Il nuovo ChatGPT ora si compone di due sezioni. Chat è il posto dove continuare ad ottenere risposte rapide e risultati “stand-alone”. Work è l’area dove usare i modelli più potenti per delegare attività strutturate e complesse. Qui il sistema (harness) è in grado di attingere a strumenti esterni, pianificare flussi e produrre risultati complessi e variegati. Quindi anziché chiedere un singolo artefatto, possiamo ottenere diversi documenti (docx, xlsx, pdf, pptx, immagini, ecc.).

Anche l’app per desktop di ChatGPT è cambiata profondamente perché ha incorporato anche Codex, l’applicazione pensata per gli sviluppatori. Quindi ora si può scegliere se usare Chat, Work o Codex. Se si usa l’app desktop l’agente può lavorare direttamente sul nostro computer, in locale. Quindi anche usare documenti che risiedono nel nostro computer e aggiungerne di nuovi.

Le differenze tra ChatGPT Work e ChatGPT Chat

Ma cosa si può fare di diverso con ChatGPT Work che non si può con Chat? Il cambiamento più importante è nel modo in cui il sistema affronta un incarico. Chat resta principalmente un’interfaccia conversazionale: l’utente formula una richiesta, allega eventuali materiali e riceve una risposta, un’analisi o uno o più file. ChatGPT Work, invece, è progettato come un vero ambiente di lavoro agentivo (un harness), nel quale il modello può pianificare, eseguire e controllare attività articolate.

In pratica, Work non si limita a rispondere a un prompt, ma può trasformare una richiesta in un processo composto da più passaggi. A partire da un obiettivo generale, individua le attività necessarie, le ordina, sceglie gli strumenti più adatti e mostra lo stato di avanzamento. In alcuni casi può anche distribuire il lavoro tra più sottoagenti, facendoli operare in parallelo su ricerca, produzione dei contenuti, progettazione visiva e verifica finale.

Le principali differenze tra ChatGPT Work e ChatGPT Chat sono queste:

• Uso di modelli: in Chat, al momento, è selezionabile solo il modello GPT-5.6 Sol con diversi livelli di intelligenza (sforzo computazionale). In Work si possono selezionare anche i modelli GPT-5.6 Terra e Luna con diversi livelli di intelligenza. Si può arrivare anche al livello Ultra (più potente ma che consuma più velocemente la quota di utilizzo settimanale) e selezionare la velocità di esecuzione 1,5X (da usare con parsimonia).
• Gestione di progetti complessi: Chat può già produrre ricerche, strategie, testi e file diversi. Work, però, organizza questi risultati come parti di un unico progetto, suddividendo il lavoro in fasi e mantenendo separati fonti, materiali intermedi e output finali. Quindi può produrre output più articolati.
• Verifica prima della consegna: il sistema può introdurre autonomamente passaggi di controllo sugli output, verificando, per esempio, la leggibilità di un PDF, la presenza di sovrapposizioni, la correttezza dei collegamenti o la coerenza del layout. Questo non elimina la necessità della revisione umana, ma aggiunge un primo livello di quality assurance.
• Orchestrazione di strumenti e agenti AI: Work può richiamare strumenti specializzati e avviare sottoagenti dedicati a compiti differenti. Per esempio, un agente può occuparsi della ricerca competitiva mentre altri elaborano diverse proposte grafiche o costruiscono una landing page.
• Stato di avanzamento visibile: nella modalità Work il sistema mostra il piano operativo e indica quali attività sono in corso, completate o ancora da svolgere. Questo rende più semplice seguire il processo e intervenire prima della consegna finale.
• Decisioni intermedie dell’utente: Work può fermarsi nei punti strategici per chiedere una scelta, per esempio tra più direzioni creative, strutture o approcci. Il rapporto diventa quindi più simile a quello tra un responsabile e un collaboratore che sottopone alternative prima di procedere.
• Browser use: ChatGPT Work può utilizzare un browser remoto per navigare su siti, aprire pagine, seguire collegamenti, compilare moduli e interagire con servizi online. Non si limita quindi a trovare informazioni sul web, ma può eseguire azioni all’interno delle pagine, chiedendo l’autorizzazione dell’utente nei passaggi più sensibili.
• Computer use: nell’applicazione desktop, Work può controllare alcune applicazioni presenti sul computer. Può, per esempio, leggere un documento aperto, trasferire dati da un programma a un altro, creare nuovi file e svolgere operazioni ripetitive attraverso l’interfaccia grafica.
• Accesso ai file locali: Work, usato da desktop, può operare direttamente all’interno di una cartella di progetto sul computer. In questo modo può leggere i documenti presenti, crearne di nuovi e organizzare automaticamente i risultati in sottocartelle, senza che sia necessario allegare manualmente ogni file alla conversazione.
• Skill riutilizzabili: in Chat non si possono richiamare le Skill, mentre in ChatGPT Work si. Un flusso di lavoro completato può essere trasformato in una skill, cioè in una procedura strutturata che può essere richiamata in seguito. La skill può incorporare non solo le istruzioni iniziali, ma anche i controlli e le correzioni emersi durante l’esecuzione.
• Attività programmate: le skill e i flussi possono essere collegati a una pianificazione. ChatGPT Work può quindi controllare periodicamente una cartella, individuare nuovi file ed eseguire automaticamente una procedura soltanto sui materiali non ancora elaborati.
• Plugin: Work può collegarsi a strumenti di produttività e gestione del lavoro (che hanno implementato il protocollo MCP), ampliando il processo oltre la singola conversazione. Questo consente di immaginare flussi che coinvolgono documenti, browser, applicazioni locali e servizi cloud.

In sintesi, ChatGPT Chat è soprattutto uno spazio di conversazione, analisi e generazione di contenuti, mentre ChatGPT Work è un ambiente di delega ed esecuzione. Con Chat si chiede al modello di produrre una risposta; con Work gli si affida un risultato, lasciandogli maggiore autonomia nell’organizzare le attività, scegliere gli strumenti, coordinare i passaggi e verificare gli output.

Questo non significa che Work sia sempre la scelta migliore. Le attività agentiche, il browser use, il computer use e l’impiego di più strumenti richiedono più tempo e consumano una quota maggiore di risorse. Per richieste semplici o rapide, Chat rimane spesso l’opzione più efficiente. Work diventa invece particolarmente utile quando il compito è complesso, multi-step, ripetitivo o coinvolge diversi file, applicazioni e fasi operative.

Nel video che segue vi mostro alcuni esempi pratici per poter sfruttare al massimo ChatGPT Lavoro.

✨ Vuoi approfondire i temi dell’Intelligenza Artificiale Generativa? Scopri i miei corsi di formazione!

L'articolo Ecco come funziona ChatGPT Work. Le differenze con Chat proviene da Vincos di Vincenzo Cosenza.

Durante la puntata di domenica scorsa del suo programma 2024 abbiamo parlato delle novità del nuovo GPT-5.6 e delle caratteristiche di Fable 5, che lo hanno messo al centro di uno stretto controllo di sicurezza da parte del governo statunitense. Quanto sono simili? Sono davvero così pericolosi?

Potete ascoltare l’intervista qui a partire dal minuto 13.

L'articolo GPT-5.6 Sol contro Fable 5: intervista a Radio 24 proviene da Vincos di Vincenzo Cosenza.

Differenze tra GPT Sol, Terra e Luna

Con il lancio di GPT-5.6, OpenAI introduce una nomenclatura innovativa che supera la classica distinzione tra versioni standard e ridotte. Il numero della versione identifica ora la generazione tecnologica di base, mentre i nomi evocativi indicano classi di capacità permanenti che possono evolvere in modo indipendente nel tempo. Questa tripartizione consente di ottimizzare i costi e le prestazioni in base alla complessità del compito da svolgere.

• Sol, il modello di punta per il ragionamento avanzato: rappresenta la massima espressione tecnologica della nuova generazione. Sol è progettato per affrontare compiti che richiedono un ragionamento logico profondo, la risoluzione di problemi complessi e lo sviluppo di codice su progetti di grandi dimensioni. È lo strumento ideale per la ricerca scientifica, l’analisi di dati complessi e la sicurezza informatica.
• Terra, il bilanciamento ideale per il lavoro quotidiano: si colloca nella fascia intermedia ed è ottimizzato per offrire prestazioni di alto livello a un costo notevolmente ridotto. Terra esegue la maggior parte delle attività aziendali standard con un’efficienza straordinaria, rappresentando la scelta predefinita ideale per la stesura di testi, la gestione di flussi operativi e l’automazione dei processi d’ufficio.
• Luna, la soluzione rapida e conveniente: focalizzato sulla massima velocità di esecuzione e sul contenimento dei costi. Luna è perfetto per compiti ad alto volume che non richiedono un ragionamento approfondito, come la classificazione dei dati, la sintesi rapida di testi o l’instradamento automatico delle richieste all’interno dei sistemi aziendali.

I modelli sono già stati implementati nell’interfaccia di ChatGPT da web e da desktop. Qui è possibile scegliere, per ognuno di essi, anche il livello di sforzo computazionale (o “intelligenza”) che si vuole: da bassa a Ultra. Inoltre, si può impostare anche un livello di velocità superiore di 1,5x a quella standard. Ovviamente, questa selezione va usata con parsimonia in modo da non “bruciare” i limiti di utilizzo che si hanno a disposizione e che cambiano a seconda del piano di abbonamento sottoscritto.

Grazie a questa segmentazione, le imprese possono impostare strategie di smistamento intelligente (noto tecnicamente come routing): utilizzare Luna per il filtraggio iniziale, Terra per l’elaborazione standard e Sol esclusivamente per le sfide logiche più complesse, ottimizzando il budget operativo.

