LaCulturaDelDato #215

Dati & algoritmi attraverso i nostri 5 sensi

For my English speaking friends, click here for the translated version

Ciao,

sono Stefano Gatti e questo è il duecentoquindicesimo numero della newsletter LaCulturaDelDato: dati & algoritmi attraverso i nostri 5 sensi. Le regole che ci siamo dati per questo viaggio le puoi trovare qui.

Dal numero 215, qualcosa cambia. Non molto, ma quel poco, spero, in meglio.
La newsletter fino al numero scorso era formata da cinque sezioni. Cinque sensi, come da titolo. Poi l’ultima survey che avevamo fatto mi ha detto quello che in fondo sapevo già: la newsletter stava diventando (troppo) lunga. Nel frattempo, guardando quello che scrivevo nelle sezioni Tecnologia e Data Science, mi sono accorto che il confine tra le due si era quasi dissolto.. Separarle era diventato più un esercizio di tassonomia che di utilità
Quindi nessun cambio di pelle: stessa impostazione, stesso spirito, una struttura un po’ più compatta. Spero che si legga meglio.
Detto questo: si parte.

Ecco i quattro spunti del duecentoquindicesimo numero:

👅Etica & regolamentazione & impatto sulla società. La Cina ha vinto. Ma cosa significa vincere?

Alessandro Aresu apre il suo ultimo libro con una dedica che vale più di molte analisi: “ai ricercatori e agli operai cinesi e taiwanesi che hanno reso possibile la nostra vita digitale”. È un gesto politico e intellettuale insieme. Prima ancora di argomentare, Aresu ci chiede di riconoscere chi ha costruito materialmente il mondo tecnologico in cui viviamo, e che troppo spesso ignoriamo o liquidiamo con un giudizio morale frettoloso.
La Cina ha vinto (Feltrinelli, 2025) è il terzo capitolo di un progetto che Aresu porta avanti con grande lucidità. Dopo Il dominio del XXI secolo e Geopolitica dell’intelligenza artificiale, quest’ultimo uno dei libri più belli che ho letto sull’intreccio tra potere, tecnologia e talento , questo nuovo saggio chiude una trilogia sulla tecnopolitica contemporanea . La tesi, in fondo, è semplice e scomoda: l’Occidente osserva la Cina con miopia, incapace di studiarne davvero il pensiero strategico, le logiche industriali e la cultura della formazione. L’Asia ha studiato l’Occidente per decenni. L’Occidente, nel frattempo, ha smesso di studiare l’Asia.

L’approfondimento che ti suggerisco oggi è il dialogo tra Aresu e Mafe de Baggis , che avevo intervistato nella newsletter #110, in un webinar del Complexity Institute che è anche di fatto una presentazione del libro. La conversazione è scorrevole, densa, mai accademica: uno di quei confronti in cui la complessità si sente, ma incuriosisce invece di opprimere. La Cina, dice Aresu, ha vinto perché ha accumulato un vantaggio enorme nella capacità produttiva, nella formazione dei talenti, nelle infrastrutture e nella visione strategica. Ridurla in fretta alla formula “antidemocratica” serve più a rassicurare noi che a capire davvero cosa sta succedendo. E uno dei punti più forti del ragionamento è proprio questo: certi risultati non si improvvisano, arrivano da decenni di investimento, continuità e selezione del capitale umano.

Ma la domanda che questo libro, secondo me, apre senza chiudere è un’altra: questo vantaggio reggerà anche nel prossimo futuro? Oggi la storia corre a una velocità insolita. I paradigmi tecnologici si ridisegnano in mesi, non in decenni. Dire che la Cina ha vinto fotografa bene una fase; non certifica automaticamente un destino. Ed è qui che arriva la (mia) provocazione finale, provando a non annichilire l’esperienza europea. Se “vincere” vuol dire primato tecnologico e capacità produttiva, la Cina ha ottimi argomenti. Ma se vuol dire anche qualità della vita, lavorare meno, avere più reddito disponibile reale, godere di maggiori libertà politiche, vivere più a lungo e meglio, allora il confronto si complica, anche rispetto agli Stati Uniti. E non sono indicatori secondari: sono il motivo per cui costruiamo economie. Aresu non ignora le contraddizioni cinesi. Le nomina. Ma ci chiede di capire prima di giudicare. Per questo webinar e libro non vanno trascurati, se vuoi leggere meglio il presente e disegnare scenari un po’ più seri sul prossimo futuro.

