il suo curriculum statico. Non è più la pagina LinkedIn aggiornata ogni due anni con un nuovo titolo.

Il valore diventa la capacità di trasmettere fuori, in tempo reale e in modo machine-readable, le proprie skill. Diventi un’antenna che trasmette quello che sai fare, le tue specializzazioni, la tua disponibilità.

È un modello di lavoro radicalmente diverso dall’idea del posto fisso, dello stipendio mensile, dei diritti consolidati. È totale flessibilità: ognuno con le proprie competenze, sicurezze ridotte, in bocca al lupo.

A molti questa prospettiva non piacerà — ed è comprensibile. Ma il punto non è se “ci piaccia” o meno questa direzione. Il punto è che non si vede come fermarla. Lo smantellamento del posto fisso è iniziato da molto e questa transizione lo accelera. O la cavalchi, o la subisci.

Le dimensioni sono fuori scala (e questo è il vero motivo per cui il cambiamento sta sorprendendo tutti)

Per dare un’idea di quanto sia grande la cosa: in una recente intervista, Dario Amodei (fondatore di Anthropic, l’azienda dietro Claude e Claude Code) ha raccontato di aver dovuto fare un calcolo difficile.

Anthropic cresce 10x ogni anno. Partita da 1 miliardo di fatturato, la proiezione era 10 miliardi, poi 100 miliardi, poi 1 trillion (mille miliardi). Per stare in piedi servono data center enormi, che richiedono 1–2 anni per essere costruiti e che vanno ammortizzati.

Risultato: Amodei si è trovato a dover decidere se investire 5 trilioni di dollari (5.000 miliardi) in data center. Cifra allucinante, fuori scala, difficile persino da pronunciare. Eppure è il livello di “scommesse” che si stanno facendo in questo momento sulla traiettoria dell’AI.

Sono numeri che spiegano perché chiunque vive dentro questo mondo da qualche anno vede arrivare le onde con un certo anticipo rispetto a chi guarda da fuori.

Conclusione: chi dorme non piglia pesci (ma adesso c’è una variante)

Il vecchio detto è sempre valido: chi dorme non piglia pesci. Quello che cambia dal 2026 in poi, però, è che il tuo concorrente può anche andare a dormire — tanto i pesci li catturano i suoi agenti AI 24 ore su 24.

Le cinque regole, in sintesi:

• Ogni lavoratore avrà i suoi agenti AI — diventi direttore d’orchestra, non più esecutore.
• Dalla conoscenza privata alla conoscenza pubblica — la tua esperienza non è più un fortino, è un file markdown copiabile.
• Token economy — il costo dei token diventa una voce di bilancio non negoziabile.
• Si vende anche alle AI — design, marketing e vendita devono parlare anche a un file JSON.
• Diventi un’antenna, non un curriculum — il tuo valore è la capacità di trasmettere skill in tempo reale a un mondo di agenti.

Staff Monty

Questo articolo è stato scritto con l’ausilio dell’AI partendo da un video di Monty.

L'articolo Le 5 nuove regole del lavoro proviene da Marco Montemagno.

Costruire una startup usando esclusivamente agenti AI e vibe coding è davvero possibile? Monty ci sta provando — e ha condiviso tutto: i costi reali, le difficoltà, le allucinazioni dei modelli e le strategie che funzionano davvero.

Quando si parla di intelligenza artificiale applicata al lavoro, le posizioni tendono a essere nette: o sei entusiasta o sei scettico. Monty, dopo mesi di lavoro concreto sul campo, ha una visione diversa — ed è quella più onesta: è clamorosamente a favore e clamorosamente contro, allo stesso tempo.

Il vibe coding — ovvero descrivere alla macchina cosa vuoi che faccia e farla costruire il prodotto al posto tuo, anche senza competenze tecniche — è una delle opportunità più concrete di questo momento storico. Ma non è il paradiso che molti raccontano.

Monty lo sta testando direttamente, costruendo spiegamelofacile.com: una startup media sul mondo del business dove il 95% del lavoro è affidato agli agenti AI — senza sviluppatori, senza team tecnico, da solo. In un video recente ha condiviso 7 punti fondamentali da conoscere prima di iniziare, più due strategie pratiche che fanno davvero la differenza.

1. I costi reali del vibe coding: non è gratis, ma non è nemmeno proibitivo

Uno dei miti da sfatare subito: non si costruisce una startup seria con un abbonamento da $20 a ChatGPT. Chi lo sostiene o non ha mai fatto nulla di concreto.

Ad aprile 2026, il progetto di Monty costa circa 2.000 sterline al mese — escludendo il suo tempo e i costi aziendali già assorbiti. Le voci principali includono:

• Due subscription Claude Max (£200 al mese ciascuna)
• Due VPS su Hostinger ($30–40 al mese ciascuno)
• API di Anthropic, OpenAI, OpenRouter, Minimax
• API per la ricerca: Serper, Firecrawl, Bright Data, servizi di notizie
• Servizi di pubblicazione sui social (Buffer, Posts, Sprout e altri)
• Email marketing per 300.000 iscritti: ~€2.500 al mese
• Tool di sicurezza, monitoraggio errori, analytics

La prospettiva giusta: rispetto a una startup tradizionale, queste cifre sono ridicolmente basse. Vent’anni fa era impossibile iniziare senza venture capital o friends & family. Oggi si può. Il messaggio chiave però è: monitorare i costi in modo ossessivo, perché senza controllo possono esplodere senza che tu te ne accorga.

2. È difficile — davvero difficile — se lo vuoi fare sul serio

Fare una demo in vibe coding è semplice. Costruire qualcosa che funziona, scala e potrebbe essere venduto un giorno è un’altra storia. Siamo in una fase pionieristica: come i primi siti web negli anni ’90, ci si scontra con problemi continui e si impara tutto sul campo.

Per chi non ha un background tecnico, ogni elemento è nuovo: infrastruttura, deployment, database, sicurezza. E il tempo da dedicare nella fase iniziale è enorme — full immersion totale, senza scorciatoie.

