For my English speaking friends, click here for the translated version
Ciao,
sono Stefano Gatti e questo è il duecentotrentesimo 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 duecentotrentesimo numero:
👃Investimenti in ambito dati e algoritmi. Andrea Panato: “Il dato deve aiutarci a prendere decisioni, non a rassicurarci”
Presentati: Andrea Panato. Sono dottore commercialista, docente universitario ed esperto in valutazione d’azienda. Mi occupo di supportare le imprese nei tipici momenti di discontinuità strategica: definizione del modello di business, M&A ed operazioni straordinarie, apertura al capitale, ridefinizione della governance e passaggi generazionali, risanamento, ecc.
Partecipo inoltre a consigli di amministrazione e organi di controllo di società italiane, anche quotate, integrando l’attività professionale con quella formativa ed editoriale. Il mio lavoro si concentra sull’individuazione dei reali driver di valore dell’impresa, sulla valorizzazione degli asset materiali e immateriali e sulla costruzione di assetti societari e di governance capaci di rendere l’azienda più solida, leggibile e preparata ad affrontare scenari sempre meno prevedibili.
Il mio ruolo tra 10 anni sarà...
... sempre più vicino all’intersezione tra impresa, capitale, conoscenza e tecnologia. Credo che il consulente del futuro sarà chiamato a interpretare la complessità: leggere i numeri, comprendere i modelli di business, valutare gli asset intangibili, dialogare con imprenditori e investitori e aiutare le organizzazioni a prendere decisioni migliori.
Nei prossimi dieci anni vorrei continuare a stupirmi lavorando con imprenditori eccezionali come oggi ma contemporaneamente contribuire a diffondere e far riscoprire la cultura della valutazione, della governance e della crescita. L’intelligenza artificiale renderà molti processi più efficienti, aumenterà però il bisogno di giudizio, indipendenza e capacità critica.
Negli ultimi anni la valutazione d’azienda, anche per l’eccesso di liquidità sul mercato, ha subito un processo di banalizzazione che si può riassumere nella battuta: “Quanto vale l’azienda? Ebitda per qualche cosa e quel qualche cosa molto spesso è 7”. Io credo sia necessario riscoprire l’analisi fondamentale che è forse la competenza più preziosa che si sviluppa come esperto valutatore. In fondo il consulente dovrebbe servire non solo ad aiutare l’imprenditore a prendere decisioni consapevoli ma soprattutto ad aumentare le opzioni di scelta.
Qual è la sfida più importante che il mondo dei dati e algoritmi ha di fronte a sé oggi?
La sfida principale è trasformare dati e algoritmi in decisioni migliori. Le imprese dispongono di quantità crescenti di informazioni, ma spesso faticano a collegarle alla strategia, alla creazione di valore e alla responsabilità delle decisioni. Il punto non è solo “avere più dati”, ma costruire organizzazioni capaci di porre le domande giuste, interpretare correttamente le risposte e mantenere un presidio umano sui giudizi critici.
Ricordo mio padre scrivere due numeri sul tovagliolo di un bar durante un aperitivo. Erano i numeri che servivano all’imprenditore per decidere. Fare la sintesi non significa banalizzare.
In un mondo in cui pianificare è sempre più difficile la vera sfida è rendere le imprese capaci di affrontare scenari non prevedibili. È un cambio di prospettiva non sempre facile. In fin dei conti la pianificazione irrigidisce la struttura ma è rassicurante.
Il dato deve aiutarci a prendere decisioni non a rassicurarci.
Segnalaci il progetto o la risorsa nel mondo dei dati di cui non potresti fare a meno
Mi formo studiando documenti provenienti da diverse fonti, la risposta quindi non è facile.
A rischio di risultare banale Indicherei Aswath Damodaran e le risorse che mette a disposizione sul proprio sito e sul suo blog. Non è una risorsa “data” in senso stretto, ma è uno dei migliori esempi di divulgazione professionale su come i dati possano essere messi al servizio del giudizio economico. Damodaran mostra con grande chiarezza che la valutazione è una narrazione disciplinata dai numeri: dati di mercato, fondamentali aziendali, ipotesi strategiche e scenari devono dialogare tra loro.