Le capacità di GPT-5.6

Nei miei test ho notato una grande velocità di esecuzione dei compiti affidati e un netto miglioramento nelle capacità di ragionamento. Quindi GPT-5.6 è ideale per compiti strategici nel campo di qualunque professione.

Il modello è stato addestrato, non tanto per rispondere alle nostre domande, ma per portare a termine attività anche complesse. Devo dire che si è dimostrato un lavoratore instancabile e proattivo, in grado di individuare soluzioni, prospettare alternative e produrre artefatti (fogli excel, powerpoint e pdf) in autonomia. Merito della sua capacità migliorata di interrogare e attivare strumenti esterni (collegati tramite MCP).

Spicca, poi, il salto in avanti in termini di skill di programmazione. Non solo di back-end, ma anche di front-end. Questo modello sembra avere più “gusto visivo” dei precedenti.
Nella mie attività di vibe coding tendo a distribuire il lavoro in modo da dare a Sol dei compiti di strategia, a Luna quelli di implementazione e a Terra quelli di controllo. In questo modo, risparmio token e ottengo un risultato più velocemente.

Per vedere all’opera quello che sono riuscito ad ottenere, vi rimando al video che ho girato. Ma le novità non sono finite, per cui nei prossimi giorni vi parlerò di ChatGPT Work e del nuovo modello vocale GPT-Live-1.

✨ Vuoi approfondire i temi dell’Intelligenza Artificiale Generativa? Scopri i miei corsi di formazione!

L'articolo Il mio test di GPT-5.6: Sol, Terra, Luna. proviene da Vincos di Vincenzo Cosenza.

Il problema è che stiamo usando l’unità di misura sbagliata per inquadrare quello che sta succedendo.

A pensarci bene, l’IA non riproduce il lavoro del traduttore, del programmatore o del grafico. Svolge attività specifiche: cercare informazioni, classificare documenti, produrre una prima bozza, confrontare alternative, rispondere a un cliente. Alcune riesce già a farle bene. Altre soltanto in parte perché richiedono conoscenza del contesto, relazione con le persone, controllo o assunzione di responsabilità.

Insomma, il lavoro non è un sistema monolitico che può essere affidato interamente a una macchina, ma un insieme di attività che possono essere di varia natura e prevedere capacità diverse.

Pensare in termini di attività non di lavoro

L’idea non nasce con la GenAI. Da tempo gli economisti studiano il cambiamento tecnologico osservando come le attività vengono distribuite tra lavoratori e macchine, anziché limitarsi a contare le professioni che nascono e quelle che scompaiono.

David Autor, uno degli studiosi più autorevoli del mercato del lavoro, definisce questo modo di guardare alle professioni “task approach”: le persone possiedono competenze, ma le applicano svolgendo attività specifiche. Quando arriva una nuova tecnologia, non sostituisce necessariamente una professione: cambia l’assegnazione di alcuni task tra lavoro umano e capitale.

Sangeet Paul Choudary, autore del fondamentale “Reshuffle”,  usa un’espressione ancora più immediata: ogni lavoro è un bundle of tasks, un pacchetto di attività orientate verso un obiettivo. E la tecnologia può agire su di esse in vari modi, come vedremo.

Prendiamo il lavoro di un responsabile marketing. Sembrerebbe un lavoro omogeneo, ma in realtà può comprendere attività molto diverse come la ricerca sulle tendenze, l’analisi dei concorrenti, l’ideazione di una campagna, la negoziazione con le altre funzioni aziendali.  Un modello linguistico può sintetizzare centinaia di ricerche e aiutarci nel brainstorming di idee, ma non riesce ad intuire i rapporti di potere in azienda e come riuscire a convincere il responsabile a darci più budget.  

L’esposizione all’IA non riguarda quindi il titolo professionale. Riguarda la composizione del lavoro.

L’impatto dell’IA sulle singole attività

Quando impariamo ad osservare un lavoro a livello dei task, scopriamo che l’intelligenza artificiale può intervenire in almeno quattro modi:

• Può sostituire un’attività: una trascrizione, una traduzione preliminare o la classificazione di migliaia di documenti possono essere eseguite quasi interamente da un modello IA;
• Può accelerarla: il professionista continua a svolgere il compito, ma impiega meno tempo per arrivare al risultato;
• Può abbassarne la soglia di competenza: una persona meno esperta riesce a produrre un risultato che prima avrebbe richiesto anni di pratica o l’intervento di uno specialista;
• Può creare nuove attività per l’umano: preparare il contesto, definire criteri di valutazione, controllare gli output, coordinare agenti, gestire eccezioni e decidere quando il sistema non deve essere utilizzato.

Il numero dei task tecnicamente automatizzabili, da solo, non ci dice se una professione scomparirà. Con l’IA un lavoro potrebbe perdere alcune attività, acquisirne altre oppure potrebbe richiedere meno persone.

C’è di più: anche l’automazione dello stesso task può produrre effetti opposti in professioni differenti. Se una tecnologia elimina le attività più semplici e lascia alla persona quelle che richiedono maggiore esperienza, il lavoro residuo può diventare più qualificato. Se invece automatizza proprio la parte più sofisticata e lascia agli esseri umani soltanto l’esecuzione standardizzata, può accadere il contrario.  

Per questo le percentuali di “automazione di una professione” vanno lette con cautela. Dire che l’IA può svolgere il 30% dei task di un ruolo non equivale a dire che eliminerà il 30% dei posti. Tra una capacità tecnica e un cambiamento dell’occupazione ci sono di mezzo costi, affidabilità, responsabilità, organizzazione e domanda di mercato.

Quattro effetti dell’IA sul lavoro

Choudary sostiene che quando una tecnologia entra in un pacchetto di attività, non produce sempre lo stesso effetto. Quattro sono i possibili scenari: 

Status Quo: può lasciare quasi intatto il valore del lavoro se aiuta la persona, rendendola più produttiva, ma senza cambiare il modo in cui quel lavoro viene remunerato. 

Migrazione del valore: può spostare valore verso il lavoratore, se gli permette di svolgere più attività, assumere compiti più importanti o offrire un servizio migliore. In questo caso il suo lavoro potrebbe essere remunerato meglio. 

Commoditizzazione: può anche rendere accessibile a molti delle competenze o compiti che prima richiedevano un’esperienza specialistica che apparteneva a pochi. Di conseguenza, questi vedranno abbassare il valore del proprio lavoro.  

Sostituzione: in alcuni casi può preparare una sostituzione futura, perché l’uso dello strumento da parte del lavoratore contribuisce a trasferire dati, procedure e conoscenza che migliorano progressivamente il sistema. 

Questa griglia è utile perché evita due semplificazioni opposte. La prima è pensare che ogni automazione cancelli lavoro. La seconda è pensare che ogni forma di “augmentation” renda automaticamente più prezioso il lavoratore. In realtà, lo stesso miglioramento tecnico può aumentare il valore di alcuni ruoli, ridurre il premio di altri o spostare il controllo del processo verso chi controlla il sistema.

Perché la tecnologia non ha fatto scomparire i lavori 

L’approccio per task aiuta anche a capire perché molte ondate di automazione non abbiano cancellato intere professioni nella misura prevista.

Le tecnologie tradizionali erano molto efficaci nell’esecuzione di compiti circoscritti. Una calcolatrice esegue calcoli, un foglio elettronico applica formule, un software gestionale registra transazioni. Ma qualcuno doveva ancora decidere quali calcoli fare, raccogliere le informazioni, definire l’obiettivo, gestire le eccezioni e valutare il risultato.

La tecnologia erodeva singoli task. L’essere umano conservava il compito di coordinarli: non svolgeva più ogni passaggio, ma continuava a governare il processo.

Choudary definisce questa capacità “goal-seeking”: partire da un obiettivo, scomporlo in attività, scegliere le risorse necessarie e adattare il percorso quando qualcosa non funziona. È uno dei motivi per cui molti lavori sono sopravvissuti anche dopo la scomparsa di una parte significativa delle attività che li componevano. Il titolo professionale restava uguale, mentre il suo contenuto cambiava.

Come gli agenti spostano il confine

Con i sistemi agentivi, però, il confine comincia a spostarsi.

Un chatbot tradizionale risponde a una richiesta: gli chiediamo di preparare una sintesi e ci restituisce una sintesi. La scomposizione del lavoro, l’ordine delle operazioni e la verifica finale rimangono in gran parte nelle mani dell’utente.

Un agente di intelligenza artificiale può essere in grado di portare a termine un obiettivo perché è in grado di costruire un piano, scomporlo in task, utilizzare strumenti esterni, controllare i risultati.  

Il passaggio non è da uomo a macchina. È dal task all’obiettivo.

Certo, gli agenti attuali possono commettere errori, perdersi durante processi lunghi e propagare un’informazione inesatta attraverso tutta la sequenza. Autonomia non significa affidabilità, e la supervisione umana resta ancora necessaria.  

La direzione, però, è tracciata. L’intelligenza artificiale non viene più utilizzata soltanto dentro un workflow: inizia a partecipare alla sua progettazione e alla sua esecuzione. Quando un sistema può decidere quali attività servono, in quale ordine svolgerle e quali strumenti impiegare, si avvicina alla funzione che caratterizzava il lavoro umano.

L’errore di pensare che l’IA non sostituirà chi saprà utilizzarla

Quando si vede il lavoro come insieme di task, alcuni automatizzabili e altri riservati agli umani, il rischio è di pensare che queste attività siano indipendenti. In realtà esse formano workflow, e i workflow cambiano quando cambia il costo o la disponibilità di una delle loro componenti.