3. Il rischio ossessione: il loop che non si chiude mai

Il vibe coding con agenti AI ha un effetto collaterale preciso: diventa ossessivo. Ogni giorno — ogni 30 secondi, scorrendo il feed — escono novità da implementare. Un nuovo paper di Google sulla memoria degli agenti, un modello migliore, una tecnica SEO diversa.

Il rischio reale è perdere di vista il progetto nella sua interezza, confondendo il ruolo del programmatore con quello dell’imprenditore. Fare vibe coding non significa smettere di essere founder: la visione strategica rimane responsabilità umana.

4. Non sai quello che non sai (e questo è il pericolo vero)

È la trappola più insidiosa per chi si avvicina al vibe coding senza background tecnico. Si costruisce qualcosa che sembra funzionare, senza rendersi conto di tutti i problemi che esistono e che non si vedono.

Esempi concreti dalla pratica di Monty: non sapere che una porta aperta sul server è un invito agli hacker. Non sapere che le chiavi API vanno ruotate periodicamente. Non sapere che il modello AI non dovrebbe mai leggere il file .env con le credenziali. Non sapere che i contenuti generati interamente da AI possono non essere indicizzati da Google.

In un’azienda strutturata, questi aspetti vengono gestiti da CTO, sysadmin e consulenti di cybersecurity. Da soli, si impara scottandosi — o chiedendo aiuto a qualcuno di esperto prima che il danno sia fatto.

5. Le allucinazioni dei modelli AI: esistono ancora, e costano

I modelli AI fanno ancora errori — e a volte lo fanno in modo silenzioso e costoso. Il caso più emblematico raccontato da Monty: un agente a cui era stato affidato il compito di generare idee ha iniziato un loop infinito, producendo 3.000 varianti identiche della stessa idea, bruciando tutto il credito API disponibile senza che nessuno se ne accorgesse.

Un altro esempio classico: chiedere al modello se ha eseguito il backup. La risposta è sì, ma il backup non c’è. La regola d’oro è verificare sempre, non fidarsi mai ciecamente dell’output.

6. Il debito tecnico: funziona oggi, ma regge domani?

Un sistema costruito velocemente in vibe coding può funzionare perfettamente con 100 utenti e collassare con 10.000. Il debito tecnico accumulato nella fase di prototipazione è reale e va messo in conto.

Il consiglio pratico: partire con la mentalità del prototipo. Se il progetto funziona e cresce, probabilmente l’infrastruttura andrà ricostruita quasi da zero su basi più solide. Non è un fallimento — è la normale evoluzione di ogni startup che funziona.

7. La solitudine del vibe coder: nessun call center da chiamare

Lavorare da soli con agenti AI significa che quando qualcosa va storto, non c’è nessuno a cui chiedere aiuto immediato. Se Claude Code va giù e l’intero sistema dipende da Claude Code, si aspetta. Se il server viene compromesso, bisogna gestirlo da soli.

La risposta a questo problema non è non fare vibe coding — è pensare in anticipo alla strategia di emergenza: qual è il backup? Qual è il modello alternativo? Come si torna online in caso di attacco? Avere un piano B non è pessimismo, è buona ingegneria.

Le 2 strategie che fanno davvero la differenza

Da un team di agenti a un unico assistente personale

Il cambio di mentalità più importante: smettere di gestire decine di agenti separati e iniziare a ragionare come se si avesse un unico assistente personale con cui dialogare. Come un imprenditore che parla con il suo CEO — non con ogni singolo dipendente.

L’assistente diventa l’interfaccia unica: lui orchestra tutti gli strumenti e gli agenti sottostanti. Questo riduce il carico cognitivo, mantiene la visione d’insieme e permette di restare nel ruolo di founder invece di scivolare in quello di operativo.

Il Control Plan: 7 agenti che lavorano mentre dormi

La seconda strategia chiave è costruire un sistema di controllo autonomo — quello che Monty chiama Control Plan. Si tratta di 7 agenti che lavorano in parallelo h24, 7 giorni su 7, per garantire che tutto funzioni senza un intervento umano continuo:

• Agente editoriale: verifica qualità e coerenza dei contenuti pubblicati
• Publisher: gestisce la pubblicazione automatica su tutti i canali social
• Bug handler: intercetta e gestisce errori e crash del sistema
• Scout: monitora ogni giorno le novità del settore e suggerisce implementazioni
• Cost Guardian: monitora i costi in tempo reale e segnala anomalie — il più importante
• SEO/GEO agent: ottimizzazione e monitoraggio dell’indicizzazione dei contenuti
• Security agent: controllo continuo su porte, accessi e vulnerabilità

Il sistema invia notifiche su Telegram solo quando è necessario un intervento umano urgente. Il risultato: meno babysitting, più autonomia operativa e la possibilità di tornare a fare il lavoro strategico.

Il momento giusto per iniziare è adesso — ma con gli occhi aperti

Il vibe coding con agenti AI non è la scorciatoia magica che molti raccontano. È uno strumento potente, ancora imperfetto, che richiede tempo, metodo e una buona dose di umiltà tecnica. Ma rappresenta una finestra di opportunità reale. Chi lo padroneggia oggi — anche con tutti i limiti di questa fase — si posiziona in anticipo rispetto a un cambiamento che già si vede nei colloqui di lavoro, nelle startup, nelle aziende. Non è necessario sapere tutto: è necessario iniziare a imparare.

Staff Monty

Questo articolo è stato scritto con l’ausilio dell’AI partendo da un video di Monty.

L'articolo Vibe Coding con Agenti AI: 7 problemi reali che nessuno ti racconta proviene da Marco Montemagno.

Meno biscotti nella scatola, qualità che scende, abbonamenti che si moltiplicano: tre tecniche con cui aziende e mercato ci sottraggono potere d’acquisto un centesimo alla volta. E come difendersi.

Lo stipendio è rimasto uguale. Eppure a fine mese i soldi non bastano mai come prima. La scatola dei biscotti è la stessa — ma dentro ce ne sono meno. Il servizio che paghi è lo stesso — ma la qualità è calata. Gli abbonamenti che hai attivato sembravano una cifra irrisoria — ma sommati insieme pesano come un affitto.

