Prof. Francesco Zaccaria Scuola Futuro Lavoro, Milano — 28 Settembre . 01 Ottobre 2026
Licenza:
CC BY 4.0 — Creative Commons Attribuzione 4.0 Internazionale
Materiali di terzi:
diritti protetti e riservati ai rispettivi titolari; inseriti in buona fede a scopo didattico
Contatti:
linktr.ee/frazac — per segnalazioni e revisioni
Giornata 1
Introduzione all'IA generativa
Hello, Protest, London — photo Francesco Zaccaria, CC BY 2.0
Chi sono
Francesco Zaccaria: UI design e progettazione di oggetti digitali
Formatore e docente AFAM (13 anni di insegnamenti presso NABA)
L'IA nel mio lavoro, un passo alla volta: manutenzione, sistemistica, codice, assistente
Quattro giornate, un percorso
1. Capire: come funziona l'IA generativa
2. Creare: testi
3. Creare: immagini
4. Lavorare e governare: l'IA in ufficio, sotto controllo
Come lavoreremo
Teoria, mano sul mento: tanti spunti, da leggere a più livelli
Laboratorio, mano su tastiera: imparare un mindset passa sempre dal fare
Domande, a mano alzata: qualsiasi domanda va fatta prioritariamente in aula
Mano disubbidiente... Protest, London — photo Francesco Zaccaria, CC BY 2.0
MIT Ad Hoc Committee on AI Use (2026)
Patto d'aula
Gradiente di uso AI nelle esercitazioni: seguiremo livelli (caldamente) consigliati
Perché dobbiamo usare un gradiente?
Si impara faticando altrimenti non si impara
Gradiente IA: cinque livelli d'uso dell'IA
1 Autonomia Senza IA
Attività in un ambiente controllato, pensato per escludere l'IA. Conoscenze, comprensione e abilità si dimostrano e si valutano in autonomia.
2 Ideazione IA solo in fase preparatoria
Attività di pianificazione: esplorare l'argomento, fare la scaletta, prime ricerche. L'IA può aiutare; si valuta la qualità della pianificazione e dello sviluppo delle idee, che l'IA sia stata usata o no.
3 Co-creazione IA al fianco, con vaglio critico
L'IA può aiutare a svolgere l'attività: idee, bozze, commenti, revisione. L'attività è pensata perché l'IA da sola non raggiunga il livello richiesto. Si valutano il lavoro e il modo in cui i risultati dell'IA vengono vagliati, modificati e integrati.
4 Regia IA sotto direzione umana
Nell'attività è previsto l'uso dell'IA. Nel tempo disponibile l'obiettivo non si raggiunge né con la sola IA né con la sola persona. Si valutano il pensiero critico e la conoscenza della materia dimostrati nel guidare l'IA.
5 Sperimentazione IA come terreno di ricerca
Attività pensata per un uso creativo dell'IA: risolvere problemi, trovare idee nuove o soluzioni innovative nella disciplina. Gli approcci si possono progettare insieme, studenti e docenti.
Fare cose per risolvere un problema o raggiungere un obiettivo.
Uno scimpanzé impila casse per arrivare al cibo: gli esperimenti di W. Köhler a Tenerife (1914–1917), da Creation by Evolution (1928) — pubblico dominio, Wikimedia Commons
Propongo di considerare la domanda: “Le macchine possono pensare?”
Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, 59(236), 433–460.
Il gioco dell'imitazione
Un giudice parla per iscritto con due interlocutori nascosti
Uno è una persona, l'altro una macchina
Se il giudice non li distingue, la macchina “passa”
Turing, 1950
L'illusione della comprensione
Il Turco meccanico, incisione da K. G. von Windisch, 1783 — pubblico dominio
Una macchina che gioca a scacchi…
Costruita da Wolfgang von Kempelen nel 1770
Batteva avversari in tutta Europa
Dentro, nascosto, c'era un giocatore in carne e ossa
Clever Hans, il cavallo che sapeva contare, 1910 — foto di K. Krall, pubblico dominio
Clever Hans, il cavallo che praticava l'aritmetica
Rispondeva ai calcoli battendo lo zoccolo
Nel 1907 lo psicologo Oskar Pfungst scoprì il trucco
Leggeva i segnali involontari di chi gli stava davanti
Pfungst, O. (1907). Das Pferd des Herrn von Osten
ELIZA e l'effetto ELIZA
1966: Joseph Weizenbaum scrive un programma che imita uno psicoterapeuta
Poche regole, nessuna comprensione
Eppure le persone gli si confidavano: l'effetto ELIZA è “la predisposizione ad attribuire a una sequenza di simboli generati dal calcolatore (in particolare delle parole) più senso di quello che ha realmente” (Hofstadter)
Weizenbaum, J. (1976). Computer Power and Human Reason Hofstadter, D. R. (1996). Fluid Concepts and Creative Analogies, «Preface 4: The Ineradicable Eliza Effect and Its Dangers», p. 157. Trad. it. F. Zaccaria.