Per chi si occupa di imprese, M&A e corporate finance, è un approccio prezioso perché aiuta a usare i dati senza diventarne prigionieri. Sfuggendo alla tua domanda, paradossalmente lo premio per l’approccio (trascurato dai più) piuttosto che per il set di dati che mette a disposizione e per il quale è famoso.
In un mondo in cui algoritmi e intelligenza artificiale renderanno disponibili analisi sempre più sofisticate, questa capacità di connettere numeri, strategia e giudizio resterà essenziale. O quantomeno sarà lo spazio che mi interessa occupare.
🖐️👀 Tecnologia & Data Science Acceleratori di scala, non sostituti
C’è una frase, in un pezzo recente di Nick Potkalitsky dal titolo molto coinvolgente per noi data-expert “Why General AI Models Still Cannot Be Trusted for Data Analysis”, su cui sto riflettendo concretamente da un po’ di tempo: “l’LLM è un acceleratore di scala di un processo analitico umano, non un suo sostituto”. Detta così suona come un compromesso diplomatico. Invece per Potkalitsky è una tesi con le prove in mano.
Potkalitsky mette in fila alcune importanti ricerche su questo tema del 2026 e il quadro è meno rassicurante di quanto racconti l’hype. Il problema delle allucinazioni non è risolto: i modelli di reasoning tendono a inventare di più sui compiti fattuali, non di meno. E appena passi da domande concettuali a domande su dati specifici (cioè esattamente ciò che fai quando “fai analisi”), i tassi di errore salgono a livelli che dovrebbero squalificare questi strumenti come autorità analitiche. Aggiungo la parte che mi tocca di più: un buon analista ti segnala la propria incertezza, un LLM ti dà lo stesso tono sicuro sia col numero giusto sia con quello inventato di sana pianta.
Lo vedo in azienda e nei miei progetti personali. Il modello non “risolve” l’analisi: la accelera se dietro c’è una testa che formula l’ipotesi, calibra il prompt e verifica l’output. Togli quella testa e ti restano tabelle pulite con conclusioni sbagliate.
Se l’umano, e ancora di più il team, resta il baricentro, allora torna centrale il dove l’analisi avviene. Ed è qui che strumenti apparentemente “vecchi” come Jupyter e Colab restano il substrato di tutto: il notebook è ancora il posto in cui codice, dati, grafici e ragionamento stanno insieme e diventano condivisibili.
Un segnale interessante arriva da Deepnote, che di quel notebook è l’evoluzione: compatibile con Jupyter, da poco open source (licenza Apache 2.0), ma ripensato come spazio collaborativo dove umani, e ora anche agenti AI, lavorano fianco a fianco, in tempo reale, sopra diverse sorgenti dati. La traiettoria racconta bene il momento: dopo un seed e una Serie A da 20 milioni di dollari (circa 24 in totale), la crescita recente passa meno dai nuovi round e più dai ricavi (stimati intorno ai 3,9 milioni a metà 2025), dall’apertura del codice e dal pivot “agent-native”. Tra i clienti, nomi come Discord, MIT e Stanford.
E qui sfumo, con un articolo bellissimo di Kevin Kelly. Kelly ribalta la domanda: a cosa serve davvero un LLM, oltre a rispondere e scrivere codice? La sua risposta è lo spazio latente (latent space) come nuovo mezzo — quella mappa a miliardi di dimensioni in cui ogni concetto è una direzione. Lì dentro puoi fare cose che nessun analista fa da solo: cercare analogie tra domini lontani (la forma di un problema di geologia che somiglia a un pattern di immunologia), esplorare gli “spazi bianchi” tra ciò che già esiste, prototipare aggiungendo a una cosa la direzione di un’altra.