Non è una coincidenza. È un sistema. Un furto al rallentatore, silenzioso per definizione, che funziona esattamente perché non si vede — o meglio, perché quando lo si vede si è già stati condizionati a non protestare.

Monty ha analizzato le tre tecniche principali con cui il mercato erode il potere d’acquisto dei consumatori, e ha identificato alcune strategie concrete per contrastarle. Nessuna ricetta magica — solo strumenti di osservazione più affilati.

Il meccanismo: il furto al rallentatore e il linguaggio che lo nasconde

Il furto al rallentatore funziona su un principio semplice: sottrarre un centesimo alla volta, un eurino al mese, in modo così graduale da essere percepito come normale. Non si tratta di arrivare e portare via tutto — si tratta di avvelenamento lento, quello al quale, dopo un po’, ci si abitua senza nemmeno accorgersene.

Ma c’è un complice indispensabile: il linguaggio. Nessuna azienda dirà mai “abbiamo abbassato la qualità” o “c’è meno prodotto nella confezione”. Si dirà invece:

• “Abbiamo rinnovato la ricetta”
• “Nuovo formato pensato per te”
• “Abbiamo migliorato il packaging”
• “Abbiamo lanciato un’iniziativa di workforce optimization” (traduzione: licenziamenti)

Il problema non è solo economico. È anche linguistico: ci tolgono i soldi e ci tolgono le parole per descrivere quello che sta succedendo.

Le tre tecniche principali

1. Shrinkflation: stesso prezzo, meno prodotto

La shrinkflation è la tecnica più diffusa e la più difficile da cogliere: il prezzo rimane invariato, ma la quantità diminuisce. La confezione è uguale — o quasi — ma dentro c’è meno prodotto.

Il meccanismo è studiato: se il prezzo sale, il consumatore se ne accorge immediatamente. Se invece la confezione si svuota di mezzo biscotto, di 50ml o di qualche grammo, la percezione è molto più sfumata. Chi protesta sembra l’avaro di turno che conta i biscotti — non chi denuncia un’ingiustizia.

Le parole spia da riconoscere: “nuovo formato”, “confezione rinnovata”, “pensato per te”. Quando si leggono queste espressioni, vale la pena fermarsi e verificare i grammi o i millilitri sul retro della confezione.

2. Skimpflation: stesso prezzo, qualità inferiore

La skimpflation è il gemello meno visibile della shrinkflation: qui non cambia la quantità, cambia la qualità. Il servizio che si paga è formalmente lo stesso di prima — ma nel tempo viene svuotato di tutto ciò che lo rendeva interessante.

L’esempio classico: un hotel che inizialmente pulisce le camere ogni giorno passa a ogni due giorni. Un centro sportivo che all’apertura offriva un servizio impeccabile inizia a tagliare il personale, poi gli accessori, poi la manutenzione — pur mantenendo le stesse tariffe.

Il punto cruciale è questo: abbassare qualità o quantità è una scelta imprenditoriale legittima. Il problema è farlo senza adeguare il prezzo. Offrire meno a parità di costo è una forma di disonestà commerciale, anche quando avviene gradualmente e senza che nessuno lo dichiari apertamente.

3. La subscription economy: vivere in affitto permanente

Il terzo meccanismo è quello che ha trasformato più radicalmente il rapporto tra consumatori e prodotti negli ultimi vent’anni: il passaggio dalla proprietà all’abbonamento.

Un tempo si comprava un software, lo si pagava una volta e lo si teneva per anni. Oggi si paga €9, €19, €49 al mese — importi che sembrano irrisori ma che, proiettati su anni, superano di gran lunga il costo di un acquisto una tantum. E soprattutto: non si possiede nulla. Si vive in affitto permanente.

Il problema non è il singolo abbonamento — è l’insieme. Netflix, Spotify, Adobe, Microsoft 365, strumenti AI, piattaforme di produttività, servizi di streaming. Ognuno pesa poco. Tutti insieme pesano come un secondo lavoro a tempo parziale.

Il design di questi servizi è studiato per sfruttare esattamente questa logica: cifre piccole, rinnovi automatici, cancellazioni macchinose. Ogni mese appaiono addebiti di servizi dimenticati da mesi.

Come difendersi: tre approcci pratici

Non esistono soluzioni magiche. Ma ci sono abitudini concrete che fanno la differenza.

1. Smetti di guardare solo il prezzo

Il prezzo da solo non dice niente. La domanda giusta è: cosa mi dà questo prezzo, in termini di quantità e qualità? Meglio ragionare in termini di prezzo al chilo, al litro, all’unità — un parametro misurabile che permette di confrontare nel tempo. E sviluppare la capacità di riconoscere la qualità baseline di un prodotto o servizio: quando quella qualità scende, è il momento di cambiare fornitore.

• Usa l’AI per tenere sotto controllo i tuoi costi

Esistono strumenti di intelligenza artificiale che si integrano con i conti bancari e le carte di credito per analizzare tutte le uscite mensili — inclusi gli abbonamenti attivi, quelli dimenticati e quelli rinnovati in automatico senza che ce ne si accorga. È uno di quei casi in cui la tecnologia lavora esplicitamente a favore del consumatore.

• Costruisci un piano B

In un contesto in cui il potere d’acquisto erode lentamente e il mercato del lavoro cambia velocemente, affidarsi a una sola fonte di reddito è un rischio crescente. Costruire un piano B — anche piccolo, anche sperimentale — non è paranoia: è buon senso. Che significhi sviluppare una competenza nuova, usare gli strumenti AI per creare un’attività secondaria, o semplicemente diversificare le proprie entrate. L’importante è non aspettare che qualcuno arrivi a risolvere il problema.

Conclusione: osservare meglio è il primo atto di resistenza

Shrinkflation, skimpflation, subscription economy: tre tecniche diverse, un unico risultato. Si paga uguale — o di più — per avere sempre meno. E il linguaggio intorno a tutto questo è costruito per rendere invisibile ciò che sta succedendo.

