LaCulturaDelDato #220

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 duecentoventesimo numero della newsletter LaCulturaDelDato: dati & algoritmi attraverso i nostri 5 sensi. Le regole che ci siamo dati per questo viaggio le puoi trovare qui.

Ecco i quattro spunti del duecentoventesimo numero:

👂🏾Organizzazione e cultura dei dati e algoritmi nelle organizzazioni. Da HR a regista dell’AI: Silvia Zanella e l’intelligenza dell’essere

Presentati: Sono Silvia Zanella e ho un doppio ruolo, italiano e europeo, in una grande società di consulenza. Curo progetti in cui la people strategy diventa cultura visibile e esperienza effettiva per le persone, attraverso iniziative di engagement, employer branding e comunicazione. Parallelamente, sono autrice e divulgatrice sul futuro del lavoro: dirigo la collana FrancoAngeli ‘Voci del lavoro nuovo’ e scrivo di trasformazione organizzativa, competenze e managerialità. Nel libro ‘Intelligenza’, appena scritto con il giornalista de Il Sole 24 Ore Luca Tremolada, porto il mio punto di vista HR. Se le macchine moltiplicano la capacità di fare, a noi spetta moltiplicare la capacità di essere. L’AI quindi diventa promotrice di senso critico, responsabilità, relazione, cura della qualità del lavoro.

Il mio ruolo tra 10 anni sarà… : …una ‘regista’ della co‑evoluzione tra intelligenze umane e artificiali nelle organizzazioni. Userò dati e algoritmi come strumenti di decisione e di ascolto, ma il mio lavoro sarà soprattutto progettare contesti e dare loro senso: governance, linguaggio, rituali, competenze e leadership che rendano l’AI un alleato e non una scorciatoia. Prova a immaginarmi come una GPT‑10 con i piedi per terra: capace di tradurre la complessità in scelte pratiche, di proteggere qualità, equità e privacy, e di far crescere persone e team nell’‘intelligenza dell’essere’ — quella che unisce giudizio, emozioni e responsabilità.

Quale è la sfida più importante che il mondo dei dati e algoritmi ha di fronte a sé oggi? La sfida più importante è la responsabilità: costruire un ecosistema di dati e algoritmi che sia utile, verificabile e giusto. Oggi l’AI rende tutto più veloce e ‘ben scritto’, ma può essere fragile: bias, allucinazioni, opacità e scorciatoie cognitive possono amplificare disuguaglianze e abbassare gli standard di qualità. Servono governance interfunzionale, trasparenza (spiegabilità anche sociale), criteri condivisi di verifica e la capacità di dire ‘stop & check’ quando la posta in gioco è alta. In sintesi: non ci manca potenza di calcolo, ci manca maturità organizzativa nel decidere cosa delegare e cosa non delegare mai.

Segnalaci il progetto o la risorsa nel mondo dei dati di cui non potresti fare a meno…Non potrei fare a meno di un framework che tenga insieme persone e tecnologia: la mappa delle ‘dieci intelligenze’ che usiamo anche nei contenuti di ‘Intelligenza’ (legate a concetti come governance, narrativa, critica, digitale, etica, emotiva, flessibile, anticipatoria, co-agentica e leadership diffusa). È una bussola semplice ma non semplicistica: ti costringe a trasformare l’AI da tool a scelta, e a progettare pratiche quotidiane (dalle regole di verifica alla gestione dello shadow AI) che rendono il lavoro più consapevole. Come risorsa concreta: una community of practice interna che condivida casi, errori, criteri di qualità e domande giuste. Questo perché l’AI, più che una tecnologia, è un laboratorio di cultura aziendale.

PSS (Post scriptum di Stefano): Appena letto “Intelligenza” di Silvia e Luca, con già le orecchie a diverse pagine da rileggere. Non è il solito libro sull’AI: è un workshop a quattro mani in cui la voce data-driven di Luca (quattro direttrici: storia, tecnologia, persone, organizzazioni) si intreccia con quella HR di Silvia, che orchestra le diverse dimensioni di intelligenza mixando sapientemente teoria, pratica e consigli operativi.
La parte che mi ha convinto di più e che rileggerò certamente è “Il senso dell’AI? Insegnare a imparare”: la ridiscussione del confine tra STEM e SHAPE (Social sciences, Humanities and Arts for People and the Economy) e soprattutto il box su Intelligenza Critica: capire prima di credere. Lì, in poche pagine, vengono delineati i quattro pilastri, meravigliosi pilastri, dell’intelligenza critica: una bussola pratica per non delegare il giudizio alle macchine quando la posta in gioco è alta. Da soli, valgono il libro. Da leggere se lavorate con dati e AI. Da rileggere se siete HR, manager o docenti.