È lo stesso arco, in fondo. Potkalitsky ci ricorda che il modello non sostituisce il giudizio. Kelly ci mostra cosa quel modello, tenuto per mano, può potenziare. In mezzo c’è il notebook: il banco di lavoro dove sei tu a decidere e a condividere.
Quindi forse, se usato con intelligenza e lungimiranza, l’AI non toglie la testa dal processo. Semmai la mette nelle condizioni di andare più lontano. Almeno questo potrebbe essere un futuro preferibile e costruibile …
👂🏾Organizzazione e cultura dei dati e algoritmi nelle organizzazioni. Riorganizzazioni: la trasparenza costa poco, il silenzio costa moltissimo
“L’organigramma è solo caselle e linee. Le conversazioni sono ciò che è reale.”
Con questa frase Gergely Nemeth chiude un pezzo che mi ha fatto riflettere più di tanti libri di management. E che ho letto annuendo, perché racconta un errore che ho fatto anch’io, soprattutto all’inizio della mia carriera professionale.
Nemeth è un engineering leader con oltre dieci anni di esperienza su piattaforme a larga scala: oggi guida in DoorDash, la più grande piattaforma americana di consegne dal cibo alla spesa, un’ organizzazione di una cinquantina di persone che non costruisce l’app che usa il cliente finale: costruisce gli strumenti e le fondamenta software con cui centinaia di altri ingegneri costruiscono l’app. Un mestiere “invisibile” ma decisivo, molto simile a quello di chi in azienda tiene in piedi le piattaforme dati per tutti gli altri. Sul suo blog scrive delle parti difficili del mestiere: gestire manager, far crescere IC senior, dare feedback, navigare le riorganizzazioni.
Il suo racconto parte da una scena banale all’interno di una riorganizzazione aziendale. Dopo un meeting con il team, una sua ingegnere gli chiede: è vero che arriva un nuovo capo per il nostro team? Era vero. Lui pensava di averlo detto. Aveva comunicato che qualcosa stava per succedere, ma non quando, non chi, non cosa cambia per te. In quel vuoto, per settimane, si è infilata l’ansia. Ecco il punto fondamentale: il vuoto informativo non resta mai vuoto. Se non lo riempi tu con i fatti, lo riempiono le persone con le ipotesi peggiori. E le ipotesi peggiori costano molto più di una conversazione scomoda.
Dal suo racconto ho estratto una sequenza che è quasi un protocollo operativo, e che francamente ho usato diverse volte negli ultimi dieci anni. :
Chi è più impattato sente per primo, e lo sente da te, in un one-to-one, non in una riunione di gruppo dove chi cambia mestiere siede accanto a chi non cambia niente.
Prepara il “perché umano”, non la logica da organigramma. E testalo con qualcuno che ti dica se suona come una ragione vera o come una finzione.
Non fingere che un movimento laterale sia una promozione: l’inautenticità si sente, e insulta l’intelligenza di chi ascolta.
Il follow-up a tre-cinque giorni non è cortesia: è l’unico modo per scoprire se il messaggio è davvero andato a segno.
Vale doppio nei team dati: quando riorganizzi chi possiede una piattaforma, un dominio o un modello, stai riscrivendo anche le dipendenze di tutti quelli che ci lavorano sopra. Se non lo spieghi, lo scoprono a valle e male.
Nella mia carriera, ogni volta che ho scelto la trasparenza, anche quando la notizia era scomoda, anche quando non avevo tutte le risposte, ho pagato un prezzo a breve termine e incassato fiducia a lungo termine. Mai il contrario.
È la sua tesi, e la sottoscrivo: un’organizzazione ben disegnata ma comunicata male genera risentimento; una appena decente ma comunicata bene genera fiducia.
Se ti piace come scrive e come pensa, sul suo about trovi una breve presentazione delle idee a cui tiene di più come leader. L’ho letta riconoscendomici parecchio. Del resto la trasparenza ha un vantaggio pratico: è l’unica strategia comunicativa che non devi ricordarti di mantenere coerente.