Il word processor, per esempio, non si è limitato a rendere più veloce il lavoro dei dattilografi. Ha reso economico modificare, copiare e impaginare un documento. A quel punto i lavoratori hanno iniziato a scrivere direttamente. Il task della dattilografia non è stato soltanto accelerato: è stato distribuito tra milioni di persone e incorporato in un processo completamente diverso.

Il dattilografo più abile nell’utilizzo di Word non era necessariamente destinato a vincere la competizione. Stava venendo meno il sistema che rendeva necessaria quella professione dedicata.

È il limite dello slogan secondo cui l’IA non sostituirà chi lavora, ma soltanto chi non sa utilizzarla. Quella frase immagina che il vecchio processo rimanga intatto e che la competizione si giochi esclusivamente sulla velocità con cui ciascuno esegue i task esistenti. A volte accadrà. Altre volte cambierà il processo e alcuni passaggi perderanno la loro funzione.

La domanda non può quindi fermarsi a: “Quali attività del mio lavoro può svolgere l’IA?”. Dobbiamo chiederci anche: “Quelle attività continueranno a essere organizzate nello stesso modo?”.

Dal task al workflow

Immaginiamo un’agenzia che realizza ricerche di mercato. Nel processo tradizionale, alcune persone raccolgono le fonti, altre classificano i dati, un analista li interpreta, un consulente costruisce la presentazione e un senior formula le raccomandazioni.

Inserire un assistente di IA in ogni passaggio può rendere le singole persone più veloci. In questo caso l’IA non sostituisce, ma “aumenta” le capacità del singolo.

Un agente potrebbe partire direttamente dall’obiettivo del cliente, cercare le fonti, organizzare le informazioni, formulare alcune ipotesi, sottoporle a verifica e produrre una prima versione del rapporto. A quel punto non abbiamo ottenuto il miglioramento di cinque task. Abbiamo ottenuto un diverso workflow.

Alcune figure potrebbero servire meno. Altre diventerebbero più importanti. Potrebbe crescere il ruolo di chi definisce bene la domanda, controlla le fonti, interpreta le anomalie, comprende il contesto del cliente e si assume la responsabilità delle raccomandazioni. Oppure il baricentro del valore potrebbe spostarsi verso chi possiede la relazione con il cliente e controlla il sistema attraverso il quale passa l’intero processo.

La ricomposizione (rebundle) conta almeno quanto la scomposizione (unbundle).

Le domande che dovremmo farci

Per capire l’effetto dell’intelligenza artificiale sul lavoro conviene quindi procedere su tre livelli.

• task: quali attività può sostituire, accelerare o rendere accessibili a persone meno esperte?
• workflow: quando quelle attività diventano più economiche, il processo continuerà a funzionare nello stesso modo?
• sistema: chi definirà gli obiettivi, coordinerà persone e agenti, controllerà la relazione con il cliente e si assumerà la responsabilità del risultato?

È a questo terzo livello che, come dice Choudary, si deciderà chi starà “sopra l’algoritmo”, cioè sarà in grado di usarlo come leva, e chi finirà “sotto l’algoritmo” ossia ad alimentarlo con la propria attività.  

Sono domande più difficili rispetto alla compilazione di una classifica dei lavori destinati a sparire. Ma sono anche molto più utili per un’impresa o un professionista che deve decidere cosa fare adesso. Non basta individuare il task che l’IA può svolgere: bisogna capire che cosa accade a tutto ciò che gli stava intorno.

Il lavoro può restare mentre cambia tutto

È possibile che nei prossimi anni molti titoli professionali restino apparentemente intatti. Continueranno a esistere avvocati, giornalisti, consulenti, sviluppatori e responsabili marketing.

Ma sotto la superficie, le attività che comporranno quei lavori verranno redistribuite tra persone e agenti: alcuni passaggi scompariranno, altri verranno incorporati negli strumenti, altri ancora acquisteranno più rilevanza.

Il cambiamento non apparirà necessariamente sotto forma di una sostituzione improvvisa. Potrebbe manifestarsi attraverso team più piccoli, meno posizioni junior, nuovi criteri di valutazione, aspettative di produzione più elevate e ruoli formalmente uguali ma profondamente diversi.

Per questo chiedersi soltanto se l’IA mangerà il nostro lavoro serve a poco. Prima modifica alcuni task. Poi contribuisce a ricomporre il workflow. Infine può spostare il controllo del sistema nel quale quel lavoro produce valore. Ed è durante questa ricomposizione che si deciderà non soltanto quali lavori sopravvivranno, ma anche quanto varranno.

Prima però conviene verificare una premessa che diamo troppo spesso per scontata: se l’IA permette di svolgere più attività in meno tempo, stiamo davvero diventando più produttivi? Oppure stiamo semplicemente producendo più output, senza creare maggiore valore? È la domanda che affronterò in un prossimo post.

✉️ Ti è piaciuto questo articolo? Iscriviti alla mia newsletter gratuita!

L'articolo L’Intelligenza Artificiale ci ruberà il lavoro? No, ma lo cambierà. proviene da Vincos di Vincenzo Cosenza.

Questo ritorno sul mercato è stato possibile perché Anthropic ha introdotto stringenti filtri di sicurezza che reindirizzano i compiti più sensibili verso il più sicuro Claude Opus 4.8 (anche se ciò avviene senza che l’utente venga avvertito). Nonostante queste limitazioni, i benchmark attestano che Fable 5 è il modello di IA più capace attualmente in circolazione. Ma è utile per tutto? Quando conviene usarlo?

Quando usare Fable 5

Fable 5 ha una capacità di ragionamento e di pianificazione di livello superiore, ideale per tutti i compiti agentivi in particolare:

• Ingegneria del software: migrazioni di interi sistemi di codice, debug di architetture articolate e refactoring su vasta scala.
• Analisi documentale profonda: sintesi di contratti complessi, ricerche scientifiche incrociate e analisi di grandi moli di dati non strutturati.
• Sviluppo di agenti autonomi: scenari in cui l’intelligenza artificiale deve operare in autonomia per ore o giorni, pianificando e correggendo i propri passaggi senza supervisione continua.

Al contrario, l’uso di questo modello risulta poco conveniente per compiti rapidi, traduzioni semplici o interazioni quotidiane di base: in questi casi, modelli più veloci ed economici come Claude Sonnet o Opus garantiscono un rapporto qualità-prezzo decisamente più vantaggioso.
Nel video che segue vi mostro come se la cava con alcune capacità di marketing, ragionamento strategico e coding.

✨ Vuoi approfondire i temi dell’Intelligenza Artificiale Generativa? Scopri i miei corsi di formazione!

L'articolo Fable 5: usare Claude al massimo proviene da Vincos di Vincenzo Cosenza.

All’utente basta spiegare quale attività intende automatizzare. Sarà poi “l’agente costruttore” di Gumloop a comprendere le istruzioni, a strutturare le azioni necessarie e a selezionare gli strumenti idonei per portare a termine il compito.
Questo approccio democratizza l’accesso all’automazione avanzata, permettendo a chiunque di creare soluzioni personalizzate in pochi minuti.

Gli elementi chiave: MCP e Skills

Per operare con successo all’interno di un ecosistema aziendale, un agente IA ha bisogno di due elementi fondamentali, ovvero l’accesso agli strumenti di lavoro e la conoscenza delle procedure operative. Gumloop risolve queste necessità attraverso due concetti cardine, illustrati di seguito:

• Il protocollo MCP (Model Context Protocol): si tratta di uno standard aperto che funge da adattatore universale. Grazie all’MCP, gli agenti di Gumloop possono collegarsi in modo sicuro a centinaia di applicazioni esterne (tra cui Slack, GitHub, HubSpot, Notion e i database aziendali). L’agente è in grado di interrogare autonomamente questi strumenti in base al contesto della conversazione, senza che l’utente debba configurare integrazioni personalizzate per ogni singolo scenario.
• Le Skills (competenze): rappresentano i manuali d’istruzione che insegnano all’agente come svolgere un compito specifico rispettando le linee guida aziendali. Una skill può contenere formati di e-mail, regole di classificazione delle richieste di supporto o persino piccoli script di programmazione eseguiti in un ambiente protetto. L’aspetto più straordinario è che gli agenti possono creare e perfezionare le proprie competenze nel tempo: se l’utente corregge un errore commesso dall’agente, questo è in grado di registrare l’apprendimento all’interno della skill di riferimento, migliorando le prestazioni future in modo del tutto autonomo.

I vantaggi di Gumloop

Gumloop può essere usato con un account gratuito che dà diritto ad avere 5.000 crediti che vengono consumati ogni volta che si usa un servizio esterno o si interroga l’agente costruttore. L’abbonamento di base da 20.000 crediti costa 37$ al mese.

Il vantaggio rispatto a piattaforme come n8n è che qui creare e modificare un agente è molto più semplice. Gumloop nasconde tutte le complessità costruttive. Per usare un particolare modello linguistico, ad esempio, non ci sarà bisogno di fare uno specifico account, comprare del credito e usare la propria chiave API. Gumloop si incaricherà di tutto, facendo da ponte verso il fornitore del servizio.

In sintesi, almeno per ora, Gumloop rappresenta la via più rapida ed efficace per passare da una semplice adozione di assistenti virtuali a una reale riorganizzazione dei processi in chiave agentiva.

✨ Vuoi approfondire i temi dell’Intelligenza Artificiale Generativa? Scopri i miei corsi di formazione!

L'articolo Gumloop: il modo più semplice per creare Agenti IA proviene da Vincos di Vincenzo Cosenza.

I plugin di Codex

Recentemente OpenAI ha corredato Codex di alcuni Plugin (bundle di istruzioni, skill e app) specifici per l’analisi dei dati, la vendita, il product design, gli investimenti e le attività bancarie. Io ho testato quello dedicato alla produzione creativa (creative production plugin) che si presenta come una serie di skill in grado di richiamare applicazioni creative come Canva, Figma, Shutterstock, Picsart e Fal.

