Ciao,
sono Stefano Gatti e questo è il duecentotrentaseiesimo 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 duecentotrentaseiesimo numero:
🖐️👀 Tecnologia & Data Science Daniela Radice: “Parto dalle fonti primarie, non dalla narrativa di mercato”
Presentati: Daniela Radice. Il mio percorso professionale è iniziato nel mondo dell’azienda, tra gestione economico-finanziaria, processi e sviluppo del business e si è progressivamente spostato verso i dati, la tecnologia e l’analisi. Negli anni ho attraversato ruoli e contesti diversi, costruendo una prospettiva trasversale che oggi considero il tratto più caratterizzante del mio lavoro. Nel frattempo, ho conseguito una laurea triennale in Economia e un master nell’analisi dei mercati finanziari, all’interno di un percorso di apprendimento che avevo già costruito negli anni e che ho sempre portato avanti anche da autodidatta. Per me studio e pratica non sono mai stati percorsi separati: ho sempre imparato applicando, verificando ciò che apprendevo, raccogliendo feedback e tornando a studiare per migliorare. Oggi questo percorso converge nella ricerca indipendente come Independent Equity & Market Structure Analyst, con un focus su aziende, mercati e tecnologie. Ho aperto un canale indipendente su Substack per portare questo approccio nella ricerca e analisi editoriale: partire dalle evidenze e ricostruire ciò che c’è dietro la narrativa di mercato, cercando di individuare trasformazioni e creazione di valore prima che diventino completamente leggibili nei numeri e nei prezzi. È uno spazio in cui faccio convergere competenze maturate in ambiti diversi e una curiosità che continua a spingermi verso ciò che sta cambiando: capire come si crea valore, come si trasferisce e quando il mercato inizia a riconoscerlo.
Il mio ruolo tra 10 anni sarà ... (continua la frase come fossi GPT-10) … quello di una ricercatrice indipendente in grado di lavorare insieme all’intelligenza artificiale senza delegarle il pensiero. Se GPT-10 sarà capace di elaborare in pochi secondi quantità di informazioni oggi difficili persino da immaginare, il valore dell’analista non sarà più nella velocità con cui trova una risposta, ma nella capacità di stabilire quale domanda valga la pena porre e quale interpretazione meriti di essere approfondita. Mi immagino quindi in uno spazio sempre più ibrido tra ricerca, tecnologia, finanza e divulgazione: utilizzare l’AI per ampliare la profondità della ricerca, mantenendo all’essere umano la costruzione delle ipotesi, il giudizio e la responsabilità della tesi. Vorrei che il mio lavoro tra dieci anni fosse ancora questo: cercare ciò che non è immediatamente evidente e renderlo leggibile agli altri.
Quale è la sfida più importante che il mondo dei dati e algoritmi ha di fronte a sé oggi? La sfida più importante è evitare che la capacità di elaborare informazione cresca più velocemente della capacità di comprenderla. Gli algoritmi possono riconoscere pattern, correlazioni e anomalie con una velocità e una scala che l’essere umano non può replicare. Ma individuare una relazione non significa necessariamente comprenderne la causa, così come prevedere un comportamento non significa comprenderne il significato. Con l’AI questo diventerà ancora più evidente: il problema non sarà più la scarsità di informazioni, ma la loro interpretazione. La vera frontiera, quindi, sarà costruire un rapporto più maturo tra calcolo e giudizio: utilizzare gli algoritmi per estendere ciò che possiamo osservare, senza confondere la loro capacità di elaborazione con la nostra capacità di comprendere.
Segnalaci il progetto o la risorsa nel mondo dei dati di cui non potresti fare a meno …
Le fonti primarie.
Bilanci, filing, documenti societari, paper scientifici, brevetti, dataset: preferisco arrivare alla fonte prima di arrivare alla sua interpretazione. È una scelta che richiede più tempo, ma permette di vedere dettagli che spesso scompaiono nei passaggi successivi. Per me la ricerca comincia proprio lì: confrontarsi con ciò che è stato realmente scritto, misurato o dichiarato, prima di costruire una propria interpretazione. È anche il modo in cui cerco di lavorare sui mercati: non partire dalla narrativa, ma ricostruirla attraverso le evidenze.
👃Investimenti in ambito dati e algoritmi. Il giudizio non si esternalizza: cosa non torna nella tesi di Sequoia
Julien Bek, partner di Sequoia, ha pubblicato a marzo un pezzo che ti consiglio di leggere per intero: Services: The New Software. Vale i dieci minuti anche se non ne condividi le conclusioni.
La tesi è molto aggressiva. Se vendi uno strumento basato sulla AI sei in gara contro il modello: la prossima release rischia di ridurre il tuo prodotto a una feature (del nuovo modello). Se vendi il lavoro, ogni miglioramento del modello ti rende più veloce e più difendibile. Bek separa qualsiasi mestiere in due componenti: intelligenza (regole complesse, ma regole: tradurre una specifica in codice, tradurre una cartella clinica in codici ICD-10) e giudizio (esperienza, gusto, istinto costruito in anni). L’AI ha superato la soglia sull’intelligenza, e il software engineering è arrivato primo solo perché è il mestiere con il rapporto intelligenza/giudizio più alto.
