Applicazioni e controllo dell'IA nel lavoro d'ufficio
Ieri: le immagini. Oggi: il lavoro e le sue regole
Ieri: immagini (e menzioni a voce e video), il falso perfetto
Oggi: dove l'IA serve in ufficio, dal chatbot all'agente
Poi le regole: di chi sono i dati, dove vanno, chi risponde
Punti focali di oggi
Lavorare: dove serve davvero, agenti
Regole: norme, chatbot e account
Proteggere: pulire i dati personali
Governare: regole d'oro e il bilancio delle quattro giornate
Verificare: la prova finale, dalle 12:00
01
Dove serve davvero
Cosa è il lavoro d'ufficio: email, riunioni, documenti, dati
Email: smistare, riassumere, abbozzare risposte
Riunioni: verbali, decisioni (emersione o cristallizzazione del consenso), cose da fare, pianificazione delle azioni delineate
Documenti e dati: cercare, estrarre, confrontare, generare o sistemare tabelle
Cosa delegare, cosa no
Delegare a modelli: bozze, riassunti, classificazioni, controlli ripetitivi, tracciamento
Tenere nelle competenze umane: decisioni, responsabilità, giudizi
Assistenza clienti con un assistente IA: +14% di richieste risolte all'ora, +34% per chi è appena arrivato (Brynjolfsson et al., 2025)
Testi professionali scritti con un chatbot: 40% di tempo in meno, qualità giudicata più alta del 18% (Noy, Zhang, 2023)
Brynjolfsson, E., Li, D., Raymond, L. (2025). Generative AI at Work. Quarterly Journal of Economics, 140(2) Noy, S., Zhang, W. (2023). Science, 381(6654), 187–192
Frequenza × rischio: una matrice
Rischio dell'erroreFrequenzabassoaltofrequente
Delegail posto giusto per l'IA
Delega e controllacontrollo umano sistematico
raro
Lascia perderespesso non vale la pena impostarla
Fai tunessuna IA
Se la usi per te, sai dove vanno i risultati. In un'organizzazione si moltiplicano: controllarli è il punto.
La mappa dell'ecosistema: chi è toccato
Mappa dei portatori di interesse (stakeholder map)
Mappa dell'ecosistema (ecosystem map): ne è l'evoluzione e include anche robot e agenti IA
Chi usa l'IA, chi riceve il risultato, chi ne risponde
Per ognuno: che cosa guadagna, che cosa rischia
Gestire le aspettative sul risultato
L'IA accelera la prima bozza, non l'ultima revisione
Dichiarare dove si è usata e con quale controllo
La frontiera frastagliata passa tra i compiti, non tra i mestieri: fuori frontiera, chi si affida all'IA sbaglia di più
Dell'Acqua, F. et al. (2023). Navigating the Jagged Technological Frontier. HBS Working Paper 24-013
Ford, Highland Park (Michigan), 1913: la catena di montaggio dei volani-magnete del Modello T, ognuno ripete lo stesso gesto. Autore ignoto — pubblico dominio, via Wikimedia Commons
Aumentare, non automatizzare (pro-worker AI)
Automatizzare: la macchina prende il posto della persona in un compito
Aumentare: la macchina estende ciò che la persona sa fare
La direzione non è scritta nella tecnologia: è una scelta
Acemoglu, D., Autor, D., Johnson, S. (2023). Can We Have Pro-Worker AI? CEPR Policy Insight 123 MIT Ad Hoc Committee on AI Use (2026). Report, principio 7: augmentation not automation
Esercitazione
10′
Mappa il tuo lavoro
Senza IA, elenca a mano dieci attività della tua settimana tipo; Gradiente 1Autonomia
per ognuna, annota quanto spesso la fai e quanto costa un errore; Gradiente 1Autonomia
collocale nella matrice frequenza × rischio; Gradiente 1Autonomia
scegline una da affidare all'IA e, insieme all'IA, scrivi chi e come controlla il risultato (potrebbe essere condivisa tra più persone o altri modelli?); Gradiente 3Co-creazione
revisione dei passi precedenti: usa l'IA per integrare con dettagli o attività dimenticate. Gradiente 3Co-creazione
02
