LaCulturaDelDato #231

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 duecentotrentunesimo 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 duecentotrentunesimo numero:

👃Investimenti in ambito dati e algoritmi. Grinda: “Abbiamo già visto questo film”. Ma guarda chi incassa davvero

“L’IA non è la fine del progresso economico. È il prossimo capitolo … La conclusione macro è la stessa: l’opportunità sta nel capire come l’IA espande la torta economica, non nell’assumere che la distrugga. Abbiamo già visto questo film. Il finale non è mai stato il collasso. È stata trasformazione. È stata espansione. E più spesso, è stata accelerazione.“

Questa è la parte finale di un articolo molto bello di Fabrice Grinda — imprenditore e venture capitalist, fondatore di FJ Labs — che condivido quasi in toto, sulla rivoluzione di produttività che l’intelligenza artificiale sta attivando a livello mondiale.

La rivisitazione delle rivoluzioni tecnologiche del passato che fa Grinda è chiara ed esplicita, e questo è un passaggio chiave del suo ragionamento:

“La transizione può essere violenta, ma raramente è istantanea.
L’obiezione più forte alla tesi della produttività non è il collasso permanente. È la velocità:

• La tecnologia si muove velocemente.

• I mercati si muovono più velocemente.

• Le istituzioni si muovono più lentamente.

• Il lavoro si muove più lentamente di tutti.

Quel divario può produrre vera turbolenza.
I mercati finanziari prezzano il futuro istantaneamente e spesso superano il segno in entrambe le direzioni. Le aspettative si accumulano. Le narrazioni si propagano a cascata. Il capitale si rialloca prima che l’economia reale abbia il tempo di adattarsi. I governi rispondono in modo reattivo. I lavoratori non possono riqualificarsi dall’oggi al domani. Quel disallineamento può assolutamente produrre trimestri brutti, persino anni brutti. Tuttavia, la capacità tecnologica non è la stessa cosa della sostituzione economica. L’abbiamo già visto prima.“

Quei quattro livelli di velocità sono la cosa più utile da portare a casa da questo pezzo: teniamolo a mente ogni volta che leggiamo una previsione sull’impatto dell’IA sul lavoro. Quasi sempre l’errore sta nel confondere il primo livello con il quarto.

E per chi investe — sia a livello economico sia in termini di competenze e conoscenza — questo è un momento di grandi opportunità, a patto di restare con i piedi per terra e non immaginarsi aumenti di produttività che non sono sostenibili nell’attuale assetto delle organizzazioni e del sistema economico globale.

Sul terzo e quarto livello di Grinda — quelli lenti — ti consiglio un pezzo di Andrea Macrì Parte da un working paper NBER (dati Fed di Atlanta, Bank of England e Bundesbank su seimila tra CEO e CFO): l’89% dichiara di non aver visto effetti misurabili dell’AI sulla produttività, e per i prossimi tre anni stima in media un +1,4%. È il paradosso di Solow del 1987 con attori nuovi. La spiegazione che Andrea Macrì recupera è quella di Paul David sull’elettrificazione: la lampadina illumina il lavoro senza cambiarlo, il motore nuovo attaccato alle cinghie vecchie risparmia poco, i guadagni arrivano solo con la linea di montaggio — cioè quando la fabbrica viene ridisegnata attorno al flusso. Oggi siamo al secondo stadio, e il nome che dà al problema è ottimo: congestione decisionale. Con una conseguenza chiara: chi compra AI senza ridisegnare l’organizzazione non resta al palo, arretra. Il ribaltamento finale ci riguarda da vicino: se Solow è una tassa sugli strati organizzativi, la PMI italiana che di strati ne ha pochi è per una volta avvantaggiata.

Se invece cerchi una fotografia d’insieme del fermento e dell’incertezza della “nuova” AI economy, ti consiglio lo State of AI Economy di Azeem Azhar. E dalla stessa analisi arriva il grafico che, in ottica investimenti, vale più di mille commenti.

Guardalo bene, perché racconta due storie insieme. La prima: la torta è cresciuta di 2,95 volte in un anno, da circa 10 a quasi 30 miliardi di dollari a trimestre. La seconda, più interessante: il valore si sta spostando verso l’alto dello stack, ma con calma. L’hosting incassa ancora l’82% dei ricavi GenAI, era l’89% due anni fa. Apps e foundation models passano insieme dall’11% al 18%. Sette punti in due anni: una direzione, non una rivoluzione.

E attenzione alla nota metodologica, che è la parte che quasi nessuno legge: i chip sono esclusi, perché capitalizzati come CapEx dal layer hosting. Quindi quell’82% è un ricavo lordo di investimenti giganteschi, non un margine. Chi investe farebbe bene a chiedersi se sta comprando la quota che cresce o quella che “paga il conto”.