Tra le funzioni del plugin c’è quella che consente di gestire l’intero ciclo di vita di una campagna pubblicitaria:

• Analisi del contesto: il sistema può navigare sul web, leggere una pagina di prodotto o analizzare un documento interno per comprendere a fondo l’offerta, il posizionamento e il pubblico di riferimento.
• Ideazione strategica: partendo dai dati raccolti, l’agente propone diverse direzioni creative e concept di campagna strutturati, integrando posizionamento, idea creativa e meccanica di marketing.
• Generazione di asset visivi e testuali: coordina la creazione di varianti di annunci pubblicitari (ad esempio per piattaforme come Meta), producendo sia i testi (copywriting) sia i layout grafici coerenti con le linee guida del brand.
• Strutturazione del pitch: organizza il materiale in una presentazione organica pensata per ottenere l’approvazione del management.

Devo dire che il lavoro di Codex è stato molto soddisfacente. La sensazione è di riuscire a lavorare con un vero e proprio collaboratore che conosce il mestiere e riesce a portare a termine un lavoro (grazie alle istruzioni contenute nei plugin). Infatti, ormai ho smesso di usare ChatGPT. Uso Codex per qualunque attività.

✨ Vuoi approfondire i temi dell’Intelligenza Artificiale Generativa? Scopri i miei corsi di formazione!

L'articolo Come creare campagne ads con Codex proviene da Vincos di Vincenzo Cosenza.

Nessuno di questi ritratti è completamente  inventato. Nascono tutti dalle stesse tracce, ma vengono lette, pesate e sintetizzate in modo diverso da ciascun modello, a seconda di chi sei e di cosa chiedi. La domanda interessante non è quale di queste sia “quella vera”. È cosa cambia per chi una marca la deve gestire.

Da messaggio a sintesi

Per decenni l’identità di marca è stata un monolite di significati: costruito dal management, veicolato attraverso canali controllabili. Negli anni del web e dei social è diventata un’identità negoziata con gli utenti, potenzialmente in grado di scalfire il monolite.

Oggi, nell’era della GenAI, sta diventando un’altra cosa ancora. Per dirlo serve prendere in prestito un’espressione tecnica: spazio latente. Dentro un modello linguistico di grandi dimensioni non c’è un archivio di frasi pronte, da pescare e restituire. C’è uno spazio matematico in cui ogni concetto è rappresentato come una posizione in mezzo a milioni di altri, e le risposte non vengono lette da un “cassetto”: vengono calcolate sul momento, attraversando quello spazio in base a ciò che chiedi. Lo stesso modello, sollecitato in modi leggermente diversi, percorre traiettorie diverse e produce risposte diverse. La risposta che cerchi non è scritta da nessuna parte finché non formuli la domanda.

L’identità di marca, oggi, si comporta esattamente così. Non vive più come un messaggio depositato da qualche parte e pronto all’uso. Esiste come pattern distribuito nelle tracce che l’azienda e le persone lasciano in giro (sito, recensioni, articoli, contenuti generati dagli utenti) e assume forma definita solo nel momento in cui un sistema intelligente viene interrogato su di essa. È latente nello stesso senso in cui lo è un concetto dentro il modello: c’è, ma come potenziale, non come elemento finito. E come per il modello, ogni risposta è leggermente diversa dalle altre, perché ogni sintesi dipende dal modello, dalla query, dal momento. Da qui il nome che ho scelto, marca latente.

Per usare un vocabolario più filosofico: è un’identità in potenza, che diventa atto solo nell’istante della sintesi. La distinzione è aristotelica e qui torna utile in senso letterale: la potenza è ciò che può essere ma non è ancora; l’atto è la sua realizzazione concreta. Una statua è in potenza nel blocco di marmo, diventa atto sotto lo scalpello. Allo stesso modo non esiste una marca con un’identità cristallizzata e univoca. Esiste un campo di significati possibili che, quando richiamati dall’utente (o da un agente IA), si manifestano: calcolati statisticamente sul momento.

È chiaro, allora, che pensare di avere il controllo sulla marca è un’illusione. Non da oggi: lo era anche prima. Ma la novità non è solo che l’IA rende quell’illusione visibile. È che ne introduce una variante inedita.
Nel mondo pre-GenAI il tempo dilavava le tracce: una crisi del 2022 sbiadiva, veniva archiviata, scivolava in fondo ai risultati di ricerca. Oggi quella stessa crisi può restare congelata nei pesi di un modello e riemergere intatta nel 2026, come se il tempo non fosse passato. Non è la vecchia perdita di controllo resa più evidente. È un meccanismo nuovo: la marca non sfugge più solo nello spazio, tra fonti che non governi, ma anche nel tempo, che non dilava più come faceva prima.

GEO, AEO, AIO: cosa cambia davvero

La tentazione, per chi guida un’azienda o un brand, è leggere tutto questo come una nuova disciplina. Già si parla di nuove forme di SEO come GEO (Generative Engine Optimization), AEO (Answer Engine Optimization) e AIO (AI Optimization come unione di GEO e AEO). Tanto che i manager hanno già iniziato a chiedere: “Come ci posizioniamo su ChatGPT?”.

Domanda legittima, che però spesso porta a risposte sbagliate: tattiche di breve respiro come keyword stuffing per LLM, recensioni gonfiate, prompt injection, che non risolvono il problema e a volte lo aggravano. Sia chiaro, non tutta la GEO è fuffa: presidiare fonti autorevoli, esporre dati strutturati, tenere coerenti i fatti che ti riguardano sono pratiche sensate, che peraltro coincidono in parte con la strategia che sto per descrivere. Il punto non è che la tattica sia sbagliata. È che da sola non basta, perché scambia un problema strategico per un problema di ottimizzazione.

Il problema è strategico, infatti. Se l’identità di marca esiste in potenza nelle tracce, allora la marca non si comunica più come un unicum: si progetta affinché emerga dalle tracce che lasciamo. Il messaggio resta uno dei segnali, il più controllabile, ma è solo uno. Il lavoro vero è disseminare nel mondo un insieme di segnali tale per cui un sintetizzatore, interrogato, restituisca una versione decente di te.

Per chi dovrebbe governare una marca al tempo dell’intelligenza artificiale  significa quattro cose pratiche.

Le tracce non pesano tutte allo stesso modo. La gerarchia delle fonti non è più quella della SEO classica. Conta l’autorità della fonte, certo, ma contano almeno altrettanto due altri fattori.

Il primo è l’accessibilità tecnica. Un articolo eccellente di Repubblica dietro paywall pesa molto meno di un pezzo mediocre ma aperto, perché il crawler che alimenta l’addestramento fa fatica a leggerlo. Attenzione: il paywall riduce il peso, non lo azzera del tutto. I contenuti chiusi potrebbero rientrare comunque per altre vie, ad esempio dagli eventuali accordi di licenza tra editori e laboratori alle citazioni di terzi. Ma li penalizza in modo sistematico, e in una misura che chi pianifica le PR raramente considera.

Il secondo è la lingua. I corpora di addestramento sono massicciamente sbilanciati verso l’inglese. Il risultato è controintuitivo: a parità di accessibilità, un articolo aperto in inglese su una rivista di settore può pesare più di un pezzo lungo e ben scritto su una testata italiana. Molte aziende investono in PR nazionali in buona fede, convinte di costruire identità di marca, e ne costruiscono solo metà: quella visibile agli esseri umani, non quella leggibile dalle macchine.

Memoria e recupero sono due cose diverse. L’identità calcolata ha due strati che si comportano in modo differente.

Il primo è congelato nei pesi del modello al momento dell’addestramento. Ci entra al cutoff (il momento in cui l’azienda smette di addestrare il modello) e ci resta. Non per sempre, perché i modelli vengono riaddestrati dopo un certo numero di mesi, ma per un tempo imprevedibile. Pensa a un’azienda che ha cambiato nome, proprietà o posizionamento: per gli umani la transizione si è conclusa, per il modello la vecchia identità può sopravvivere mesi o anni nei suoi dati di addestramento.

Il secondo strato viene recuperato in tempo reale via ricerca e RAG (Retrieval Augmented Generation): più aggiornabile, ma dipendente da quali fonti il modello è configurato per consultare, e di questo, ad oggi, non sappiamo nulla. Qui basta che il primo risultato su un certo intento sia un forum pieno di critiche perché la sintesi ne risenta, anche se sui pesi la tua reputazione è solida. Gestire questi due strati separatamente, con logiche e orizzonti temporali diversi, è una competenza che quasi nessuno ha ancora sviluppato.

Le sintesi sono plurali. Non esiste la risposta dell’LLM sulla tua marca: ne esistono molte, una per ogni modello e una per ogni intento. “Scarpe da running per maratoneti”, “scarpe etiche”, “controversie sul marchio X” producono tre marche diverse con lo stesso nome. Monitorarle è un’attività che ha senso strutturare quanto il monitoraggio dei media tradizionali, con la differenza, non da poco, che qui i risultati cambiano ad ogni interrogazione. Quindi diffida dei tool magici di brand intelligence.

Stanno arrivando i lettori non umani. Nell’era agentiva, più vicina di quanto sembri, la marca non viene sintetizzata solo per un utente che legge. Viene letta e selezionata da agenti che decidono per conto dell’utente: comparano, filtrano, in alcuni casi acquistano. È il salto concettuale più importante, e quasi nessuno lo sta trattando.