Il primo passo per difendersi è smettere di dare per scontato quello che si legge in etichetta, quello che si sente nei comunicati aziendali, quello che i dati macro sembrano raccontare. Imparare a osservare con più attenzione — i grammi, le clausole in piccolo, gli addebiti mensili — è la forma più elementare e più efficace di consapevolezza economica.

Non si tratta di diventare cinici. Si tratta di diventare più svegli.

Staff Monty

Questo post è stato scritto con l’ausilio dell’AI partendo da un video di Monty

L'articolo Come ci stanno abituando a essere più poveri proviene da Marco Montemagno.

Dall’AI come semplice consulente agli agenti che si sfidano tra loro: ecco i 5 livelli per usare l’intelligenza artificiale come strumento decisionale. Decidi sempre tu — ma con molti più input.

Pensa all’ultima decisione importante che hai preso. Hai deciso da solo, nel buio della cameretta? Hai chiamato un amico, sentito un parere, chiesto consiglio a qualcuno di cui ti fidi?

La stragrande maggioranza delle persone decide così — con un mix di intuito, bias cognitivi e pareri di chi ha vicino. Il risultato è spesso accettabile, ma raramente ottimale.

Nel 2026, con tutti gli strumenti di intelligenza artificiale disponibili, ha ancora senso decidere esclusivamente così? Monty ha esplorato la questione in profondità — e ha mappato cinque livelli progressivi per usare l’AI come strumento decisionale. Con una premessa fondamentale: la decisione finale la prendi sempre tu.

La premessa: l’AI aiuta, non decide

Prima di entrare nei livelli, un punto fermo: usare l’AI per decidere meglio non significa delegare le proprie scelte a un algoritmo. Non si tratta di seguire alla lettera ciò che un sistema dice di fare, rinunciando al giudizio personale.

Si tratta di avere più input, più angolazioni, più domande prima di arrivare a una conclusione. È la differenza tra decidere nel vuoto e decidere con un consulente esperto sempre disponibile — o con un intero board.

Il valore non sta nell’automatizzare le decisioni, ma nell’allargare la propria capacità di analisi prima di prenderle.

I 5 livelli per decidere meglio con l’AI

Livello 1 — Chiedi un parere (anche con la versione gratuita)

Il punto di partenza è il più semplice possibile: apri ChatGPT, Claude, Gemini — anche la versione gratuita — e descrivi la situazione in linguaggio naturale. Nessun prompt elaborato, nessuna tecnica speciale.

Esempio: “Un mio cugino mi ha proposto di investire €10.000 nella sua nuova startup. Come ti sembra come idea?”

È meglio di niente? Molto. Al posto di ragionare da soli — con tutti i bias del caso — si ha una voce aggiuntiva, costruita su miliardi di dati, capace di ragionare su costi, ricavi, rischi e benefici in modo logico e distaccato. Non è la soluzione definitiva, ma è già un passo avanti rispetto alla decisione in solitudine.

Livello 2 — Consulta più modelli e mettili in competizione

Diversi modelli AI sono stati addestrati con dati e tecniche diverse — e danno valutazioni diverse sulla stessa situazione. Usarne uno solo è come chiedere il parere di un solo medico senza mai cercare una seconda opinione.

Il secondo livello consiste nel fare la stessa domanda a più modelli in parallelo — ChatGPT, Grok, Claude, Gemini — e confrontare le risposte. Meglio ancora: prendere la risposta del primo e darla in pasto al secondo, chiedendogli di fare un fact-check, di smontarla o di aggiungere angolazioni che mancano.

Il risultato è una visione molto più ricca e sfumata di quella che si otterrebbe da un singolo interlocutore.

Livello 3 — Passa dall’opinione all’analisi strutturata

Chiedere “cosa ne pensi?” è utile. Chiedere un’analisi strutturata è un altro livello.

Il terzo livello significa spostare la conversazione su domande più precise:

• Quali sono i pro e i contro di questa scelta?
• Quali rischi non sto vedendo?
• Cosa succede se lo proietto a 3, 5, 10 anni?
• Qual è la conseguenza non ovvia di questa decisione?

Un esempio concreto: quando si valuta se usare un modello AI più costoso o uno più economico per produrre contenuti, la risposta superficiale è “prendi quello che costa meno”. Ma la domanda giusta è: quali sono le conseguenze sul lungo periodo di abbassare la qualità? Se gli iscritti alla newsletter diminuiscono nel tempo perché i contenuti si deteriorano, il risparmio iniziale diventa un costo molto più alto.

Livello 4 — Dai contesto permanente: l’AI che ti conosce davvero

C’è una differenza enorme tra chiedere un parere a un medico che non ti ha mai visto e chiedere al proprio medico di fiducia con 25 anni di storico. Il secondo non ha bisogno di spiegazioni: ha già il contesto, conosce i tuoi precedenti, sa cosa ha funzionato e cosa no.

Con l’AI si può ottenere lo stesso effetto attraverso il contesto permanente. Strumenti come i Projects di Claude permettono di caricare documenti, file, obiettivi e storico decisionale una sola volta — dopodiché ogni conversazione parte già con tutta quella base di conoscenza attiva.

Il risultato è come avere un consulente che vive in azienda, osserva tutto quello che succede e può darti un parere calibrato sulla tua specifica situazione — non una risposta generica valida per chiunque.

Livello 5 — Gli agenti AI che si sfidano tra loro

Il livello più avanzato non riguarda i chatbot, ma gli agenti AI — sistemi che non solo danno pareri, ma agiscono, analizzano e si confrontano tra loro in modo automatico.

In questo caso si costruiscono dei veri sistemi decisionali: ogni volta che bisogna affrontare una scelta, il sistema chiama automaticamente più modelli con ruoli diversi, raccoglie le loro valutazioni e sintetizza il risultato.

Alcuni esempi pratici di modalità di analisi che si possono codificare:

• First principles: si ragiona dagli assunti di base. Quali premesse diamo per scontate? Sono davvero valide?
• Iterative depth: si esplorano tutte le possibili angolazioni di un problema, in profondità.
• Creative: si cercano approcci fuori dal comune, soluzioni che nessuno ha ancora considerato.
• Red team: un agente ha il compito specifico di smontare la tesi, trovare i punti deboli, portare controprove.
• Council: più agenti con specializzazioni diverse (marketing, finance, prodotto, strategia) discutono tra loro e producono una valutazione collegiale.