Gli utenti di Eliza si confidavano con un software. È come parlare con una pianta?
02
Una storia lunga settant'anni
Estate 1956, Dartmouth College: dieci ricercatori danno un nome a un'idea. Intelligenza artificiale.
Ogni aspetto dell'apprendimento o di qualunque altra caratteristica dell'intelligenza può in linea di principio essere descritto con tanta precisione da poter costruire una macchina che lo simuli.
McCarthy, J., Minsky, M., Rochester, N., Shannon, C. (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. Trad. it. nostra.
Sistemi esperti: se… allora…
Un programmatore scrive le regole a mano, le azioni che seguono certe condizioni
Come un librogame: «Se apri la porta, vai al paragrafo 32»
L'apprendimento automatico(machine learning) fa emergere i pesi del modello, che sono costruzioni matematico-statistiche complesse
Non scriviamo le regole: diamo esempi di nessi e fondamenta statistiche
La macchina riconosce in autonomia gli schemi ricorrenti (pattern)
Graham, P. (2002). A Plan for Spam
Un esempio: la posta indesiderata
Migliaia di email già etichettate: “spam” o “non spam”
Il sistema impara quali tratti contano
Poi smista da solo le email nuove
Oggi i filtri uniscono regole fisse e apprendimento automatico
Due fasi
Addestramento(training): si estraggono gli schemi dai dati
Inferenza(inference): si applicano ai casi nuovi
Reti neurali: miliardi di manopole
Strati di “neuroni” collegati da numeri: i pesi
Addestrare significa regolare le manopole
I modelli di oggi ne hanno centinaia di miliardi
Azevedo, F. A. C. et al. (2009). Journal of Comparative Neurology, 513(5) Brown, T. B. et al. (2020). Language Models are Few-Shot Learners. NeurIPS Meta AI (2024). The Llama 3 Herd of Models · DeepSeek-AI (2024). DeepSeek-V3 Technical Report · Moonshot AI (2025). Kimi K2
30 novembre 2022: un'interfaccia di chat aperta a tutti
Il linguaggio diventa l'interfaccia universale
Per il pubblico, l'IA generativa “nasce” qui
Meno di quattro anni, più di un miliardo di utenti.
MIT Ad Hoc Committee on AI Use (2026). Report, p. 4
ITU (2025). Facts and Figures 2025 TechCrunch (2026, 27 febbraio). ChatGPT reaches 900M weekly active users Alphabet (2026, 22 luglio). Earnings call, Q2 2026 QuestMobile (2026). Rapporto H1 2026 sulle app IA in Cina
LLM(Large Language Model, grande modello linguistico)
Un programma addestrato su enormi quantità di testo
ChatGPT, Claude, Gemini, Mistral, DeepSeek…
Prevedere la parola successiva
Token: parole e pezzi di parole
Il modello non legge lettere né parole intere
Legge token: una parola o un suo frammento
“intelligenza” → “intel” + “ligenza”
Una distribuzione di probabilità
“Oggi a Milano il cielo è…”
nuvoloso 41%
sereno 32%
grigio 15%
viola 0,1%
Valori illustrativi
Esercitazione
5′
Indovina il token
“Uno dei miei primi vanti era stato il mio nome. Avevo presto imparato…”;
scrivete la parola successiva, poi altre parole in successione;
confrontiamo: quante risposte uguali?
Morante, E. (1957). L'isola di Arturo. Torino: Einaudi, incipit
Il dialogo è una finzione
Chatbot è l'interfaccia del modello. Il modello non “risponde”: continua un testo
La chat è un copione: “Utente: … / Bot: …”
Il modello scrive la battuta del Bot, un token alla volta, finché il copione si ferma
La finestra di contesto
Finestra di contesto(context window)
Tutto ciò che il modello “vede” in quel momento
Il prompt(la richiesta che scriviamo) ne è solo una parte: ci sono anche la conversazione, i documenti, le istruzioni
Quello che resta fuori, se non è già nella memoria del modello, per lui non esiste
Rappresentazioni vettoriali
Rappresentazioni vettoriali(embeddings)
A ogni token il modello associa un vettore: una lista di numeri appresa durante l'addestramento
Un punto in uno spazio con migliaia di dimensioni
You shall know a word by the company it keeps.