Significa che, oltre a essere ben rappresentata, la marca deve essere leggibile e selezionabile da una macchina. Sono due requisiti diversi. Il primo lo conosciamo: è la reputazione, raccontata bene. Il secondo è nuovo. Un agente non si commuove per il tuo claim: confronta. Se i tuoi prezzi divergono tra il sito e i marketplace, se le specifiche di prodotto non coincidono da una fonte all’altra, se le informazioni che ti riguardano non sono esposte in forma strutturata e verificabile, l’agente non litiga con te: semplicemente ti scarta a favore di un concorrente più ordinato. La leggibilità per le macchine, fatta di dati strutturati, coerenza fattuale tra le fonti, claim verificabili, feed in formato machine-readable, smette di essere un dettaglio tecnico per gli sviluppatori e diventa una variabile competitiva. Per ora quasi del tutto ignorata.

Misurare la sintesi

Resta la domanda più scomoda: come si misura tutto questo? Non basta “chiedere a ChatGPT cosa pensa di noi” una volta e archiviare lo screenshot. La sintesi è plurale e mobile, e va trattata come tale.

In pratica vuol dire interrogare con regolarità più modelli, non uno solo, su un ventaglio di intenti che contano per il tuo business: il nome della marca, le categorie in cui competi, i temi sensibili, i confronti con i concorrenti. E vuol dire osservare non la singola risposta, ma la deriva delle risposte nel tempo: cosa compare e scompare, quali errori si sedimentano, quando un episodio che credevi chiuso torna a galla. È un monitoraggio più simile a una rilevazione longitudinale che a un controllo puntuale. Nessuno ti consegna una metrica pulita; il lavoro è costruirsi una serie storica e imparare a leggerla.

Iniziare a sperimentare

L’identità di marca latente è una responsabilità manageriale che pochi stanno ancora trattando come tale. È, a ben vedere, un nuovo gap di consapevolezza: la marca produce continuamente versioni di sé che chi la governa non vede, non misura e nemmeno sa di dover gestire. E non gestirla è una forma di abdicazione a monte: si delega alle macchine la sintesi della propria identità senza nemmeno accorgersene.

Capire quali tracce esistono, quali pesano, quali vanno costruite o ricostruite, come misurare la sintesi che ne emerge: è un lavoro ancora poco definito e poco codificato. Ma è un lavoro, e ognuno di noi farebbe bene a iniziare a sperimentare per poterlo fare al meglio.  

✉️ Ti è piaciuto questo articolo? Iscriviti alla mia newsletter gratuita!

L'articolo La marca latente: gestire il brand al tempo dell’intelligenza artificiale proviene da Vincos di Vincenzo Cosenza.

Come funziona Gemini Spark

Gemini Spark vive dentro l’applicazione di Gemini, in una sezione separata denominata tasks: un ecosistema interamente dedicato alle attività operative a lungo termine. Quando viene assegnato un obiettivo, l’agente non si limita a rispondere, ma elabora un piano d’azione dettagliato, suddiviso in fasi distinte, mostrando all’utente ogni singolo passaggio logico e gli strumenti utilizzati durante il processo.

Una delle caratteristiche più rilevanti è la gestione delle connected apps: l’agente è nativamente integrato con l’ecosistema di produttività di Google (come Gmail, Documenti, Drive e Calendario) e supporterà applicazioni di terze parte. In prospettiva, l’adozione del protocollo di contesto del modello (noto come MCP o Model Context Protocol) permetterà il collegamento a qualsiasi server remoto, espandendo esponenzialmente il raggio d’azione del sistema.

Gemini Spark si presenta come la risposta di Google a Claude Cowork di Anthropic, anche se qui l’esecuzione delle attività non è in locale (non richiede che il computer rimanga acceso), ma in cloud. Ecco cosa permette di fare in questa fase di beta:

• Automazione e gestione della produttività: la capacità di analizzare flussi informativi come la posta elettronica e le scadenze consente alla tecnologia di individuare priorità, inserire automaticamente eventi importanti in agenda ed elaborare bozze di risposta per le comunicazioni più urgenti. L’utente viene costantemente mantenuto nel ciclo decisionale (secondo l’approccio human-in-the-loop), approvando o modificando le azioni prima della loro effettiva esecuzione.
• Ricerca avanzata e sintesi di dati: lo strumento è in grado di scansionare il web secondo criteri temporali, filtri settoriali e fonti specifiche impostate dall’utente. Riesce così a elaborare report accurati, generare presentazioni grafiche essenziali e archiviare i file all’interno di cartelle organizzate in cloud.
• Creazione e memorizzazione di competenze (skills): come in Cowork anche qui l’agente può formalizzare una procedura appena eseguita e pacchettizzarla sotto forma di file .md. Queste istruzioni strutturate diventano abilità permanenti che il sistema può richiamare in qualsiasi momento per compiti analoghi.
• Programmazione ricorrente (schedule): ogni flusso di lavoro o competenza registrata può essere inserita all’interno di un calendario di pianificazione automatica. In questo modo è possibile stabilire routine periodiche (giornaliere, settimanali o mensili) per far eseguire compiti strategici in orari prestabiliti, garantendo un’operatività continua, ventiquattro ore su ventiquattro.

Nel video in basso vi mostro cosa è possibile fare concretamente al momento. Molto di più si potrà ottenere quando Google aprirà il sistema alla connessione con applicazioni di terze parti.

✨ Vuoi approfondire i temi dell’Intelligenza Artificiale Generativa? Scopri i miei corsi di formazione!

L'articolo Gemini Spark: l’agente IA di Google testato in anteprima proviene da Vincos di Vincenzo Cosenza.

Il potenziale di Gemini Omni nella rielaborazione video

A differenza dei modelli tradizionali focalizzati esclusivamente sulla creazione di clip da zero, Gemini Omni esprime il suo massimo valore nella modifica e nella trasformazione di contenuti esistenti. Nella sua versione attuale, denominata Omni Flash, il sistema può generare solo video, consentendo di applicare variazioni stilistiche e modifiche selettive a elementi specifici definiti dall’utente.

Gemini Omni si può già usare dentro l’applicazione Gemini, dove si può partire da modelli preimpostati o da descrizioni libere per rielaborare il video caricato (i limiti di filmati generati dipendono dal tipo di abbonamento che si ha).
Sebbene la generazione pura mostri ancora margini di miglioramento, la capacità di manipolare i dettagli di una clip esistente apre scenari interessanti per l’ottimizzazione dei flussi di lavoro creativi.

Google Flow: la regia assistita e la gestione dei personaggi

Per i professionisti che necessitano di un controllo più avanzato, la piattaforma ideale nella quale usare Gemini Omni è Google Flow, un ambiente progettato per offrire funzionalità granulari e strumenti di livello superiore. Uno degli aggiornamenti più significativi di questo strumento è l’introduzione della modalità assistente (denominata Agent Mode), un vero e proprio regista virtuale con cui interagire attraverso una chat. L’assistente è in grado di comprendere briefing creativi complessi, proporre direzioni artistiche e strutturare storyboard dettagliati prima di procedere alla produzione vera e propria.

Inoltre, Google Flow introduce la gestione coerente dei personaggi, una funzione che permette di definire figure umane specifiche assegnando loro tratti distintivi, descrizioni caratteriali e persino voci dedicate. Il sistema genera una griglia di storyboard che fa da guida per lo sviluppo di scene sequenziali, garantendo la continuità visiva del protagonista all’interno del progetto, un elemento fondamentale per la realizzazione di video promozionali o narrazioni complesse.

La rivoluzione del Vibe Coding applicato al video

La vera svolta tecnologica di Google Flow risiede nella sezione dedicata agli strumenti dove troviamo la possibilità di sviluppare software personalizzati sul momento attraverso il concetto di vibe coding. Oltre a disporre di una vasta gamma di filtri, effetti grafici e correzioni cromatiche sviluppati sia da Google sia dalla community, la piattaforma permette ai creatori di descrivere in linguaggio naturale un’esigenza tecnica specifica.

Un assistente di programmazione integrato traduce queste istruzioni in codice funzionante, generando istantaneamente un nuovo applicativo pronto all’uso, come un modulo per applicare effetti cinematografici d’epoca personalizzati. Questa flessibilità sposta il ruolo del videomaker da semplice utilizzatore di software a vero e proprio sviluppatore del proprio flusso di lavoro, consentendo una personalizzazione totale della post-produzione in pochissimi minuti. Nel video seguente, il mio test.

✨ Vuoi approfondire i temi dell’Intelligenza Artificiale Generativa? Scopri i miei corsi di formazione!

L'articolo Gemini Omni: il modello multimodale per trasformare i video proviene da Vincos di Vincenzo Cosenza.

Da qualche settimana, infatti, è disponibile la loro applicazione desktop nativa per macOS: un’evoluzione che trasforma un tool nato per la riga di comando in un ambiente visivo accessibile, senza sacrificarne l’estrema flessibilità tecnica.

L’Architettura: Un “Harness” modulare

Più che un semplice assistente, Hermes va inteso come un’infrastruttura, una vera e propria “imbracatura” software (harness) che avvolge un modello linguistico (il cervello) e gli fornisce gli strumenti per agire nel mondo reale.

Il suo più grande punto di forza è l’approccio agnostico. L’utente non è rinchiuso in un ecosistema chiuso: possiamo decidere di collegare il nostro abbonamento ChatGPT (sfruttando gli accessi API tramite Codex), utilizzare i modelli API di Nous Research, o ancora creare configurazioni ibride, magari appoggiandoci a un modello leggero che gira in locale tramite Ollama per i task meno complessi.

Questa modularità si sposa con una gestione intelligente della memoria persistente e dinamica. A differenza di altre soluzioni che saturano rapidamente la Context Window causando rallentamenti vistosi, Hermes rielabora e ottimizza i dati storici, mantenendo l’agente snello e reattivo anche tra sessioni di lavoro diverse.