👃Investimenti in ambito dati e algoritmi. Start-up del mese: Beautiful.ai

Per leggere i dati di marzo 2026 nel venture capital bisogna ormai separare i mega-round dei big della AI dal resto del mercato. Secondo Crunchbase, nel Q1 2026 gli investitori hanno riversato circa 300 miliardi di dollari in 6.000 startup a livello globale: un massimo storico, oltre il 150% sopra sia il trimestre precedente sia il Q1 2025. Da solo, il trimestre vale quasi il 70% di tutto il venture capital raccolto nel 2025 e supera i totali annuali di ogni anno precedente al 2018. Il dato, però, va letto con attenzione. Quattro round fuori scala: OpenAI, Anthropic, xAI e Waymo hanno raccolto insieme 188 miliardi, cioè circa il 65% del totale trimestrale. Anche togliendoli, restano comunque 112 miliardi: un trimestre eccezionale in qualunque confronto storico. L’AI ha assorbito 242 miliardi, pari all’80% del funding globale. Più che un normale boom VC, sembra una fase in cui pochissimi player stanno ridisegnando da soli la distribuzione del capitale. Sul piano geografico, le società con sede negli Stati Uniti hanno raccolto 250 miliardi, circa l’83% del totale mondiale. Dopo gli Stati Uniti arrivano Cina con 16,1 miliardi e Regno Unito con 7,4 miliardi. La cosa che mi colpisce di più è che questa ondata di investimenti si sta distribuendo in diversi ambiti: infrastruttura, semiconduttori, veicoli autonomi, robotica e manifattura. È una differenza importante rispetto ai vecchi cicli cloud e mobile.

La start-up che ho scelto per marzo 2026 è Beautiful.ai. È una scelta un po’ diversa dai mesi precedenti: non una azienda AI in fase stealth, ma un prodotto che uso da anni e che continuo a trovare interessante perché rappresenta un approccio più sobrio, rispetto ad altri, all’AI nelle presentazioni. Fondata nel 2016 da Mitch Grasso, già fondatore di SlideRocket, Beautiful.ai nasce dall’idea di usare l’automazione per togliere all’utente il peso del design, senza togliergli il controllo del contenuto. Il cuore del prodotto restano le Smart Slides: layout che si adattano automaticamente mentre aggiungi testo, immagini, grafici o icone. Ma oggi Beautiful.ai non è più solo “design automation”. A marzo 2026 ha annunciato un workflow più aggressivo: puoi partire da prompt, outline o documenti caricati e ottenere una bozza strutturata su cui iterare. Quindi sì, anche qui la generazione da testo entra in gioco, ma dentro un’esperienza ancora abbastanza guidata e vincolata.
Sul fronte del funding, la società ha annunciato a marzo 2026 un investimento da 45 milioni di dollari guidato da General Catalyst, destinato ad accelerare espansione internazionale, go-to-market e offerte per le piccole e medie imprese. Beautiful.ai è oggi guidata dal CEO Jason Lapp e dichiara oltre 100.000 clienti business. Il totale raccolto supera così i 60 milioni di dollari. Il fatto che l’operazione sia stata descritta come non diluitiva è interessante, ma conviene non leggerlo automaticamente come prova definitiva di fondamentali perfetti: segnala soprattutto fiducia nella capacità dell’azienda di sostenere crescita futura senza un round equity tradizionale.
La criticità, per me, resta l’integrazione con PowerPoint. L’export in .pptx esiste, anche in forma editabile su alcuni piani, ma Beautiful.ai stessa avverte che dopo l’import possono esserci differenze di formato. È una posizione onesta, e spiega bene perché in ambienti molto dipendenti da Microsoft 365 il prodotto possa creare ancora qualche attrito. E posso confermartelo. Sul piano competitivo, Gamma è oggi uno dei competitor più visibili e finanziati: nel novembre 2025 ha annunciato un Series B da 68 milioni di dollari. La differenza tra i due approcci sembra chiara: Gamma spinge di più sulla generazione rapida, Beautiful.ai continua a puntare maggiormente sulla coerenza visiva e sul controllo editoriale. La mia scommessa personale resta questa: nelle presentazioni professionali di valore, vincerà chi ti fa lavorare più veloce senza toglierti troppo controllo.