Firth, J. R. (1957). A Synopsis of Linguistic Theory, 1930–1955. In Studies in Linguistic Analysis. Trad. it. nostra.
“Pesca”: frutto o sport?
“Ho mangiato una pesca” — frutto
“Andiamo a pesca” — attività
Il contesto sposta il vettore: il significato cambia
“Dimmi chi pratichi, e ti dirò chi sei”
Manzoni, A. (1840). I promessi sposi, cap. XXV
Quattro fasi di addestramento
1. Pre-addestramento
2. Affinamento supervisionato
3. Allineamento
4. Ricompense verificabili
1. Pre-addestramento
Pre-addestramento(pre-training)
Il modello legge una parte enorme di web, libri, trascrizioni di film, e altro che le aziende tech non dichiarano per intero (per esempio le nostre chat, se non ci opponiamo)
Impara a prevedere il testo: nasce un completatore
RLVR(Reinforcement Learning from Verifiable Rewards, apprendimento per rinforzo da ricompense verificabili)
Problemi la cui risposta si può controllare in automatico: calcoli e dimostrazioni, codice che deve superare dei test, rompicapi e giochi con regole precise
Qui i modelli sono migliorati di più
Pausa 15′
04
Imparare dal mondo, imparare dai dati
Muoversi per vedere
Il carosello dei gattini, ridisegnato da: Held, R., Hein, A. (1963). Movement-produced stimulation in the development of visually guided behavior. Journal of Comparative and Physiological Psychology, 56(5), 872–876
Held & Hein, 1963
Due gattini cresciuti al buio, poi messi nel carosello
Uno cammina, l'altro è trasportato in una gondola
Vedono esattamente le stesse strisce
Held, R., Hein, A. (1963). Journal of Comparative and Physiological Psychology, 56(5), 872–876
Distribuzionale: il significato viene dalla vicinanza tra parole
Nessun corpo, nessun tempo vissuto
Eppure molto sofisticata
Le IA hanno una rappresentazione del mondo. È coerente con la nostra?
Emozioni dentro i modelli?
Chi studia l'interno dei modelli trova zone legate alle emozioni
Non perché “sentano”
Perché servono a prevedere meglio il testo umano
Pensiero veloce, pensiero lento
Sistema 1: intuitivo, rapido, automatico
Sistema 2: riflessivo, lento, faticoso
Kahneman, D. (2012). Pensieri lenti e veloci. Milano: Mondadori
Sistema 0
L'IA come pensiero esterno che arriva prima dei nostri
Ci offre risposte già pronte
Il rischio: smettere di pensare da soli
Chiriatti, M. et al. (2024). Nature Human Behaviour, 8, 1829–1830
05
Quanto è generale l'IA generale?
IA ristretta
IA ristretta(narrow AI): un solo compito
Deep Blue gioca a scacchi, e basta
Il filtro antispam smista email, e basta
AGI
Le AGI(Artificial General Intelligence, intelligenza artificiale generale), come i personal computer, sono strumenti con finalità indifferenziate
Un sistema capace di affrontare qualunque compito intellettuale umano
Obiettivo dichiarato di molte aziende
Gli LLM non sono ancora AGI. Lo saranno?
AGI testuale
Tutto passa dal linguaggio
Leggere, scrivere, ragionare, programmare
Il mondo conosciuto solo attraverso le parole
AGI multimodale
Multimodale: più canali insieme
Vedere, ascoltare, parlare, agire
Più vicina al nostro modo di stare nel mondo
Il dibattito
Per alcuni basta far crescere i modelli: «il deep learning ha funzionato, e migliora in modo prevedibile con la scala» (Altman)
Per altri manca qualcosa di essenziale
Chomsky: una «falsa promessa», senza vera spiegazione del mondo
Altman, S. (2024, 23 settembre). The Intelligence Agehttps://ia.samaltman.com/. Trad. it. nostra Chomsky, N., Roberts, I., Watumull, J. (2023). The False Promise of ChatGPT. The New York Times, 8 marzo
La frontiera frastagliata
Prestazioni frastagliate
Bravissima in un compito, pessima in quello accanto
Il confine non si vede a occhio
Chi la usa fuori dal confine lavora peggio
Dell'Acqua, F. et al. (2023). Navigating the Jagged Technological Frontier. HBS Working Paper 24-013
Il risultato dipende da noi
Dal contesto che diamo
Da come formuliamo la richiesta
Dall'interazione: il punto è il dialogo
L'IA è anche geopolitica
Stati Uniti e Cina sono i principali competitori sulle tre principali scale: dati (e programmatori), calcolo (risorse informatiche), energia
L'Europa è carente su tali dimensioni e cerca un'altra strada
Ne parliamo giovedì
Contucci, P. (2026). La dimensione geopolitica dell'IA. Rivista il Mulino
06
Allucinazioni ed errori
“La capitale dell'Australia è S…”
L'allucinazione non è un guasto
Il modello sceglie la continuazione più probabile
Probabile non vuol dire vero come verosimiglianza non è verità
Inventare è il modo normale di funzionamento di una IA
«Veritas est adaequatio rei et intellectus»: la verità è corrispondenza tra la cosa e l'intelletto. Tommaso d'Aquino, Summa Theologiae, I, q. 16, a. 1
Un token sbagliato trascina la frase
“La capitale dell'Australia è S…”
Se esce “Sydney”, il resto sarà coerente con l'errore
Il modello non torna indietro: va avanti
Caso: Mata contro Avianca Inc.