Dal context design all’automazione autonoma

Un LLM “nudo” genera testo; un LLM imbracato in Hermes può scrivere ed eseguire codice Python, navigare sul web, e interagire con il nostro file system.

Il livello di personalizzazione (context design) che si può raggiungere attraverso i Profili è notevole. Si possono definire identità multiple, assegnando a ciascuna un System Prompt dedicato (il file SOUL.md), un set di skill specifico e persino comandi MCP personalizzati.

Ho voluto mettere il sistema sotto stress per testarne l’operatività reale. Gli ho fatto elaborare lunghi transcript video estraendo non solo copy per i social, ma vere e proprie sintesi visuali direttamente su Excalidraw. Sono poi passato a task più strutturati: dall’analisi di un sito web per la generazione autonoma di una proposta commerciale in formato PowerPoint, fino all’estrazione di dati strutturati dal web per costruire da zero una dashboard comparativa in HTML. Il tutto, rendendo l’operazione ricorsiva attraverso la programmazione di un Cron job, affinché l’agente esegua l’analisi in totale autonomia ogni mese. È persino possibile agganciare WhatsApp per interrogare il proprio ambiente desktop da remoto.

Il sistema è molto promettente, anche se ancora alcune funzioni non sono facilissime da implementare per chi non mastica codice.

✨ Vuoi approfondire i temi dell’Intelligenza Artificiale Generativa? Scopri i miei corsi di formazione!

L'articolo Hermes Agent: l’agente open e gratuito per orchestrare il tuo lavoro proviene da Vincos di Vincenzo Cosenza.

Il Motore Sotto il Cofano: Lyria 3 Pro e l’Approccio Modulare

Flow Music mette a disposizione dell’utente una serie di leve decisionali che rendono il processo molto simile alla programmazione di un workflow avanzato. Il cuore del sistema è Lyria 3 Pro, il modello di frontiera di Google per la generazione audio, affiancato da un modulo parallelo chiamato Ghostwriter, dedicato esclusivamente all’elaborazione testuale delle lyrics.

L’aspetto più interessante per chi lavora professionalmente con l’IA è la gestione dei parametri nella sezione “Producer”. L’interfaccia permette di scegliere tra un’elaborazione “Fast” e una “Standard”: quest’ultima applica una catena di reasoning più profonda, sacrificando la velocità in favore di una qualità armonica e strutturale nettamente superiore. Qui, la scrittura del prompt diventa a tutti gli effetti un lavoro di orchestrazione sistemica.

Memoria, Flussi e Spazi Personalizzati

L’efficienza di un’intelligenza artificiale si misura nella sua capacità di adattarsi ai nostri metodi. Flow Music introduce la funzione “Customize Producer”, un’area di fine-tuning dove l’utente mantiene il controllo totale. Invece di dichiarare ogni volta i generi di riferimento o lo stile preferito, possiamo istruire l’IA attraverso le Memories, permettendole di imparare e mappare i nostri gusti generazione dopo generazione.

A questo si aggiunge la possibilità di creare dei veri e propri Flows, comandi personalizzati per automatizzare e velocizzare le richieste ricorrenti, e la funzione Spaces. Quest’ultima è un’intuizione notevole: permette di chiedere al sistema di generare on-the-fly un’interfaccia utente interattiva, come un pocket synth o una drum machine virtuale, utilizzabile direttamente all’interno del browser.

Un Tool Strategico per la Produzione di Contenuti

Attualmente, Flow Music offre un piano gratuito (con crediti giornalieri) e vari tier in abbonamento a partire da 6 dollari al mese. Pur non avendo ancora raggiunto la solidità di Suno, si posiziona già come uno strumento ideale per i content creator e i professionisti del marketing. È una soluzione agile per generare rapidamente tappeti sonori, musiche di accompagnamento per podcast o tracce per i social media, semplificando drasticamente le logiche di licensing.
Nel video in basso la mia prova completa.

✉️ Ti è piaciuto questo articolo? Iscriviti alla mia newsletter gratuita!

L'articolo Google Flow Music sfida Suno proviene da Vincos di Vincenzo Cosenza.

I 3 punti di forza di Seedance

Dai miei test estesi ho potuto apprezzare almeno tre elementi che contraddistinguono questa versione.

1. Gestione del movimento complesso: le scene di azione, come la corsa in un contesto di esplosioni, non sono più caotiche ed incoerenti. Il modello riesce a “comprendere” la fisica dei movimenti e a mantenere la coerenza del soggetto.
2. L’evoluzione dell’Image-to-Video: la capacità di animare immagini complesse, gestendo particelle o dettagli del volto in modo fluido, è impressionante. Ho testato il modello con immagini generate precedentemente (che solitamente mettono in crisi le IA) e Seedance 2.0 le ha animate con una naturalezza sorprendente.
3. Il controllo creativo: Seedance riesce bene a gestire le reference (basate sul caricamento di un’immagine) e i keyframe, riuscendo ad interpolare le scene tra il primo e l’ultimo frame che l’utente carica.

La guerra dei modelli è appena iniziata

Seedance 2.0 è attualmente il “modello da battere”. Tuttavia, è chiaro che non siamo ancora arrivati alla soluzione definitiva. La competizione tra ByteDance, OpenAI e il futuro Veo di Google non farà che accelerare la maturazione di questi tool.

Il mio consiglio per i professionisti? Non affezionatevi a un singolo modello. La velocità con cui questi strumenti si aggiornano è brutale. L’unica vera competenza duratura è imparare a conoscere le “capacità” di ogni modello: capire cosa chiedere a Seedance, cosa delegare ad altri strumenti e come integrare il tutto nel proprio workflow produttivo (per questo consiglio di usare Flora)

Il futuro dei video generativi non è nel “prompt magico”, ma nell’integrazione di questi tool in una pipeline di lavoro che sappia valorizzare la creatività umana.

✨ Vuoi approfondire i temi dell’Intelligenza Artificiale Generativa? Scopri i miei corsi di formazione!

L'articolo Seedance 2.0: nuovo standard per video AI proviene da Vincos di Vincenzo Cosenza.

Si tratta di un’applicazione desktop, nata per assistere gli sviluppatori nella scrittura di codice, ma che oggi è stata trasformata di un’app adatta anche ai knowledge worker e dunque è il modo migliore per sfruttare le capacità agentive dei modelli GPT.

Perché Codex è un punto di svolta per i Knowledge Worker?

Nella mia esperienza devo dire che Codex si sta rivelando un alleato straordinario per gestire informazioni, dati e processi. Il suo valore aggiunto si basa su tre pilastri fondamentali:

1. Il ritorno al “locale”: a differenza di ChatGPT, che opera esclusivamente nel cloud della sua interfaccia web, Codex viene installato sul tuo computer (basta scaricarlo dal sito di OpenAI). Questo significa che puoi assegnargli una specifica cartella di lavoro sul tuo disco. Può analizzare i tuoi file CSV, leggere i tuoi PDF, modificare documenti ed esportare presentazioni, il tutto mantenendo il contesto del tuo ecosistema di lavoro.
2. Le Skill e il protocollo MCP (Model Context Protocol): l’AI diventa un “hub”. Grazie all’uso di server MCP, Codex può connettersi ad applicazioni di terze parti come Gmail, Slack, Google Calendar, Notion o Canva. Puoi chiedergli, ad esempio, di “leggere l’ultima email importante e preparare una bozza di risposta”, delegando la parte noiosa del lavoro di routine.
3. L’automazione ricorrente: in Codex non devi più impartire ordini ogni singola volta. Puoi programmare dei task ricorrenti in linguaggio naturale. Immagina di dire: “Ogni lunedì alle 7:00, leggi il mio calendario e le email, e preparami un riepilogo delle priorità della settimana”. Codex creerà l’automazione e lavorerà per te in background.

Codex e i suoi limiti generosi

Un grande vantaggio dell’applicazione di OpenAI è che al momento è molto generosa. A differenza di Claude Cowork può essere usata per molto più tempo, usando i modelli GPT più avanzati e con il massimo sforzo cognitivo.
Nel video che segue ho registrato un tutorial pratico, in cui vi mostro passo passo come installare Codex, come impostare le autorizzazioni.
Vedrete Codex trasformarsi in un data analyst alle prese con un dataset di campagne marketing, per poi diventare un creatore di presentazioni PowerPoint e, infine, un assistente personale che gestisce il mio calendario e le mie comunicazioni.

✨ Vuoi approfondire i temi dell’Intelligenza Artificiale Generativa? Scopri i miei corsi di formazione!

L'articolo Codex: il modo evoluto di usare ChatGPT proviene da Vincos di Vincenzo Cosenza.

Alla base dello storytelling snocciolato sul palco da Philipp Schindler e dai suoi riporti c’è la constatazione che siamo passati da ricerche web basate su semplici keyword a domande strutturate che puntano ad ottenere risposte chiare, non liste di link. Ecco perché anche Google ha fatto evolvere il suo motore di ricerca, potenziandolo con l’IA (sia con AI Overview che AI Mode). Ed ecco perché anche le aziende sono obbligate a cambiare il loro modo di lavorare e di fare pubblicità. Ecco le novità più importanti.

Nuovi ads di ricerca

Google ha presentato due nuovi formati pubblicitari che non interrompono le ricerche ma si integrano nelle risposte date da Gemini 3.5 Flash, in AI Mode.

• Conversational Discovery Ads è un tipo di annuncio che non interrompe, ma appare integrato nella risposta sintetizzata da AI Mode sulla base della domanda dell’utente;
• Highlighted Answers sono annunci che appaiono integrati quando l’IA risponde raccomandando una lista di prodotti.  