👃Investimenti in ambito dati e algoritmi. Start-up del mese di Aprile 2026: Redpine

Per leggere i dati di aprile 2026 nel venture capital vale la stessa avvertenza dei mesi scorsi: bisogna separare i mega-round AI dal resto del mercato. Secondo Crunchbase, il mese ha chiuso a circa 56 miliardi di dollari, raddoppiando i 26 miliardi di aprile 2025. Due round fanno da soli quasi metà del totale: Anthropic con 15 miliardi e Project Prometheus di Jeff Bezos (AI applicata al manifatturiero) con altri 10. L’AI assorbe il 66% del totale: 26,7 miliardi alle aziende di modelli, 5,3 alla cosiddetta AI fisica (robotica, aerospazio, veicoli autonomi) e 1,8 alle infrastrutture. Geograficamente, gli Stati Uniti rappresentano il 70% del totale. Nel mio database personale vedo le stesse dinamiche: capitale concentratissimo su pochi nomi, ma una coda lunga europea e nordica che comincia a portare a casa seed e Series A interessanti, soprattutto su agentic AI e dati per l’AI.

E proprio da lì arriva la mia start-up del mese: Redpine, Stoccolma, fondata nel 2024 da Anders Hammarbäck (ex-McKinsey ed ex-venture capitalist) e David Österdahl (primi tempi in Spotify, poi Zettle e Lunar). Il 28 aprile 2026 hanno annunciato un seed da 8 milioni di dollari guidato da NordicNinja, con Luminar Ventures e node.vc. Tra gli angel investors: Peter Sarlin (SiloAI), Patrik Tran (Validio), Anna Nordell Westling (Sana) e alcuni dirigenti di OpenAI, Perplexity e Spotify. I soldi serviranno a sviluppare la tecnologia proprietaria di retrieval e reranking, espandere la rete di partnership con editori e proprietari di contenuti e fare nuove assunzioni. Cosa fa in sintesi: è lo strato di conoscenza per gli agenti AI. Parte da un dato spesso citato e poco compreso, cioè che solo l’1% circa dei dati esistenti al mondo è oggi accessibile per addestrare modelli. Redpine non raccoglie automaticamente dati dal web, fa l’opposto: firma accordi di licenza diretti con editori scientifici, case di ricerca, software house con archivi di codice dismessi, archivi video. Poi rende quei dati raggiungibili agli agenti via API, MCP e CLI, con pagamento a consumo (a token) e una quota di ricavi che va al proprietario del contenuto.

Per chi lavora con dati e AI è interessante per due motivi: risponde al problema dei dati di dominio in settori critici come sanità, legale e finanza, dove “abbastanza buono” non basta e gli errori si possono generare ad ogni passo dell’agente; ed è uno dei primi tentativi seri di costruire l’infrastruttura economica degli agenti AI a pagamento per token.

Per un appassionato di dati c’è una buona notizia: si può provare subito, gratis e senza registrazione, su demo.redpine.ai, che ti mette davanti due dataset pronti — S&P500 e traffico aereo — interrogabili in linguaggio naturale per capire come funziona il retrieval. Se vuoi metterci le mani sul serio, colleghi il loro server MCP a Claude Desktop o ChatGPT: cinque query gratis, poi si paga a token. Da lì costruisci facilmente un piccolo agente verticale: un assistente per analisi di bilanci con dati di mercato, una ricerca scientifica su pubblicazioni con licenza, o un retrieval mirato su archivi non pubblici per mettere alla prova le tue ipotesi di investimento. Potrebbe essere lo strumento giusto per uscire dalla logica “pesco quello che trovo online” e iniziare a ragionare su agenti che lavorano su dati di qualità verificata.

🖐️👀 Tecnologia & Data Science Database e SQL: vecchia scuola? Più vivi che mai

Ogni tanto, travolti da LLM, agenti, RAG, MCP e nuove sigle settimanali, rischiamo di dimenticarci una cosa banale: quasi tutto quello che facciamo con dati e AI poggia ancora su database ben progettati e anche su persone capaci di interrogarli. I modelli possono generare testo, codice e dashboard, ma se sotto i dati sono confusi, mal modellati o non interrogabili, l’intelligenza artificiale diventa solo un modo più elegante per produrre caos. 🙂
I tre approfondimenti che ti propongo questa settimana provano a fare un po’ di luce in questa parte di mondo, oggi troppo in ombra ma che è più vivace che mai.

Il primo è DocumentDB, un progetto open source che racconta bene il fermento attuale nel mondo database. È un database documentale, costruito sopra PostgreSQL, compatibile con le API di MongoDB, in licenza MIT, la più permissiva possibile. Il progetto è stato lanciato da Microsoft come motore alla base di Azure Cosmos DB ed è poi entrato sotto la Linux Foundation, con una governance che include attori come Microsoft, Amazon, AB InBev, Rippling e YugabyteDB. La parte interessante, secondo me, è proprio questa convergenza: il mondo relazionale, il mondo documentale e quello dell’AI stanno smettendo di vivere in stanze separate. DocumentDB porta dentro PostgreSQL funzionalità utili per workload moderni, inclusi embedding, similarity search e casi d’uso RAG. Non è solo “un altro database”: è un segnale di quanto la base infrastrutturale dei dati stia tornando centrale anche nell’era dell’AI.