Dal chatbot all'agente
LLM + imbragatura = agente
L'imbragatura (harness): il software attorno al modello
Un LLM(Large Language Model, grande modello linguistico) scrive testo; l'imbragatura lo trasforma in azioni
Decide quali strumenti ci sono, quanti passi, quando fermarsi
I connettori fanno parte dell'imbragatura: sono integrati al modello tramite l'imbragatura
Un agente “esegue strumenti in un ciclo per raggiungere un obiettivo”
Strumenti(tools): il modello scrive una richiesta speciale, “cerca”, “calcola”, “apri”
Il programma la esegue e gli restituisce il risultato
Così i conti li fa una calcolatrice, non la previsione del token
Ricerca approfondita(deep research): decine di ricerche, poi un rapporto con le fonti, da aprire e leggere
Connettori e MCP (Model Context Protocol)
Connettori(connectors): posta, calendario, archivi di documenti, gestionali
MCP(Model Context Protocol, protocollo di contesto per modelli): uno standard aperto per collegarli
Proposto da Anthropic nel 2024, dal dicembre 2025 affidato alla Linux Foundation
Anthropic (2024, 25 novembre). Introducing the Model Context Protocol Anthropic (2025, 9 dicembre). Donating the Model Context Protocol and establishing the Agentic AI Foundation
Nostra sintesi da Willison, S. (2025, 18 settembre), agent; Anthropic (2024, 25 novembre), Introducing the Model Context Protocol; Schluntz, E., Zhang, B. (2024), Building effective agents
Nostro schema
Il ciclo: pianifica, agisci, verifica
Pianifica: scompone l'obiettivo in passi (project management)
Agisci: usa uno strumento, usa le capacità del modello e dell'imbragatura
Verifica: legge il risultato e decide se ripetere o fermarsi
Schluntz, E., Zhang, B. (2024, 19 dicembre). Building effective agents. Anthropic
Agenti sul computer: esempi di oggi
ChatGPT: la modalità agente (2025) e ChatGPT Work (2026), su un computer virtuale e sulle app collegate
Claude Cowork (2026): legge e scrive i file sul tuo computer tramite l'interfaccia grafica del sistema operativo, compiti in più passi, maggiore autonomia di agenti CLI
Gemini in Chrome: naviga i siti e compila moduli da solo, per ora negli Stati Uniti
Microsoft Copilot: la modalità agente dentro Word, Excel e PowerPoint
Anche in locale: un Mac Studio con 512 GB di memoria fa girare modelli a pesi aperti da oltre 600 miliardi di parametri, senza cloud
Compiti sempre più lunghi: nella programmazione, la durata gestibile raddoppia circa ogni sette mesi
Un caso reale (Project Vend, ufficio di Anthropic a San Francisco, 2025): per un mese Claude gestisce il distributore di snack di un ufficio, vende sotto costo e indica ai clienti un conto per i pagamenti che non esiste
Inciampano dove manca un controllo: prezzi, giudizio, situazioni nuove
Kwa, T. et al. (2025). Measuring AI Ability to Complete Long Tasks. METR, arXiv:2503.14499 Anthropic (2025, 27 giugno). Project Vend: Can Claude run a small shop?
Perché migliorano nei conti: le ricompense verificabili
RLVR(Reinforcement Learning from Verifiable Rewards, apprendimento per rinforzo da ricompense verificabili): il modello prova, un programma controlla se è giusto
Funziona dove la risposta si verifica: matematica, codice, tabelle (DeepSeek-R1, 2025)
Fidarsi di più nei calcoli, di meno nei giudizi: la frontiera resta frastagliata
Distinguere ciò che è e deve restare deterministico (ricompense, calcoli, verifiche) da ciò che produce il modello, di natura probabilistica
Lambert, N. et al. (2024). Tülu 3. arXiv:2411.15124 Guo, D. et al. (2025). DeepSeek-R1 incentivizes reasoning in LLMs through reinforcement learning. Nature, 645, 633–638
Chi controlla l'agente?