Il tutto avviene in automatico, senza dover spostare manualmente informazioni da un modello all’altro. La decisione finale resta umana — ma arriva dopo aver ascoltato un board completo di punti di vista.

Attenzione agli yes man: l’AI va istruita a non essere d’accordo

C’è un problema di default con i modelli AI: tendono ad essere d’accordo con chi li interroga. È il comportamento che li rende piacevoli da usare, ma è esattamente il contrario di ciò che serve per decidere bene.

La soluzione è semplice ma richiede di essere espliciti: istruire il modello a trovare i punti critici, a segnalare i blind spot, a portare visioni alternative anche quando non coincidono con la tesi di partenza. Un buon avvocato del diavolo vale molto di più di un assistente che approva tutto.

Il pessimista rompe spesso le scatole — ma ha spesso ragione. Avere un modello AI programmato per fare quella funzione è uno degli strumenti più utili che esistono per chi deve prendere decisioni importanti.

Conclusione: più input, stessa responsabilità

Usare l’AI per decidere meglio non significa smettere di decidere. Significa decidere con più informazioni, più angolazioni e più consapevolezza di quello che si sta scegliendo — e di cosa potrebbe andare storto.

Si può partire dal livello più semplice — un chatbot gratuito, una domanda in linguaggio naturale — e salire gradualmente verso sistemi più sofisticati, man mano che si acquisisce familiarità con gli strumenti.

Le decisioni vanno allenate. Più si pratica con modelli di ragionamento strutturati, più la qualità delle proprie scelte migliora nel tempo — con o senza AI. Ma con l’AI, il punto di partenza è molto più alto.

Staff Monty

Questo post è stato scritto con l’ausilio dell’AI partendo da un video di Monty

L'articolo Come usare l’AI per prendere decisioni migliori: i 5 livelli progressivi proviene da Marco Montemagno.

Venti minuti per scrivere una mail. Un quarto d’ora per prendere appunti dopo una call. Ore a scorrere risultati su Google uno alla volta. Siamo nel 2026, eppure una quantità enorme di professionisti continua a svolgere queste attività esattamente come si faceva dieci anni fa.

Non è una questione di pigrizia o di mancanza di competenze. È una questione di abitudine. E le abitudini costano tempo — il bene più scarso che abbiamo.

Prima di cominciare: tu sei il pilota, l’AI è il co-pilota

Quando si parla di usare l’intelligenza artificiale per velocizzare il lavoro, c’è sempre chi obietta: “così perdi le tue capacità”, “diventi dipendente dalla macchina”, “i contenuti non sono tuoi”.

L’obiezione ha senso, ma nasce da un fraintendimento. C’è una differenza sostanziale tra delegare il pensiero e delegare l’esecuzione. Se usi l’AI per generare idee che non hai, quello è un problema. Se usi l’AI per eseguire in modo rapido ciò che hai già ideato e deciso, quella è semplicemente efficienza. Come un amministratore delegato che detta una lettera alla segretaria: il pensiero è suo, l’esecuzione è delegata.

Regola di base: parti sempre dal tuo ragionamento. L’AI esegue, velocizza e gestisce le parti noiose. Tu decidi, valuti e firmi. Il cervello resta il tuo.

Le 7 attività da non fare più a mano

1. Scrivere le email da zero

Partire da una pagina bianca per rispondere a una mail nel 2026 è uno spreco di tempo evitabile. Tutti i principali client di posta — Gmail in testa — hanno già integrato assistenti AI che completano, riscrivono o migliorano le bozze in pochi secondi.

Ma si può andare molto più lontano. Con un modello AI è possibile caricare una lista di 20 email ricevute, chiedere un’analisi delle priorità, farsi suggerire le risposte più urgenti e ottenere una bozza personalizzata per ciascuna. Il tutto in pochi minuti.

Una precisazione importante: questi sistemi non conoscono il contesto specifico dei rapporti. Un cliente di vecchia data, una trattativa delicata, un tono che si è costruito nel tempo — tutto questo va portato nel prompt. L’AI produce, tu validi.

2. Prendere appunti durante le call e scrivere follow-up a mano

Scrivere a mano il resoconto di una videochiamata nel 2026 è come usare il fax quando esiste l’email. Zoom, Meet e la maggior parte delle piattaforme di videoconferenza offrono già trascrizione automatica. Strumenti dedicati come Otter, Fireflies o Fathom vanno ancora più lontano: trascrivono, riassumono, estraggono i punti chiave e le azioni da intraprendere, con tanto di attribuzione per partecipante.

Il risultato è un documento strutturato pronto in pochi secondi dalla fine della call. Non c’è nulla da ricostruire a mente, nessun dettaglio perso, nessun follow-up dimenticato.

3. Fare ricerche su Google una scheda alla volta

Aprire dieci link, leggerli uno a uno, tornare alla lista, aprirne altri: è un metodo di ricerca che nel 2026 non regge più il confronto con quello che offrono gli strumenti AI.

Il deep research disponibile su ChatGPT, Claude e altri modelli scansiona centinaia di fonti, le sintetizza in un report dettagliato e cita le fonti originali per chi vuole approfondire. In pochi minuti si ottiene quello che prima richiedeva ore.

Un approccio ulteriore: mettere in competizione più modelli. Se ChatGPT restituisce un risultato, vale la pena verificarlo con Grok o Claude. I modelli a volte divergono — e quella divergenza è un segnale da non ignorare.

4. Costruire presentazioni e report da zero

Ore passate ad allineare caselle, spostare loghi, correggere font. Chiunque abbia mai preparato una presentazione per un cliente sa quanto tempo si brucia nella parte esecutiva rispetto a quella strategica.

Strumenti come Gamma, Claude o la combinazione Claude Code + Remotion producono presentazioni complete e graficamente curate partendo da un brief testuale. Il tempo del professionista torna dove serve: decidere cosa comunicare, non come impaginarlo.