Asset Studio

Asset Studio è uno strumento che è in grado di comprendere il brief, gli obiettivi di campagna, le risorse esistenti e di usarle per generare centinaia di nuovi asset. Ovviamente grazie ai modelli creativi di Google tra cui il nuovo Omni. L’inserzionista potrà anche rifinire i risultati usando il linguaggio naturale. Poi, quando le creatività sono pronte, si potranno testare con un A/B test. Arriverà in estate.

Ask Advisor

L’annuncio che mi è sembrato più interessante è Ask Advisor. Un agente esperto in tutti i prodotti Google che potrà affiancare i marketer in tutte le fasi di una campagna. Per esempio sarà in grado di analizzare i dati provenienti da Google Ads e Google Analytics. E configurare una nuova campagna basandosi sulle informazioni presenti nel Merchant Center. Arriverà entro l’anno.

Universal Cart

Lato consumer, la novità più rilevante è Universal Cart, un carrello intelligente che riuscirà a dare suggerimenti per spendere meglio i nostri soldi. Ecco come funziona: l’utente trova prodotti via Search, Gemini, YouTube, Gmail. Li aggiunge al carrello e, in background, un’agente si attiva per individuare se ci sono offerte migliori o sconti che potrebbero essere applicati sulla base delle carte fedeltà possedute. O ci avverte se un prodotto ritorna in commercio o subisce un abbassamento di prezzo.
Quando si è pronti per l’acquisto, il protocco UCP (Universal Commerce Protocol) rende facile l’acquisto permettendo ai sistemi del merchant di dialogare col Google Wallet. Anche per questa nuova funzione bisognerà aspettare l’estate.

Insomma mi sembra che Google voglia usare l’AI per aiutare i marketer grandi a scalare e i piccoli a superare le barriere tecnologiche e a concentrarsi di più sulle idee che rendono unico il proprio prodotto o servizio.  

Il ruolo del marketer nell’era agentiva

In una sessione dedicata sono anche riuscito a fare una domanda a Vidhya Srinivasan, VP/GM Advertising & Commerce. Le ho chiesto quale sarà il ruolo del marketer in questo nuovo mondo agentivo.

In sintesi, ecco la sua risposta:

• Il nucleo strategico rimane umano: il compito di definire l’identità, i valori e l’estetica fondamentale del brand rimarrà saldamente nelle mani dei marketer. Sarà sempre loro responsabilità comprendere come il brand si adatta ai diversi contesti politici ed economici in cui opera

• Scalabilità e democratizzazione creativa: l’IA interverrà per semplificare la produzione e creare facilmente centinaia o migliaia di varianti per capire quali funzionano meglio. Questo abbasserà le barriere d’ingresso, permettendo anche alle piccole imprese di avere risorse creative di alta qualità fin da subito

• Focus sui dati: la gestione operativa delle campagne pubblicitarie sarà in gran parte automatizzata dall’IA. Di conseguenza, i marketer non dovranno più preoccuparsi dell’esatta configurazione manuale delle campagne, ma dovranno concentrarsi sulla qualità dei dati e sulle fondamenta della misurazione per permettere a questi motori intelligenti di operare in modo ottimale.

L'articolo Google Marketing Live 2026: l’era del commercio agentivo proviene da Vincos di Vincenzo Cosenza.

Nella prima era del web le query erano fatte da poche keyword, poi gradualmente le richieste sono diventate più lunghe e poi le tecniche di machine learning hanno permesso una migliore comprensione delle richieste. Poi, l’arrivo dei chatbot di intelligenza artificiale generativa in grado di comprendere e rispondere in linguaggio naturale, ha fatto pensare alla fine del dominio di Google. Ma l’azienda si è adattata e l’anno scorso ha lanciato AI Mode, una sezione del sito nella quale operare ricerche conversazionali, potenziate dalla GenAI.

La ricerca diventa multimodale

Oggi AI Mode è usato da 1 miliardo di persone ogni mese, con query che raddoppiano ogni trimestre. Così, Google ha deciso, dopo 25 anni, di trasformare completamente la “search box”, facendola diventare più “intelligente”, ovviamente grazie ai suoi più recenti modelli di IA (iniziando dal nuovo Gemini 3.5 Flash).

L’annuncio è arrivato durante Google I/O 2026, l’evento annuale dedicato alle novità software, al quale ho potuto partecipare invitato dall’azienda.

La prima cosa che salta all’occhio è che il campo di ricerca si espande dinamicamente mentre scriviamo, in modo da adattarsi alla nostra richiesta. Mentre legge quello che stiamo scrivendo, prova ad interpretarlo, suggerendoci le parole più opportune. Insomma, un autocompletamento potenziato dall’IA.
La novità più rilevante è che la query può accogliere in input non solo testo, ma anche immagini, file, video o schede di Chrome. In questo modo possiamo spiegare meglio cosa vorremmo ottenere.

La ricerca al tempo degli agenti

Ma i cambiamenti più interessanti arriveranno nei prossimi mesi, quando la ricerca continuerà a cambiare pelle condizionata dalle nuove capacità agentive dei modelli linguistici. Google ha annunciato che permetterà agli utenti di creare degli agenti specializzati in diversi task, direttamente dal motore di ricerca. Il primo ad essere disponibile in estate (per gli abbonati a Google AI Pro & Ultra) sarà un “information agent” in grado di cercare continuamente informazioni per noi e di avvertirci quando individua delle novità utili su qualsiasi argomento di nostro interesse (ad esempio un appartamento da affittare in una certa zona e secondo determinate caratteristiche).

Saranno ampliate anche le capacità di prenotazione tramite agenti direttamente in Google Search. Basta inserire dei criteri specifici e l’agente raccoglierà i prezzi e la disponibilità più recenti con link diretti per completare la prenotazione senza cambiare sito. Inoltre, per alcune categorie selezionate, come riparazioni domestiche, bellezza o cura degli animali, si potrà chiedere a Google di telefonare autonomamente le aziende per nostro conto e farci un riassunto della chiamata.

Infine, Google Search si arricchirà anche delle capacità di coding dei nuovi modelli IA e dell’harness Antigravity. Potremo, così, ricevere in risposta delle applicazioni interattive che spiegano fenomeni complessi, meglio delle parole. Ma non finisce qui. All’occorrenza potremmo anche ottenere applicazioni più elaborate da condividere con chi vogliamo. Per esempio, dashboard personalizzate per creare un programma di allenamenti e tracciare i nostri progressi. Anche queste funzionalità arriveranno in estate per gli abbonati a Google AI Pro & Ultra.

In definitiva, la strategia di Google è quella di farci utilizzare i modelli di IA anche senza accedere ad applicazioni specifiche, ma in maniera naturale all’interno del suo servizio più utilizzato, il motore di ricerca. Un modo per portare i vantaggi dell’IA a tutti, nascondendone le complessità. E questo cambierà inevitabilmente il nostro modo di usare il web. Vale la pena chiedersi: guadagneremo tempo o cederemo qualcosa di più difficile da recuperare come l’abitudine a selezionare criticamente?

L'articolo Google reinventa il motore di ricerca con l’IA agentiva proviene da Vincos di Vincenzo Cosenza.

Negli ultimi 12 mesi l’azienda ha dimostrato di essere in grado di sfornare prodotti e modelli di frontiera al pari dei competitor, ma la sua strategia di differenziazione è puntare ad un approccio integrato full-stack che parte dal design di hardware dedicato all’IA fino ai prodotti consumer ed enterprise.

Il filo conduttore di questa edizione è stato la cosiddetta “agentic era”, la fase agentiva dell’intelligenza artificiale generativa. L’IA che non si limita a rispondere alle nostre domande, ma agisce per nostro conto. In questa ottica vanno letti tutti gli annunci più importanti che provo a riassumere.

La famiglia Gemini 3.5: Flash e Lite 

La nuova famiglia di modelli linguistici multimodali e agentivi si chiama Gemini 3.5. Le prime versioni ad essere immediatamente disponibili sono Gemini 3.5 Flash e Gemini 3.5 Lite. Gemini 3.5 Pro dovrebbe arrivare fra un mese.

Gemini 3.5 Flash è superiore a Gemini 3.1 Pro ed è 4 volte più veloce dei modelli di frontiera attuali. Sembra particolarmente efficace sulla scrittura di codice e attività agentive anche di lunga durata. Avendo anche un prezzo più contenuto rispetto ai modelli evoluti, è l’ideale per contenere i costi nelle aziende.

Gemini 3.5 Lite è la versione più leggera del modello pensata per dare risposte ancora più veloci.

I nuovi modelli sono già utilizzabili dentro la nuova app di Gemini (anche se ci sono dei limiti di prompt utilizzabili ogni giorno a secondo dell’abbonamento che si possiede).
Un nuovo selettore posto nel prompt box permette di scegliere il modello da usare e il livello di sforzo computazionale. Al momento, scegliendo 3.5 Flash o Lite si può avere un “Thinking Level” Standard o Extended). Se si sceglie il modello 3.1 Pro si accede anche a Deep Think (ideale per il ragionamento in parallelo).

Gemini Omni

Anche quest’anno Google non trascura i modelli visivi. Se la scorsa volta aveva stupito tutti con Nano Banana, ora prova a fare il bis con una nuova famiglia di modelli generativi chiamata Gemini Omni (mio test). 

La sua caratteristica principale è che può accettare qualsiasi fonte di input e restituire qualsiasi tipo di output. In questa prima fase gli input possono essere testi, immagini, video, audio (solo vocali, non musica) e l’output può essere solo video, ma arriveranno anche immagini e audio. 