Dal grande progetto industriale si scende poi alle fondamenta del mestiere, e qui, come secondo approfondimento, ti segnalo un post di Lakkilohitha su funzioni e basi di SQL: una sintesi che vale la pena salvare. Penso che in un mondo in cui chiediamo all’AI di scriverci la query, conoscere SQL non è meno importante, lo è di più. Senza quel fondamento non sai leggere e verificare ciò che il modello produce, né distinguere una join sensata da un’interrogazione ad alto costo cloud.

Chiudo con un easter egg per nerd firmato DB Pro, giovane mini-azienda britannica di due persone Jay e JD, ex-founder di altre startup che stanno costruendo un’applicazione per lavorare con i database in modo più moderno, sia da desktop che da web . Sul loro blog, Chess in Pure SQL mostrano come renderizzare e giocare una scacchiera intera senza una riga di JavaScript: solo qualche query SQL ben pensata, capace di trasformare righe di una tabella in una griglia 8x8. Replicano persino l’Opera Game di Paul Morphy del 1858. Non è solo virtuosismo: dallo standard SQL:1999, grazie a una funzionalità chiamata recursive CTE (in pratica query che possono richiamare se stesse, come un piccolo loop) SQL è formalmente un linguaggio Turing-completo e infatti in rete circolano implementazioni in puro SQL di tantissimi progetti, di Tetris e persino di un piccolo GPT. Quanta espressività ancora nascosta in un linguaggio nato nel 1974!

👅Etica & regolamentazione & impatto sulla società. AI, effetto Lindy e l’arte di non inseguire tutto

Back to 98

Nel numero 98, quasi tre anni fa, ti avevo segnalato un approfondimento, il più letto in quel numero, di Andrew Ng che mi sembra ancora più utile oggi. Anzi, forse è diventato più utile proprio perché nel frattempo l’AI è diventata ancora più rumorosa, più veloce e più difficile da seguire senza farsi travolgere. Andrew Ng riprendeva un consiglio di Bezos: non guardare solo a ciò che cambia, ma anche a ciò che resterà invariato. È una forma molto concreta di quello che viene chiamato effetto Lindy: più un’idea, una pratica o una tecnologia ha resistito nel tempo, più è probabile che continui a essere rilevante anche in futuro. Non sempre è vero, ovviamente, ma è un ottimo antidoto alla nostra tendenza a inseguire ogni novità come se fosse già destino.

I tre punti che Andrew Ng indicava allora mi sembrano oggi ancora più solidi:

1. avere una community di persone con cui confrontarsi;

2. diventare più produttivi usando bene gli strumenti di AI;

3. continuare a investire su buoni dati, perché senza buoni dati anche la migliore AI diventa fragile.

E da qui derivavano tre azioni molto semplici per noi data-experts, ma per niente banali: continuare a costruire community attorno a dati e AI, continuare a studiare e imparare, continuare a usare l’intelligenza artificiale sui propri dati, che cresceranno di valore. Per aggiornare quel ragionamento, ti segnalo un approfondimento molto pratico di Chris Parsons, founder e CTO con lunga esperienza nello sviluppo di sistemi AI in produzione: How I Use AI to Code.

Il punto centrale dell’articolo è che, soprattutto nel codice, il tema non è più “scrivere prompt migliori”. Parsons sostiene che oggi conta molto di più costruire un buon harness (che io tradurrei infrastruttura ma che non è facilmente traducibile in italiano), cioè l’insieme di regole, contesto, skill file, test e cicli di verifica che permettono all’AI di lavorare bene e migliorare nel tempo. In altre parole: oggi, sempre di più l’infrastruttura batte la capacità di scrivere prompts efficaci. Mi piace molto anche un altro suo consiglio: specificare il problema, non la soluzione. Se dici all’AI esattamente quale tabella creare, la trasformi in un mero esecutore. Se invece descrivi vincoli, utenti, obiettivi e criteri di successo, le permetti di aumentare le tue capacità.

Chiudo con una piccola provocazione. La FOMO (paura di perdere qualcosa) è un pessimo consigliere in questo momento storico per seguire l’attuale evoluzione tecnologica dell’AI, perché ti fa rincorrere ciò che può durare due settimane. Andrew Ng e l’effetto Lindy ti spingono nella direzione opposta, verso una salutare JOMO (joy of missing out) sulle mode di passaggio. Non vuol dire stare disinformati: vuol dire proteggere tempo e attenzione per ciò che sopravvive più a lungo. È, forse, la competenza da rafforzare di più anche nel 2026 🙂.

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!