5. Pubblicare sui social manualmente

Creare ogni singolo post a mano, adattarlo per ogni piattaforma, scegliere orario e formato: un processo che può occupare ore ogni settimana.

Un sistema integrato — anche senza agenti AI avanzati — può partire da un contenuto centrale e generare automaticamente: caroselli PDF per LinkedIn, post immagine per Instagram e TikTok, thread per X, post lunghi per Facebook, articoli per il blog. Strumenti come Buffer, Later o Taplio collegano la produzione alla pubblicazione schedulata, con analytics integrati che nel tempo affinano il sistema.

Attenzione alla qualità: i contenuti generati male si riconoscono subito. Il problema non è lo strumento — è l’assenza di contesto, tono di voce e riferimenti specifici. Se l’input è generico, l’output sarà generico. Garbage in, garbage out.

6. Analisi dei competitor e del mercato

Monitorare la concorrenza, raccogliere dati di settore, confrontare posizionamenti: attività che un tempo richiedevano ore di navigazione e raccolta manuale. Oggi i tool di deep research e gli agenti AI con accesso al web producono analisi comparative strutturate in pochi minuti, con fonti verificabili.

Il valore aggiunto umano rimane nell’interpretazione: capire cosa significano quei dati per il proprio contesto specifico, e decidere come agire di conseguenza.

7. Prendere decisioni senza un secondo parere

Non si tratta di delegare le decisioni all’AI. Si tratta di usarla come si userebbe un consulente esperto: chiedere un’analisi, raccogliere prospettive diverse, valutare rischi e opportunità che magari non si erano considerati.

Se si dovesse decidere un investimento e si avesse accesso a Warren Buffett, gli si chiederebbe un parere — anche solo per sentire il suo ragionamento. Con l’AI si ha qualcosa di simile disponibile h24, su qualsiasi argomento. La decisione finale resta sempre umana.

Il punto non è automatizzare tutto. È scegliere cosa vale il tuo tempo.

Ci sono attività che vale la pena fare a mano, lentamente, con cura. Quelle in cui il processo è parte del valore. Ma la risposta a una mail standard, il riassunto di una call, la ricerca di mercato di base: non sono in quella categoria. Sono attività esecutive che consumano tempo prezioso.

Nel 2026, il vantaggio competitivo non sta nel fare più cose a mano. Sta nel liberare tempo e attenzione per le cose che solo un essere umano — con la sua esperienza, il suo giudizio, le sue relazioni — sa fare davvero bene.

La risposta non è meno AI. È più AI, usata meglio.

Staff Monty

Questo post è stato scritto con l’ausilio dell’AI partendo da un video di Monty

L'articolo 7 cose che nel 2026 dovresti smettere di fare a mano proviene da Marco Montemagno.

Il vero problema non è l’intelligenza artificiale. Il vero problema è restare aggrappato per i prossimi 30 anni a un lavoro che faceva schifo già prima che arrivasse lei.

C’è un terrore collettivo che si è impossessato del dibattito pubblico: l’intelligenza artificiale che arriva, prende il tuo posto e ti lascia a spasso. È un timore comprensibile. Ma è il timore sbagliato.

Quello di cui vale davvero la pena preoccuparsi è un altro scenario: restare aggrappato per i prossimi 30 anni a un lavoro che faceva già schifo prima che arrivasse l’AI. Perché il lavoro di cui parliamo oggi — quello che l’intelligenza artificiale “mette a rischio” — non era poi così fantastico. Non è un’opinione. È un fatto storico.

Il lavoro moderno è un’invenzione. E non è stato inventato per te.

Il lavoro, così come lo intendiamo oggi — le otto ore, l’ufficio, le ferie… — è un’invenzione relativamente recente. Prima della rivoluzione industriale, il rapporto tra essere umano e tempo era completamente diverso. Il contadino non “vendeva” le sue ore. Il tempo era vissuto, non scambiato.

Con la rivoluzione industriale arriva il grande problema dei proprietari delle fabbriche: come convincere i contadini a lavorare dentro un capannone, con orari fissi, seguendo il ritmo delle macchine? La risposta è stata colonizzare il tempo. Il tempo smette di essere qualcosa che si vive e diventa qualcosa che si vende. Tu mi dai le tue ore, io ti do i soldi per pagare le bollette. Nasce il lavoro moderno.

Henry Ford, che è spesso celebrato come il padre del weekend, non ha introdotto la settimana lavorativa di cinque giorni per generosità. Lo ha fatto per due motivi molto pratici:

• Un operaio stanco fa più errori. Gli errori costano. La pausa era nell’interesse dell’imprenditore, non del lavoratore.
• Se i lavoratori non hanno tempo libero, chi compra i prodotti delle fabbriche? Il weekend trasforma il lavoratore in consumatore. Il salario torna indietro.

Da lì in poi, il modello si consolida: dalle 9 alle 18, il manager decide, il dipendente esegue. Le teorie di management per decenni hanno separato chi pensa da chi fa. Il risultato? Milioni di persone in metropolitana il lunedì mattina con una faccia che racconta tutto.

Non perché siano infelici di natura. Perché sono state incasellate in un sistema di lavoro che non è mai stato pensato nell’interesse dell’essere umano. È stato pensato nell’interesse della fabbrica.

Il lavoratore medio non è Batman. E l’AI lo sa.

C’è un errore ricorrente nel dibattito sull’impatto dell’intelligenza artificiale sul lavoro: si confronta l’AI con il lavoratore ideale, non con il lavoratore reale.

Le aziende, grandi o piccole, sono sistemi profondamente imperfetti. C’è una statistica che dice tutto: il 60% del lavoro svolto all’interno di un’organizzazione è quello che in inglese si chiama work about work — lavoro sul lavoro. Riunioni per pianificare riunioni. Revisioni di revisioni. Documenti che nessuno leggerà. Processi che cambiano ogni volta che cambia il capo.