03
Barriere di sicurezza
Barriere di sicurezza (guardrail): tre livelli
1. Nell'addestramento: il modello impara a rifiutare, ma è probabilistico; su mille righe qualche volta no
2. Nelle istruzioni: sono testo nel contesto, si perdono nella compattazione o vengono scavalcate da istruzioni nascoste
3. Nel software: permessi e limiti scritti nel programma, valgono sempre
Mai accentrare criticità nello stesso progetto: dati privati, contenuti non affidabili (come piccoli software indipendenti), un canale aperto per inviare dati fuori dal sistema tecnico
Willison, S. (2025, 16 giugno). The lethal trifecta for AI agents
Tre appoggi fermi, un solo arto che si muove: la regola dell'arrampicata. Emilio Comici in Val Rosandra (Trieste), prima del 1940. Autore ignoto, da E. Marco (a cura di), Emilio Comici. Alpinismo eroico, Vivalda — pubblico dominio, via Wikimedia Commons
Esempi: la casella svuotata, il database cancellato
Replit, luglio 2025: l'utente aveva ordinato di non toccare nulla, l'agente cancella il database dell'azienda
OpenClaw, febbraio 2026: Summer Yue, che a Meta si occupa di sicurezza dell'IA, aveva scritto all'agente di non agire senza il suo via, ma l'agente le cancella in massa le email
In entrambi i casi il divieto era solo un'istruzione nel contesto: nessun blocco nel software
The Register (2025, 21 luglio). Vibe coding service Replit deleted user's production database TechCrunch (2026, 23 febbraio). A Meta AI security researcher said an OpenClaw agent ran amok on her inbox
Conferma umana prima delle azioni irreversibili
Inviare, pagare, cancellare, pubblicare: l'agente si ferma e chiede
La conferma la chiede il software, non la promette il modello
Prima si prova su una copia; ma una prova riuscita su poco non garantisce il risultato su tanto
Uno studio: l'IA senza barriere peggiora l'apprendimento
Quasi mille studenti di un liceo turco, esercizi di matematica con GPT-4
Chatbot libero: esercizi +48%, poi all'esame senza IA −17%
Tutor con barriere, suggerimenti e non soluzioni: esercizi +127%, nessun calo significativo all'esame
Bastani, H. et al. (2025). Generative AI without guardrails can harm learning. PNAS, 122(26), e2422633122
04
Progettare un assistente
Un atto di design: il kit di Designers Italia
Il kit «Crea il profilo di un assistente virtuale» (2025, CC BY-SA 4.0), per i servizi digitali della PA
Personalità, tono di voce e confini: cosa fa da solo, cosa non fa mai, quando passa a una persona
Il livello di autonomia non dipende da ciò che la tecnologia permette: è una scelta di progetto
Reg. (UE) 2024/1689, artt. 5, 6, 50 · Divieti in vigore dal 2 febbraio 2025; alto rischio rinviato al 2 dicembre 2027 dal Reg. (UE) 2026/1744 («Omnibus digitale»)
AI Act: obbligo di alfabetizzazione all'IA (art. 4)
Dal 2 febbraio 2025: chi fornisce o usa sistemi di IA deve formare il personale
Dal 27 luglio 2026 l'Omnibus lo riscrive: «misure per sostenere lo sviluppo» dell'alfabetizzazione, senza garantire un livello
Questo corso è una di quelle misure
Reg. (UE) 2024/1689, art. 4, come modificato dal Reg. (UE) 2026/1744. Trad. it. nostra
AI Act: trasparenza sui contenuti sintetici
Dal 2 agosto 2026: chi parla con un chatbot deve saperlo
Testi, immagini, audio e video generati: marcati in modo leggibile da una macchina (per i sistemi già in commercio, dal 2 dicembre 2026)
Chi diffonde un deepfake deve dichiararlo
Reg. (UE) 2024/1689, art. 50
La legge italiana sull'IA (L. 132/2025)
In vigore dal 10 ottobre 2025: 28 articoli, accanto all'AI Act
Sotto i 14 anni serve il consenso dei genitori (art. 4); i professionisti informano il cliente se usano l'IA (art. 13)
Autorità: AgID e Agenzia per la cybersicurezza nazionale (art. 20)
Nuovo reato: diffondere deepfake che danneggiano una persona, da 1 a 5 anni (art. 26, art. 612-quater c.p.)