🖐️👀 Tecnologia & Data Science Competizioni di Machine learning nel 2025: Kaggle cresce, i modelli dominano, gli agenti ancora no (per ora)

Back to 93

L’approfondimento che ti era piaciuto di più, quasi tre anni fa, nel numero 93 di questa newsletter, era quello relativo a Kaggle: la più grande piattaforma globale per la data science, dove appassionati e professionisti competono per risolvere sfide complesse e vincere premi, e che offre anche un ecosistema completo di dataset molto utili, notebook basati su cloud e corsi di formazione per imparare il machine learning.
Tre anni fa Kaggle aveva appena pubblicato il suo AI Report 2023, nato da una competizione interna: sette analisi, una per ciascuna delle sette aree del ML moderno. Era una fotografia unica di un ecosistema in piena transizione verso la GenAI. Quel formato non è più stato replicato: il report annuale di Kaggle non c’è più.

Il riferimento oggi più autorevole per capire dove stanno andando le competizioni ML è lo State of Machine Learning Competitions 2025 di ML Contests. Ecco, in sintesi, le informazioni più interessanti.
La community è quasi raddoppiata. Kaggle rimane di gran lunga la piattaforma con più utenti: 29 milioni, cresciuta di sette milioni nel solo 2025. Da 15 milioni di fine 2023 a oggi, in meno di due anni e mezzo.
Il mercato delle competizioni è maturo ma selettivo. Nel 2025 si sono tenute più di 390 competizioni ML su oltre 30 piattaforme, per un montepremi complessivo superiore a 16 milioni di dollari. Kaggle ha ospitato 68 competizioni con 3,67 milioni in premi. Il numero di competizioni con premi superiori a 100.000 dollari è cresciuto costantemente negli ultimi quattro anni: 23 nel 2025, rispetto a 18 nel 2024.
La tecnologia delle soluzioni vincenti si è radicalmente trasformata. Quattro segnali interessanti dal report:

• Qwen di Alibaba domina le competizioni NLP, in un trend di abbandono (ormai definitivo) dei modelli encoder (come DeBERTa) a favore dei modelli decoder generativi.

• I transformer hanno finalmente detronizzato le reti convoluzionali (CNN) anche nelle competizioni di computer vision.

• I gradient boosted trees (XGBoost, LightGBM, CatBoost) restano lo standard sui dati tabellari, una delle poche costanti in un panorama che cambia velocemente.

• I budget di training sono esplosi: alcune soluzioni vincenti hanno utilizzato fino a 512 GPU NVIDIA H100.