Il primo modello della famiglia ad essere distribuito è Gemini Omni Flash, già integrato nell’app Gemini (solo per gli utenti che hanno un abbonamento), in Google Flow e su YouTube Shorts. Le sue capacità sono:

• Editing video tramite linguaggio naturale: il sistema permette di modificare i filmati attraverso normali istruzioni testuali, con una gestione sequenziale delle modifiche. L’utente può chiedere di trasformare l’ambiente circostante, alterare l’azione in corso o inserire nuovi elementi e personaggi. Il modello promette di mantenere la coerenza dei personaggi e della scena anche dopo diverse modifiche consecutive.
• Consapevolezza fisica e culturale: a differenza dei modelli basati sulla semplice associazione visiva (pattern matching), Gemini Omni integra logica e conoscenze enciclopediche. Questo si traduce in una simulazione più realistica delle leggi della fisica (gravità, energia cinetica, dinamica dei fluidi) e nella capacità di generare video esplicativi complessi partendo da brevi input di testo, integrando nozioni storiche e scientifiche.

Gemini rinnovato, anche su desktop

Google ha ridisegnato da zero l’esperienza visiva di Gemini con un nuovo linguaggio di design chiamato Neural Expressive. L’interfaccia ora vanta animazioni fluide, colori vibranti, una nuova tipografia e feedback aptici.

Inoltre, Gemini non risponderà più solo con muri di testo, ma progetterà risposte dinamiche arricchite da immagini, timeline interattive, video narrati e grafiche.

Grande attenzione anche per la componente vocale in Gemini Live: finalmente si potrà passare da digitazione a conversazione vocale (e viceversa) senza interruzioni. In più, il chatbot non si interromperà se l’utente fa pause per pensare o usa intercalari.

La voce è anche al centro del prossimo aggiornamento dell’app desktop di Gemini per MacOS. Sarà possibile dare istruzioni parlando liberamente e senza preoccuparsi di eventuali errori.

Il nuovo Gemini Spark

La funzione più interessante che è stata introdotta si chiama Gemini Spark (mio test). Non è un chatbot reattivo, ma un agente AI personale attivo 24 ore su 24, 7 giorni su 7, che si abilita dall’applicazione Gemini.

Tecnicamente sfrutta il modello Gemini 3.5 a cui è stata aggiunta l'”imbracatura” di Antigravity (Antigravity harness). È profondamente integrato con la suite Google Workspace (Gmail, Docs, Slides, ecc.) per cui può essere usato per lavorare in background (in cloud) per attività anche lunghe.

L’agente può connettersi anche ad app esterne, sfruttando il protocollo MCP. Le prime integrazioni sono con Canva, OpenTable e Instacart. Nelle prossime settimane sarà in grado di inviare messaggi, scrivere email, creare sotto-agenti personalizzati e operare sul browser locale.

Gemini Spark sarà in beta dalla prossima settimana negli Stati Uniti per gli abbonati Google AI Ultra. Purtroppo non c’è ancora una data per l’arrivo in Italia. Spero presto perché, dalle demo che ho visto, l’integrazione profonda con l’ecosistema Google può rivelarsi molto utile per gli utenti che vogliono la potenza degli agenti senza voler perdere tempo in configurazioni cervellotiche.

✉️ Ti è piaciuto questo articolo? Iscriviti alla mia newsletter gratuita!

L'articolo Google I/O 2026: Gemini diventa un agente AI proviene da Vincos di Vincenzo Cosenza.

E qui entra in gioco Pomelli, il software sperimentale di Google che finalmente è disponibile anche in Italia. A differenza di altri strumenti parte da un presupposto diverso: non ti chiede di scrivere prompt complessi per ogni singolo post. Ti chiede, prima di tutto, chi sei.

Pomelli estrae il “DNA del brand”

Il cuore di Pomelli non è il generatore di immagini, ma il processo iniziale di ingestione del sito web. Inserendo il proprio URL, il sistema non si limita a “leggere” i testi; estrae un vero e proprio DNA aziendale.

Font, palette colori, tagline, valori e tono di voce vengono convertiti in un brand kit dinamico. È il momento in cui l’intelligenza artificiale smette di essere un’entità generica e inizia a parlare la tua lingua. Poter contare su una base così definita significa passare dalla fase di “tentativi ed errori” a quella della produzione seriale di qualità in pochi minuti.

Oltre la staticità: l’era degli asset che “si muovono”

Uno dei limiti dei tool di generazione immagine è la staticità. Pomelli introduce funzioni di animazione basate sugli asset creati, rendendo il passaggio tra un contenuto statico (un’inserzione, un banner) e uno dinamico (un post per i social) estremamente fluido.

Ma la vera sorpresa, e forse il punto dove l’esperimento mostra di più la sua utilità quotidiana, è la funzione “Photoshoot”: basta caricare un prodotto reale e vederlo immerso nei contesti che vogliamo, mantenendo intatta la coerenza del prodotto. È il sogno di ogni e-commerce manager che non ha il budget (o il tempo) per uno shooting professionale costante.

Un esperimento in divenire

Dai miei test emerge che Pomelli ha un potenziale enorme, ma è ancora un esperimento. Non è privo di sbavature (a volte la gestione di alcuni elementi grafici può essere rigida) e non sostituirà un art director esperto in una campagna complessa.

Tuttavia, per la gestione quotidiana dei contenuti, per il test rapido di una campagna social o per mantenere una coerenza estetica su larga scala senza dover ricorrere ogni volta a un graphic designer, è uno strumento di una potenza disarmante. Soprattutto se consideriamo che, al momento, è gratuito.

La domanda che dovremmo porci non è più “che cosa può creare l’IA”, ma “come posso configurare l’IA affinché crei esattamente ciò che rispecchia il mio brand?”. Pomelli risponde proprio a questa domanda.

✉️ Ti è piaciuto questo articolo? Iscriviti alla mia newsletter gratuita!

L'articolo Pomelli: IA di Google per le campagne di marketing proviene da Vincos di Vincenzo Cosenza.

Midjourney 8.1 è ancora il miglior modello per la generazione di immagini con stile e diverse dal solito. Mentre gli altri modelli, da Gemini Nano Banana 2 a GPT Images 2 puntano sulle capacità di editing e ad un mercato di massa, l’azienda di David Holz ha deciso di puntare sul mercato professionale.

I punti di forza di Midjourney

Il nuovo modello ha alcuni difetti evidenti: non è in grado di comprendere l’intento dell’utente, né tantomeno di effettuare modifiche granulari ad un’immagine, mantenendo la coerenza di oggetti e soggetti.
Però è molto più sorprendente degli altri perché permette all’utente di personalizzare gli stili attraverso un addestramento specifico. Per poterlo fare, in questa versione basta scrollare una vetrina di immagini e scegliere quelle che ci piacciono di più.

Inoltre, è stata migliorata anche la funzione “Moodboard” che permette di caricare una serie di immagini di riferimento ed ottenere un codice da applicare a nuove generazioni.

La possibilità di generare immagini uniche è anche possibile attraverso la scoperta e l’applicazione di migliaia di stili pre-definiti (codici –sref) che possono essere mixati tra di loro per ottenere infinite varianti.

Il workflow ibrido

Dai miei test, che potete vedere nel mio video tutorial, emerge che la ricerca del “tool unico” per le immagini è ancora una chimera.

Se avete bisogno di coerenza stilistica e di un’estetica che si distingua nel rumore di fondo dei feed social, Midjourney resta imbattibile nel dare “carattere” ed artisticità all’output. Ma se avete bisogno di coerenza dei soggetti e precisione di editing è meglio usare Gemini o ChatGPT.

Il professionista del prossimo futuro non è quello che “sa usare Midjourney”, ma quello che sa orchestrarlo all’interno di una filiera produttiva più ampia, dove ogni strumento lavora secondo le proprie regole.

✨ Vuoi approfondire i temi dell’Intelligenza Artificiale Generativa? Scopri i miei corsi di formazione!

L'articolo Il nuovo Midjourney 8.1 punta su stile e personalizzazione proviene da Vincos di Vincenzo Cosenza.

Il Ragionamento Esteso: Le Luci

La modalità “Thinking” è senza dubbio il fiore all’occhiello di questa versione. La vera differenza non sta tanto nella risposta finale, ma nel processo.

Affidare a GPT-5.5 un file CSV con i dati di decine di contenuti e campagne, e vederlo non solo restituire un report analitico, ma anticipare gli spunti più rilevanti mentre sta ancora calcolando, simula da vicino l’interazione con un data analyst senior. Nei miei test, il modello ha dimostrato una notevole capacità nel separare le “vanity metrics” dal vero valore di business, identificando immediatamente, gli insight nascosti in una valanga di dati.

Su task di pura logica e deduzione testuale, il salto in avanti rispetto a GPT-4 e alle versioni intermedie è tangibile.

Le ombre sul Coding

Ho chiesto al modello di creare dashboard interattive partendo dai dati analizzati e di ricostruire in codice una landing page sperimentale basata su WebGPU. I risultati? Funzionali, ma esteticamente acerbi. Testi sovrapposti, spaziature errate e un design che urla “Vanilla AI” da ogni pixel.

Anche sul fronte del coding, l’utilizzo dell’agente specializzato Codex (impostato sul livello di intelligenza massima) per creare una mappa interattiva con OpenStreetMap ha generato codice buggato, richiedendo molteplici correzioni. Curiosamente, la semplice interfaccia di ChatGPT con la modalità Thinking estesa ha portato a risultati migliori in minor tempo.

Ovviamente, queste sono solo alcune prove. Continuerò a farne perché i nuovi modelli richiedono nuove pratiche e adattamento anche da parte degli umani.

✨ Vuoi approfondire i temi dell’Intelligenza Artificiale Generativa? Scopri i miei corsi di formazione!

L'articolo ChatGPT 5.5: luci e ombre proviene da Vincos di Vincenzo Cosenza.