👅Etica & regolamentazione & impatto sulla società. AI & Lavoro: sapere di non sapere ma studiare per adattarsi meglio …
Quando mi chiedono quali lavori l’intelligenza artificiale farà sparire, la risposta più onesta che ho è socratica: so di non sapere. E non è (falsa) modestia, è trasparenza. Le stime sulla quota di lavori automatizzabili oscillano, a seconda dello studio, tra il 5% e il 47%: un intervallo così ampio che ti dice più cose sui ricercatori che sul futuro. Come scrive Amanda Shendruk in un bel pezzo su Not-Ship, queste previsioni sono «congetture vestite da fatti»: ogni passaggio — cosa conta come task, cosa significa “l’AI sa farlo” — è una scelta soggettiva, e non esiste un precedente storico su cui ancorare il modello. Il problema è che un numero con il segno di percentuale e un grafico ben disegnato funziona come un magnete per la nostra attenzione: conferiscono autorevolezza anche a quello che autorevole non è. L’esempio perfetto? Il grafico virale di Anthropic sull’esposizione dei lavori all’AI ha generato titoli tipo “una Grande Recessione per i colletti bianchi è possibile”. Peccato che il report da cui proveniva concludesse di non aver trovato alcun aumento sistematico della disoccupazione tra i lavoratori più esposti.
Sapere di non sapere, però, non significa smettere di ragionare. Significa scegliere meglio le lenti. Te ne propongo due, che insieme aiutano a leggere il tema oltre i titoli dei giornali.
Prima lente: non conta solo l’esposizione, conta la capacità di adattarsi. I ricercatori di GovAI e Brookings hanno aggiunto alle classiche misure di esposizione all’AI un indice di “capacità adattiva”: risparmi, età, densità del mercato del lavoro locale, trasferibilità delle competenze. Il Washington Post ne ha tratto un grafico che trovo illuminante. Il risultato ribalta la narrativa dell’apocalisse dei colletti bianchi: dei 37,1 milioni di lavoratori americani più esposti, oltre 26 milioni hanno anche buone risorse per gestire una transizione (sviluppatori, avvocati, financial manager). La sacca davvero fragile sono 6,1 milioni di persone in ruoli amministrativi e di segreteria — per l’86% donne, concentrate in città medio-piccole. Se provi a tradurre questa fotografia in Italia (dati equivalenti non ne abbiamo, ed è un problema), pensa a pezzi di pubblica amministrazione e di back-office bancario e assicurativo. La vulnerabilità non è l’esposizione: è l’esposizione moltiplicata per l’incapacità di adattarsi.
Seconda lente: l’AI non mangia l’intelligenza, mangia le regole. Carlo Torniai — italiano che scrive in inglese, seguilo — ha smontato con eleganza il vocabolario di un recente framework di Sequoia Capital che divide il lavoro cognitivo in “intelligence” (compiti basati su regole, anche complicatissime) e “judgment” (giudizio, o se preferisci discernimento). La tassonomia funziona, dice Torniai, ma i nomi sono sbagliati: quello che l’AI automatizza per primo non è l’intelligenza, è l’esecuzione codificata. La sua verifica sui dati occupazionali americani è un piccolo gioiello: contabili e sviluppatori hanno quasi lo stesso numero di addetti e passano entrambi la giornata davanti a uno schermo, ma i primi sono previsti in calo del 6% e i secondi in crescita del 15%. La differenza è il rapporto tra regole e giudizio nel lavoro quotidiano. L’intelligenza vera, conclude Torniai, è la capacità di agire con saggezza quando le regole finiscono.
E allora, invece di chiederti “l’AI mi ruberà il lavoro?” (domanda a cui nessuno sa rispondere, nemmeno chi ti vende la risposta con tre decimali), prova con queste tre: quanta parte del mio lavoro è esecuzione di regole codificabili? Quanta capacità di adattamento ho io — non la mia mansione? E il giudizio che esercizio ogni giorno è visibile e riconosciuto, o resta nascosto dentro processi che sembrano solo regole? Non ti daranno una previsione. Ti daranno qualcosa di più utile: una direzione. 🧭
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!