Kaggle si reinventa come arena per i modelli generativi. Nel 2025 la piattaforma ha lanciato Benchmarks (leaderboard continue per comparare modelli frontier su task standardizzati), Game Arena (tornei tra modelli su scacchi, poker e altri giochi) e Writeups (post che spiegano le soluzioni). È stato anche rivisto il sistema di progressione verso i titoli di Master e Grandmaster.
Kaggle sta evolvendo da sola arena per data scientist a infrastruttura di valutazione dell’intelligenza artificiale, dove non competono solo le persone, ma anche i modelli stessi ma gli agenti AI sono ancora lontani dal podio. Cresce l’interesse per sistemi capaci di partecipare autonomamente alle competizioni: un paper del novembre 2024 ha presentato un agente che genera submission su oltre 60 competizioni Kaggle in autonomia, affermando di raggiungere il livello Grandmaster. I numeri reali ridimensionano l’entusiasmo: il benchmark MLE-bench di OpenAI, basato su 75 competizioni Kaggle, mostra che il miglior agente testato conquista una medaglia nel 16,9% dei casi. Il report ML Contests è esplicito: parlare di agenti a livello Grandmaster è prematuro. Siamo di fronte a un’area di ricerca promettente, non ancora una rivoluzione già compiuta.

Kaggle non è solo una palestra per chi vuole vincere competizioni: è il luogo dove le tecniche migliori emergono prima che arrivino in produzione. Non è un caso che XGBoost nel 2014 e Keras nel 2015 si siano diffusi proprio attraverso la community Kaggle, prima ancora che diventassero standard. Se partecipi regolarmente, sviluppi una capacità di iterazione rapida e di lettura critica dei dati che difficilmente ti costruisci altrove. Se vuoi approfondire con metodo, uno dei riferimenti oggi è The Kaggle Book, Second Edition (Packt, ottobre 2025) di Luca Massaron, Bojan Tunguz e Konrad Banachewicz: 14 capitoli che coprono tutto, dalla progettazione della validazione all’ensemble, fino a un capitolo interamente nuovo dedicato alla GenAI nelle competizioni, un segnale chiaro di quanto il panorama sia cambiato dall’edizione precedente. Luca Massaron, Kaggle Grandmaster, Google Developer Expert e autore di oltre 15 libri su data science, è stato ospite di questa newsletter nell’edizione 63: vale la pena rileggere quell’intervista in parallelo al libro.

👂🏾Organizzazione e cultura dei dati e algoritmi nelle organizzazioni. L’AI in azienda non si adotta, si integra prova dopo prova …

L’adozione dell’AI nelle organizzazioni è il tema che sento declinare più spesso in modo sbagliato. Si parla di tool, di licenze, di assistenti, di agenti. Si parla pochissimo di due cose che contano davvero: come cambia il modo in cui un’organizzazione funziona e come si fa concretamente a portare l’AI in produzione su larga scala. Non è una questione di priorità tra le due, entrambe sono necessarie, e ignorare l’implementazione è esattamente lo stesso errore di ignorare la strategia. Oggi su questo argomento ho due approfondimenti per te, uno per tema. Con anche qualche commento mio e di persone che stimo.