Il lavoratore medio non è un superuomo. Fa errori, perde tempo, ha bias cognitivi, ha giorni buoni e giorni pessimi. Un sistema di intelligenza artificiale che funziona h24, non si stanca e migliora continuamente non si sta confrontando con un avversario invincibile. Si sta confrontando con la realtà quotidiana delle organizzazioni.

Work about work: il 60% del lavoro in azienda non è lavoro produttivo. Sono riunioni, revisioni, aggiornamenti di stato, riorganizzazioni. È la quota più facile da automatizzare — e quella che già sta sparendo.

C’è poi un aspetto che spesso non viene considerato: la conoscenza specialistica, per secoli un vantaggio competitivo riservato a pochi, sta diventando patrimonio comune. Se un esperto documenta il proprio metodo in qualunque forma digitale accessibile, quell’expertise diventa disponibile a tutti. Il vantaggio non sta più nel sapere. Sta nel fare, nel giudicare, nel decidere.

I prossimi 5 anni: sangue, sudore e opportunità

Essere onesti su quello che sta arrivando è più utile che essere rassicuranti. I prossimi cinque anni saranno una fase di transizione difficile. L’intelligenza artificiale e la robotica creeranno nuovi lavori e nuove opportunità, ma nel frattempo ne elimineranno molti altri. Il saldo finale potrebbe anche essere positivo — ma nel mezzo c’è un arco temporale in cui persone reali restano senza lavoro, mentre la vita continua a costare.

Un elemento che rende questa transizione diversa dalle precedenti: l’AI colpisce tutti i settori contemporaneamente. Le rivoluzioni tecnologiche del passato si abbattevano su un comparto alla volta, lasciando spazio di manovra agli altri. Questa volta no.

Sul fronte politico, la direzione è obbligata: i governi dovranno trovare il modo di ridistribuire la ricchezza generata dall’automazione. Non si tratta più di discutere il reddito di cittadinanza, ma di immaginare qualcosa di più ambizioso — un universal high income — perché i trilioni di valore generati dall’AI non possono rimanere nelle mani di tre aziende mentre il resto del mondo fa i conti con la disoccupazione.

Il lato che nessuno racconta: l’AI ti moltiplica

C’è però un aspetto che viene sistematicamente ignorato nel dibattito sulla paura. L’intelligenza artificiale non è solo una minaccia: è un moltiplicatore di capacità. Una persona che sa usarla vale potenzialmente dieci, cento volte di più.

Il costo di ingresso per costruire qualcosa è crollato. Un sito web che costava cifre da capogiro si crea in poche ore. Una startup che richiedeva investitori e team si può avviare con poche decine di euro. Traduzione multilingua, analisi dei dati, prototipazione, design, copywriting: attività che richiedevano specialisti dedicati sono oggi accessibili a chiunque sappia usare gli strumenti giusti.

C’è anche un effetto secondario positivo spesso trascurato: più automazione significa costi di produzione più bassi. Il costo complessivo di beni e servizi tende a scendere quando la produzione si automatizza. In uno scenario ottimista, questo è uno dei fattori che bilancia parzialmente la compressione dei redditi nella fase di transizione.

Allora cosa si fa? La ricetta (senza magia)

Non esiste una soluzione universale. Ma esiste una direzione chiara, e passa per un cambio di prospettiva fondamentale: smettere di vendere tempo e iniziare a risolvere problemi.

• Impara a usare gli strumenti AI ora, non quando “sarà il momento”. Non per diventare un programmatore, ma per amplificare quello che già sai fare.
• Passa dalla logica “ti vendo le mie ore” alla logica “ti risolvo questo problema”. L’AI rende il tempo meno rilevante come unità di misura del lavoro.
• Non aspettare che qualcuno ti salvi — né il governo, né l’azienda, né il mercato. Muoviti prima.
• Usa l’AI come autodifesa: se è così potente da togliere lavoro alle aziende, è abbastanza potente da crearne per te.

Nell’era dell’AI, il venditore che ti porta a cena e ti convince a forza di carisma perde terreno. Vince chi arriva con dati, risultati dimostrabili e soluzioni concrete. L’asticella si alza — e questo, paradossalmente, è una buona notizia per chi è disposto a fare sul serio.

L’AI non sta smascherando il futuro. Sta smascherando il passato.

Per tutta la storia dell’umanità, gli esseri umani hanno inventato, esplorato, costruito, creato. Poi, negli ultimi 200 anni, si sono chiusi nelle sale riunioni a compilare fogli Excel.

L’intelligenza artificiale non sta distruggendo il lavoro. Sta smascherando un inganno che durava da due secoli: l’idea che vendere il proprio tempo in cambio di sicurezza fosse l’unico modo possibile di lavorare.

“Non vince chi difende meglio la sedia. Vince chi capisce prima dove mettere il tavolo.” — Marco Montemagno

Staff Monty

Questo post è stato scritto con l’ausilio dell’AI partendo da un video di Monty

L'articolo Perché dovresti VOLERE che l’AI ti rubi il lavoro proviene da Marco Montemagno.

È possibile costruire una media company gestita al 95% da agenti di intelligenza artificiale, senza un team di sviluppatori, senza un budget da startup milionaria, e senza esperienza tecnica specifica? Monty ci sta provando — e in questo aggiornamento racconta dall’interno com’è davvero, senza filtri.

La realtà: 4 ore al giorno, almeno nella fase di setup

La prima cosa da dire con chiarezza è che costruire un sistema di agenti AI richiede un investimento di tempo significativo, soprattutto all’inizio. Monty ci sta dedicando circa quattro ore al giorno — non per produrre contenuti, ma per tenere in piedi la macchina: aggiornare strumenti, correggere errori, fare debug, affinare algoritmi, testare nuove funzionalità.

L’obiettivo è che questa fase di setup sia temporanea. Una volta che il sistema è rodato e affidabile, il livello di supervisione dovrebbe ridursi drasticamente.

I nodi centrali da risolvere sono due:

1. Un sistema di ricerca davvero affidabile — capace di trovare contenuti rilevanti in tempo reale da social, notizie e fonti autorevoli, con un algoritmo di scoring che sappia distinguere ciò che vale da ciò che non vale.
2. Una scrittura che non suoni da AI — informale, diretta, senza quel tono da speaker TED motivazionale che i modelli tendono ad adottare di default.