Ed è la stessa domanda vista dall’altro lato: il valore salirà lo stack solo quando le organizzazioni saranno in grado di assorbirlo. Fino ad allora chi vende infrastruttura incassa, e chi la compra aspetta la sua linea di montaggio.

Da monitorare con attenzione, trimestre dopo trimestre.

🖐️👀 Tecnologia & Data Science 14 agenti “analitici”: non ha vinto nessuno

Immagina di poter scrivere alla tua azienda come scrivi su WhatsApp: «quanti clienti abbiamo perso il mese scorso?». E di ricevere il numero giusto in venti secondi, senza passare dal team dati. È la promessa degli analytics agent: assistenti AI collegati ai database aziendali che traducono la tua domanda in linguaggio macchina e ti riportano la risposta. Promessa non nuovissima: vent’anni fa si chiamava self-service BI e non ha mai davvero funzionato su larga scala, anche se per onestà intellettuale non esisteva la generative AI. Per aggiornarti sul tema ti suggerisco questo articolo che ha provato a dare una valutazione quantitativa a questo ambito.

A fare il test è stata Claire Gouze, co-fondatrice di nao Labs (Y Combinator 2025, tra Parigi e San Francisco), ex data scientist in BCG. Nao è un editor di codice con AI pensato per chi lavora sui dati, una sorta di “Cursor per i data team”. Qualche mese fa Claire ha testato 14 strumenti diversi su una sola domanda presa dai dati della sua azienda: che percentuale di utenti ha fatto churn il mese scorso? Sembra banale, non lo è. I dati stanno in tre tabelle diverse, un abbonamento può contenere più utenti e il denominatore corretto sono i paganti del mese precedente, non quelli di questo mese. È esattamente il tipo di trappola in cui cade chiunque non conosca il business.
Il conflitto d’interesse esiste. Nel confronto c’è anche nao, e ne esce bene. I link ai singoli strumenti portano tutti a pagine comparative del sito di nao. E la conclusione rilancia un loro prodotto. Va detto anche che il verdetto finale premia un concorrente (Omni), il metodo è dichiarato riga per riga e quattro strumenti li ha valutati solo su racconti di terzi, ammettendolo. Leggila come una tesi ben argomentata, non come una pagella indipendente. Resta comunque un benchmark interessante

Le tre cose che mi hanno colpito e che, pur avendo testato molti meno strumenti, mi sento di confermare:

1. Il vincitore globale non c’è. Ogni strumento accontenta o l’utente di business o il team dati, mai tutti e due. Gli strumenti nati con l’AI dentro funzionano bene per entrambi, ma costano e ti obbligano a rifare tutta la reportistica. I data warehouse piacciono ai tecnici e spaventano gli altri. Gli assistenti generalisti li usano già tutti, ma sono difficili da governare.

2. Il problema non è l’AI, è il contesto. Scrivere una query oggi lo sanno fare abbastanza bene tutti i modelli di frontiera. Quello che nessuno sa è cosa vuol dire “cliente attivo” nella tua azienda. Ogni fornitore propone il suo modo di dare all’agente questo contesto, ma nessuno misura quale contesto migliori davvero l’affidabilità delle risposte. La domanda che manca è la sua: quanto è buono il mio agente? E quanto è buono il contesto che gli ho dato?

3. Vince l’architettura più noiosa. Gli agenti lavorano meglio quando il contesto è una cartella di file che puoi aprire e leggere: è il motivo per cui strumenti come Cursor e Claude Code funzionano. Nessuno ha ancora portato quell’architettura a chi non scrive codice.

Il consiglio. Prima di guardare i tool, scriviti le tue cinque domande: quelle che ogni mese arrivano al team dati e che nessun agente può indovinare per caso. Poi falle a chi ti vende la soluzione. È l’unico benchmark che conta davvero.

👂🏾Organizzazione e cultura dei dati e algoritmi nelle organizzazioni. La frontiera si esplora, il terreno si coltiva

Matt Wood, Chief AI & Technology Officer di AWS, ha scritto a giugno un pezzo che vale la lettura integrale. Parte da una constatazione che sembra un paradosso: «Due dinamiche corrono simultaneamente nell’AI, ed è facile confonderle perché sono misurate su assi diversi. Una traccia quanto costa usare la frontiera (dei modelli). L’altra il prezzo di acquistare un livello fisso di capacità (computazionale). Lette insieme il tutto sembra contraddittorio. Lette separatamente spiegano gran parte di dove nascerà il valore per le imprese.»