2023, New York: Robert Mata subisce trauma al ginocchio per causa di un carrellino della compagnia aerea Avianca
Un avvocato presenta in tribunale sei precedenti
Li aveva trovati con ChatGPT, in realtà non esistevano
La fandonia è una voce infondata, detta con sicurezza
Il modello non mente: racconta fandonie
Errori e sviste
Errore: il piano è sbagliato
Svista: il piano è giusto, l'esecuzione no
Norman, D. A. (1988). The Design of Everyday Things
L'errore umano è prevedibile. L'errore dell'IA no.
Guardare l'errore
E. Muybridge, The Horse in Motion, 1878 — pubblico dominio
Esplorare l'errore per capire
Muybridge fotografò ciò che l'occhio non vedeva
Gli errori dell'IA mostrano come funziona davvero
Cercarli sistematicamente: mistakes mining
Esercitazione
25′
Safari degli errori
Chiedi a un chatbot la biografia di una persona pubblica poco nota (per esempio: il commissario di una grande città, un magistrato, un attore esordiente, eccetera);
verifica tre fatti su fonti indipendenti;
annota dove sbaglia e con quanta sicurezza lo dice;
scegli l'errore più emblematico e trova un errore simile noto in letteratura o in fonti giornalistiche.
Esercitazione
15′
Safari degli errori: condivisione
Ogni coppia racconta l'errore più emblematico e l'errore notorio.
Era prevedibile?
Come ce ne saremmo accorti senza verificare?
07
Cosa portiamo a casa
Le parole della giornata
apprendimento automatico (machine learning) — LLM
token — finestra di contesto — rappresentazioni vettoriali
Brown, T. B. et al. (2020). Language Models are Few-Shot Learners. NeurIPS, 33.
Chiriatti, M., Ganapini, M., Panai, E., Ubiali, M., Riva, G. (2024). The case for human–AI interaction as system 0 thinking. Nature Human Behaviour, 8, 1829–1830.
Chomsky, N., Roberts, I., Watumull, J. (2023, 8 marzo). The False Promise of ChatGPT. The New York Times.
Dell'Acqua, F. et al. (2023). Navigating the Jagged Technological Frontier. Harvard Business School Working Paper 24-013.
Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., Fei-Fei, L. (2009). ImageNet: A large-scale hierarchical image database. CVPR 2009.
Hofstadter, D. R. (1996). Fluid Concepts and Creative Analogies: Computer Models of the Fundamental Mechanisms of Thought. New York: Basic Books.
Kahneman, D. (2012). Pensieri lenti e veloci. Milano: Mondadori.
Krizhevsky, A., Sutskever, I., Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks. NeurIPS, 25.
McCarthy, J., Minsky, M., Rochester, N., Shannon, C. (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence.
MIT Ad Hoc Committee on AI Use (2026). Report of MIT's Ad Hoc Committee on AI Use in Teaching, Learning, and Research Training.
Norman, D. A. (1988). The Design of Everyday Things. New York: Basic Books.
Perkins, M., Furze, L., Roe, J., MacVaugh, J. (2024). The Artificial Intelligence Assessment Scale (AIAS). Journal of University Teaching and Learning Practice, 21(6).
Sanderson, G. — 3Blue1Brown (2024). Large Language Models explained briefly [video]. Computer History Museum.
Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, 59(236), 433–460.
Vaswani, A. et al. (2017). Attention Is All You Need. Advances in Neural Information Processing Systems, 30.
Weizenbaum, J. (1976). Computer Power and Human Reason. San Francisco: W. H. Freeman.