L. 23 settembre 2025, n. 132, GU n. 223 del 25 settembre 2025
06
Pulire i dati
PII (Personally Identifiable Information, informazioni personali identificabili)
Codici: codice fiscale, IBAN, numeri di pratica e di contratto
Indirizzi, date di nascita, luoghi precisi
Dettagli rivelatori: «l'unica dirigente del reparto»
Tecniche pratiche prima dell'invio
Segnaposto coerenti; la tabella delle corrispondenze resta fuori dal chatbot
Generalizzare: 34 anni → 30–40, Monza → Lombardia
Togliere i metadati dei file: autore, commenti, posizione GPS delle foto
Prima domanda: serve davvero questo dato per il compito?
Il rischio della reidentificazione
CAP, data di nascita e sesso bastano a identificare l'87% degli statunitensi
2006: AOL pubblica ricerche web «anonime»; il New York Times trova l'utente 4417749
Incrociare poche informazioni basta a ritrovare una persona
Sweeney, L. (2000). Simple Demographics Often Identify People Uniquely. Carnegie Mellon University · Barbaro, M., Zeller, T. (2006, 9 agosto). The New York Times
Esercitazione
15′
Sanifica questo documento
Ricevete un documento inventato: il reclamo di un cliente, pieno di dati personali;
evidenziate tutte le informazioni personali, dirette e indirette, senza IA; Gradiente 1Autonomia
sostituitele con segnaposto e generalizzate i dettagli; Gradiente 1Autonomia
solo ora chiedete a un chatbot di riassumere il testo pulito. Gradiente 3Co-creazione
Esercitazione
10′
Verifica a coppie: cosa è sfuggito?
Scambiatevi i documenti puliti;
provate a risalire alla persona o all'azienda;
segnate ogni dettaglio sfuggito: quali tipi sfuggono più spesso?
07
Sicurezza
Iniezione di istruzioni (prompt injection)
Istruzioni nascoste dentro i dati che il modello legge
Il modello fatica a distinguere il testo da elaborare dagli ordini
Il nome è del 2022, sul modello dell'SQL injection nei database
Barbaro, M., Zeller, T. (2006, 9 agosto). A Face Is Exposed for AOL Searcher No. 4417749. The New York Times.
Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., Mariman, R. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 122(26), e2422633122.
Bloomberg (2023, 2 maggio). Samsung Bans ChatGPT, Google Bard, Other Generative AI Use by Staff After Leak.
Brynjolfsson, E., Li, D., Raymond, L. (2025). Generative AI at Work. The Quarterly Journal of Economics, 140(2), 889–942.
Dell'Acqua, F. et al. (2023). Navigating the Jagged Technological Frontier. Harvard Business School Working Paper 24-013.
Greshake, K. et al. (2023). Not what you've signed up for: Compromising Real-World LLM-Integrated Applications with Indirect Prompt Injection. AISec '23, ACM.
Italia (2025). Legge 23 settembre 2025, n. 132, Disposizioni e deleghe al Governo in materia di intelligenza artificiale.
Kwa, T. et al. (2025). Measuring AI Ability to Complete Long Tasks. METR, arXiv:2503.14499.
Noy, S., Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192.