I numeri che Wood riporta sono abbastanza noti ma vanno riletti: la performance di livello GPT-4 su domande scientifiche da dottorato è scesa di circa 40x l’anno, da 30 dollari per milione di token a inizio 2023 a meno di 0,10 all’inizio 2025. Sotto una certa soglia di qualità l’AI a basso costo è una curiosità. Sopra, diventa un materiale e i materiali si comportano diversamente dagli attrezzi: un attrezzo lo prendi e lo posi, un materiale lo incorpori. Nell’infrastruttura, nei processi, nelle assunzioni operative dell’azienda. La frontiera si esplora, il terreno si coltiva. Il terreno è tutto ciò che sta dietro la frontiera: capacità che non fanno più notizia — riassumere, classificare, redigere, sintetizzare, supportare decisioni — ma che oggi costano abbastanza poco da poter entrare nel lavoro di ogni giorno. E poi Wood riporta un dato che dovrebbe far riflettere ogni CDO: Forrester stima che la GenAI orchestri meno dell’1% dei processi core delle aziende.

Da qui il suggerimento operativo di Wood sulle tre posture “da tenere”.
Esplorare la frontiera: sondare cosa è appena diventato possibile, perché le capacità emergono in modo irregolare e l’unico modo per mapparle è provarle.
Costruire sulla frontiera: progettare oggi ai prezzi di punta, sapendo che quando arriverai alla scala quella capacità sarà ordinaria e costerà una frazione.
Partire dal terreno che già coltivi: passare in rassegna i processi che giri ogni giorno, scegliere quelli dove il ritorno è reale, misurarli, valutarli senza sconti e portarli in produzione su una superficie molto più ampia di quanto quasi nessuno abbia tentato. E aggiungo, per esperienza personale, con il modello più economico che soddisfi meglio la qualità che si vuole ottenere
«La disciplina sta nello scegliere bene, non nell’automatizzare tutto ciò che è tecnicamente fattibile.» Le prime due posture guardano avanti, la terza guarda in casa e secondo Wood è lì che sta il valore che nessuno raccoglie.

Aggiungo una postilla, che sto sperimentando personalmente e che complica il quadro. Il prezzo per token crolla, ma il conto no perché è cambiata la natura dei token che consumiamo. Nello studio OpenRouter/a16z su 100 mila miliardi di token reali (dicembre 2025), i modelli reasoning sono passati da quota trascurabile a oltre il 50% del traffico in un anno; i token di output sono quasi triplicati (da ~150 a ~400 per richiesta) e gli autori attribuiscono la crescita soprattutto al ragionamento interno, fatturato come output ma invisibile all’utente. Le stime operative correnti suggeriscono di moltiplicare per 3-5x il budget di output quando si usa un modello reasoning; in casi limite, per le attività più complesse, si arriva al 90% del costo della chiamata. Il terreno si allarga, ma coltivarlo costa più di quanto dica il listino. Il numero da guardare non è il costo unitario: è il costo per esito utile.

👅Etica & regolamentazione & impatto sulla società. Le mappe a 360 gradi di Mafe: togliere confini per aprire possibilità

Back to 110

Quasi tre anni fa, nel numero 110, ho intervistato Mafe de Baggis, che si definiva abitante delle “terre di mezzo” tra pubblicità e tecnologia. Il link più cliccato di quel numero, ed è questo il criterio con cui ogni settimana scelgo il “back to”: ripartire da ciò che ti è piaciuto di più per raccontarti come si è evoluto, era quello sulle mappe isocrone. Mafe de Baggis ci aveva regalato l’idea delle mappe a 360 gradi: non le mappe politiche, che detesta (”poter togliere i confini almeno da una visualizzazione è un superpotere“), ma quelle che integrano nella geografia altre dimensioni: tempo di percorrenza, altitudine, ricchezza, salute, felicità.

Ci torno perché quell’idea, nel tempo, l’ho estesa, sempre di più, oltre la cartografia: le mappe, per me, sono diventate (anche) strumenti di decision making. Mappe concettuali per strutturare un problema, mappe di sistema per vedere le relazioni prima delle soluzioni, tassonomie che sono mappe travestite. Il principio è lo stesso che Mafe attribuiva a von Foerster: agire per aprire possibilità, non per fissare confini. Una buona mappa non ti dice dove andare: ti mostra dove potresti.

E Mafe de Baggis, nel frattempo, di possibilità ne ha aperte parecchie. Con Alberto Puliafito ha pubblicato “E poi arrivò DeepSeek” (Apogeo, 2025): rileggerlo oggi, dopo che Kimi K3 di Moonshot AI è diventato il più grande modello open-weight mai rilasciato, conferma che il “momento DeepSeek” non era un’eccezione. E ogni lunedì pubblica Koselig, oltre 220 numeri di spunti per iniziare la settimana: nel #218 ha scritto (molto bene) della Constitution di Claude, tema che i lettori di questa newsletter conoscono bene. Le terre di mezzo, evidentemente, continuano a essere fertili 🙂.

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!