Come funziona la macchina: dalla ricerca al calendario editoriale

Il cuore del progetto è una dashboard interna costruita interamente con agenti AI — nessun umano ha scritto una riga di codice. Ecco come funziona il flusso:

1. Ricerca automatica ogni mattina

Alle 7:00 il sistema parte in automatico e analizza decine di fonti internazionali (nessuna italiana, per scelta — i contenuti vengono poi tradotti). Ogni notizia viene valutata da un algoritmo di scoring sempre più sofisticato, che considera rilevanza, originalità e potenziale di engagement.

Il risultato: una cinquantina di notizie filtrate ogni giorno, suddivise nelle tre categorie di Spiegamelo Facile — la Mossa, il Tool, il Sistema. Monty le scorre la mattina, vota quelle che gli piacciono (feedback che allena ulteriormente l’algoritmo) e approva quelle da pubblicare — manualmente o in automatico per quelle con score più alto.

2. Il Content Hub: un contenuto, sei formati

Una volta approvata, ogni notizia viene trasformata automaticamente in contenuti per tutte le piattaforme:

• LinkedIn — testo + carosello immagini
• Instagram — carosello con grafica dedicata
• Facebook — testo
• X (Twitter) — thread multiplo
• TikTok — formato verticale (ancora in fase di rodaggio)
• Blog — articolo lungo con ottimizzazione SEO

Tutti i contenuti approvati vanno in un calendario editoriale automatico. L’obiettivo è avere circa cinque pubblicazioni al giorno per piattaforma — un volume che con un team umano richiederebbe ore di lavoro quotidiano.

3. La newsletter settimanale

Il sistema seleziona automaticamente i contenuti migliori della settimana, li assembla in una newsletter e li passa attraverso un processo di revisione multi-modello — diversi AI lavorano in parallelo per migliorare qualità e stile. La bozza finale viene caricata sulla piattaforma di email marketing e inviata.

Risultati dopo tre edizioni: tasso di apertura intorno al 30-38% su una lista da 170.000 iscritti. Non male per una newsletter scritta quasi interamente da agenti AI.

Il problema della scrittura: come si addestra un’AI a non sembrare un’AI

Una delle sfide più interessanti — e più sottovalutate — è insegnare al sistema a scrivere in modo autentico. I modelli tendono di default a un tono troppo formale, troppo “motivazionale”, con frasi che nessuno userebbe in una conversazione vera.

La soluzione adottata è un training in doppia modalità: il sistema produce contenuti, riceve feedback (sì/no su singoli elementi), e aggiorna progressivamente il proprio stile. In parallelo, ogni sera un algoritmo ispirato al framework di Karpathy gira dei loop automatici di miglioramento sulla scrittura e sulla ricerca — senza bisogno di intervento manuale.

Il sistema si aggancia anche agli analytics dei social: se un post funziona bene su LinkedIn, quel segnale torna nell’algoritmo come indicazione di cosa produrre di più e come scriverlo.

I costi reali: quanto costa una AI media company?

Uno degli aspetti più concreti di questo aggiornamento riguarda i costi. Ecco i numeri attuali:

• API AI: circa $300/mese (la voce principale è la ricerca, seguita dallo scoring e dalla scrittura con Claude Opus)
• Claude Code Max: $200/mese
• Email marketing, dominio e altri strumenti: cifre aggiuntive ma contenute

Totale indicativo: intorno ai $500/mese. Una cifra che fino a pochi anni fa non avrebbe nemmeno coperto lo stipendio di un singolo content creator part-time.

Le difficoltà che nessuno racconta

Monty è esplicito su quello che non funziona ancora bene — e vale la pena ascoltarlo, perché è quello che di solito manca nei contenuti sull’AI.

• Il terreno è instabile. Ogni settimana escono nuovi strumenti, nuove versioni, nuove funzionalità. Stare dietro alle novità è importante, ma inseguire ogni “new shiny object” significa continuare a ricominciare da capo.
• Il codice si accumula. Costruire in modalità vibe coding senza esperienza di programmazione significa che nel tempo si accumula del codice obsoleto, dei bug, delle falle di sicurezza. Tenerlo pulito è una delle attività più dispendiose.
• Non basta cliccare “ok”. Delegare all’AI senza capire cosa sta facendo non dà nessun vantaggio competitivo. Il valore aggiunto sta nel capire il sistema, non solo nel farlo girare.
• La paranoia del backup. Con un sistema così complesso, la domanda “se si brucia tutto, come ricostruisco?” è legittima e richiede attenzione costante.

I prossimi passi: dalla produzione di contenuti alla monetizzazione automatica

Una volta completato il setup di ricerca e creazione contenuti, l’obiettivo successivo è costruire un sistema di monetizzazione altrettanto automatizzato. L’ipotesi principale è la sponsorizzazione della newsletter — con un flusso completamente gestito dall’AI: dalla ricerca degli inserzionisti, alla scrittura del pitch, alla contrattualizzazione, al pagamento, alla reportistica post-invio.

Ambizioso? Sì. Impossibile? Probabilmente no — ma lo si scoprirà sul campo.

Conclusione: si può fare, ma non è una scorciatoia

Il progetto Spiegamelo Facile dimostra che costruire una AI media company è concretamente possibile anche per chi non ha un background tecnico. Il sito, il blog, la newsletter, i contenuti social: tutto costruito e gestito da agenti AI, con un investimento economico contenuto.

Ma c’è una differenza fondamentale tra usare l’AI e costruire con l’AI. Costruire con l’AI richiede tempo, attenzione, comprensione di quello che il sistema sta facendo — e una buona dose di tolleranza per il caos della fase iniziale.

Il punto non è avere la ricetta perfetta. È iniziare, sbagliare, correggere — e costruire qualcosa che nel tempo diventi davvero autonomo.

Staff Monty

Questo post è stato scritto con l’ausilio dell’AI partendo da un video di Monty

L'articolo Costruire una AI media company da zero: il diario di bordo di Spiegamelo Facile proviene da Marco Montemagno.