Sul fronte strategico organizzativo, il testo più interessante delle ultime settimane è From Hierarchy to Intelligence di Jack Dorsey, fondatore di Twitter e ora CEO di Block. Probabilmente ne avrai già sentito parlare ma ti invito a leggerlo integralmente: è breve e piacevole. La tesi di apertura è questa: la velocità è il miglior predittore del successo di una startup, e le aziende si muovono veloci o lente in funzione di quanto scorre l’informazione al loro interno. Da lì, Dorsey costruisce un arco storico di duemila anni: dall’esercito romano dove otto soldati formavano un contubernium con un decanus alle ferrovie americane degli anni 1840-50, fino alle corporation moderne. Ogni livello gerarchico è sempre stato, nella sostanza, un protocollo di trasmissione dell’informazione costruito attorno a un vincolo umano: un leader può coordinare tra tre e otto persone. Spotify, Zappos, Valve hanno tentato strade alternative, squad, Holacracy, strutture piatte. Tutte hanno faticato a scalare, tornando alla gestione tradizionale quando le organizzazioni sono cresciute. La novità di Block, secondo Dorsey, è che l’AI non è un “aggiramento” strutturale ma una sostituzione funzionale: può mantenere un modello continuamente aggiornato dell’intera azienda, svolgendo quello che la gerarchia faceva con gli esseri umani.
Il post ha scatenato una serie di commenti che ho trovato quasi più interessanti dell’articolo stesso. Matteo Roversi su Work After centra il punto forse meglio di Dorsey: la gerarchia non è il nemico, diventa un ostacolo quando si lega al potere attraverso il controllo dell’informazione. Quando poche persone al vertice trattengono la maggior parte delle informazioni e ne distribuiscono frammenti al resto dell’organizzazione, la gerarchia smette di essere uno strumento di coordinamento e diventa un’infrastruttura di dominio. Il frame giusto, aggiunge Roversi, non è “da gerarchia a intelligenza” ma dall’informazione controllata all’informazione liberata.
Personalmente penso che l’analisi sull’evoluzione dei modelli organizzativi sia di grande valore, e l’AI agisce davvero come potente abilitatore. Ma temo che il percorso per arrivarci non sia lineare, e che la fase di transizione sia la sfida più difficile e meno scontata. I tagli “selvaggi” alla maniera di Block non mi sembrano la strada giusta, e l’overhiring durante il Covid di Dorsey non aiuta la credibilità di questa narrazione.
Carlo Torniai, amico che ho intervistato nella puntata 73 di questa newsletter, aggiunge la critica che condivido di più: l’articolo non usa la parola “cultura” nemmeno una volta. Ed è il segnale. La cultura non mangia solo la strategia a colazione (come sostiene Peter Drucker): digerisce anche il design organizzativo. La gerarchia sopravvive non solo perché instrada informazione, ma perché crea prevedibilità, status e identità. La cultura è la precondizione per questo tipo di cambiamento strutturale, non un beneficio a valle.

Sul fronte implementativo, ho trovato molto utile il post di Will Larson (già autore di An Elegant Puzzle e Staff Engineer) su come sta portando l’AI in Imprint. È un documento di lavoro, non un manifesto e per questo vale la pena leggerlo.
Il suo approccio si regge su tre pilastri: rimuovere gli ostacoli all’adozione invece di essere scettici, trattare l’AI come un’opportunità trasversale a tutti i team (non solo engineering), e fare in modo che il senior leadership usi i tool in prima persona, non per un tema di posizionamento, ma per capire davvero cosa funziona.
Le cose concrete che ha fatto: raccogliere tutti i tips & tricks aziendali in un unico database Notion; centralizzare i prompt di tutti gli agenti interni in un database condiviso, leggibile da chiunque e modificabile dalla maggior parte dei team, perché i prompt sono patrimonio del team, non proprietà di chi li ha scritti. Misurare l’adozione mensile, capendo sia i power user (cosa usano e perché) che i non-adottanti, trattandoli come rational non-adopters: spesso è un gap formativo che si colma facilmente, non è una resistenza ideologica.
La sintesi finale di Larson è la più sensata che abbia letto sul tema: siamo ancora molto all’inizio, e la cosa più preziosa in questa fase è la velocità di apprendimento. Chi vuole guidare un’iniziativa AI interna deve usare i tool in prima persona, non solo ChatGPT, ma costruire agenti con API dirette. L’adozione reale su problemi reali richiede tre ingredienti insieme: contesto sul dominio, esperienza con gli strumenti AI, e vecchia buona IT execution.

Due piani diversi, il “perché” organizzativo e il “come” implementativo, ma entrambi necessari. Chi lavora solo sul primo rischia di restare nel mondo delle idee. Chi lavora solo sul secondo rischia di ottimizzare un sistema che non ha capito.

Se hai ulteriori suggerimenti e riflessioni sui temi di questo numero o per migliorare questa newsletter scrivimi (st.gatti@gmail.com) o commenta su substack.

Se ti è piaciuta e non sei ancora iscritto lascia la tua mail qui sotto e aiutami a diffonderla!

Alla prossima!