Da qui la distinzione che regge tutto: il copilot vende lo strumento al professionista, l’autopilot vende il risultato direttamente all’azienda. Crosby non vende allo studio legale, vende a chi ha bisogno dell’NDA. E il punto economico: per ogni euro speso in software, sei vanno in servizi. Il cuneo è il lavoro già esternalizzato, perché, è la frase migliore del pezzo, sostituire un contratto di outsourcing è un cambio di fornitore, sostituire personale interno è una riorganizzazione. Segue una mappa di settori con le rispettive masse di spesa: brokeraggio assicurativo, contabilità, ciclo di fatturazione sanitario, IT gestito, procurement, recruiting. La conclusione: la prossima azienda da mille miliardi non venderà il software per chiudere il bilancio, chiuderà il bilancio.
Mappa ottima. Bussola di parte. Tre cose, a mio parere, cambiano se leggi il pezzo dal lato di chi compra invece che da quello di chi investe.
Primo: i numeri sono spesa di lavoro, non ricavi catturabili. Se catturi il budget dei servizi ti prendi anche i margini dei servizi, che stanno tra il 30% e il 50%, non all’80% del software. La promessa da mille miliardi regge solo se i margini restano da software mentre i ricavi diventano da servizi. È l’ipotesi centrale del pezzo, e non è dimostrata.
Secondo: non è una questione di outsourcing, è make or buy. Il motivo storico per cui esternalizzi è il costo del lavoro. Se il costo dell’intelligenza crolla, crolla anche la ragione d’essere del BPO: puoi internalizzare con gli agenti e riprenderti la centralità. E qui Bek serve l’argomento contro sé stesso, dicendo che gli autopilot accumuleranno dati proprietari su cosa sia il buon giudizio in un dominio. Tradotto per te che compri: esternalizzare un servizio nell’era degli agenti vuol dire consegnare a un fornitore il set di addestramento del tuo giudizio. Fra cinque anni (forse meno …) conosce il tuo mestiere meglio di te.
Terzo: il giudizio non è un traguardo fermo. La convergenza, oggi giudizio, domani intelligenza, funziona se il mondo sta abbastanza fermo da permetterti di codificare qual era la decisione giusta. Ma il buon giudizio è definito dal contesto, e il contesto si muove sempre più in fretta: regole nuove, concorrenti nuovi, clienti che cambiano idea. Un sistema addestrato sul giudizio di ieri è ottimo finché domani somiglia a ieri. Non è un debito tecnico da colmare: è un traguardo che si sposta mentre lo insegui.
Poi c’è la cosa che nella mappa non compare proprio: la cultura. Un’azienda impara dal lavoro che fa fare alle persone, non da quello che compra già finito. Se dai fuori tutto ciò che è codificabile, ti resta un guscio molto efficiente che non sa più perché fa le cose.
Quindi la domanda da farsi per il 2026 non è quale autopilot comprare, ma quale parte del tuo lavoro vuoi che continui a insegnarti qualcosa.
👂🏾Organizzazione e cultura dei dati e algoritmi nelle organizzazioni. La tecnica della cartella vuota (che vuota non è)
“Less is more” (Mies van der Rohe).
Semplice a dirsi, ma fare “meno” non è semplice: siamo portati, soprattutto noi persone più analitiche, a complicare la progettazione di quasi ogni attività e ad aspettare il tool perfetto che ci aiuti a farlo. Il consiglio per questa sezione della newsletter è vedere questo video di 11 minuti, che spiega come “la tecnica della cartella vuota” sia forse il modo migliore per cominciare oggi a farsi aiutare dall’AI. Il nome però è ingannevole :-) perché nella cartella, o meglio nella tecnica, dobbiamo inserire due ingredienti tutt’altro che banali:
Il contesto, cioè i dati e le informazioni necessarie.
Cosa vogliamo fare, descritto in modo semplice e dettagliato, non semplicistico.
Di strumenti che promettono un “second brain” ce ne sono molti e sono interessanti, ma lo sforzo per renderli operativi e la loro incompleta interoperabilità mi fanno preferire, e sperimentare sempre di più, la tecnica della cartella (vuota). Almeno a livello personale.
In un’organizzazione il tema diventa decisamente più complesso, per ragioni che non sono tecniche ma di coordinamento tra più persone, più esperienze e una normalizzazione semantica che non è banale. Lì la cartella non è mai vuota: è piena di documenti che nessuno ha selezionato. E il lavoro vero diventa decidere cosa ci va dentro e chi lo tiene aggiornato. C’è poi un secondo passaggio che in azienda non puoi saltare: riempire una cartella di contesto vuol dire decidere quali dati escono dal perimetro in cui sono nati e verso quale modello. È una scelta di governance, non un gesto di produttività e va fatta prima, non dopo aver visto che la tecnica funziona.
Il video è di Matt Maher, che seguo volentieri per il taglio pratico su AI e strumenti. Grazie ad Andrea Nelson Mauro per la segnalazione e per averla raccontata nella sua newsletter.
👅Etica & regolamentazione & impatto sulla società. AI Index 2026: il takeaway numero 11 è quello che nessuno cita
Ci sono tre criteri che uso per valutare la qualità di un report che fotografa l’andamento di un settore o di un mercato:
La serie storica del report, cioè da quanti anni viene realizzato. Questo risponde al criterio di verificabilità.
La qualità delle informazioni e dei dati che usa e soprattutto la loro accessibilità.
La credibilità dell’istituzione che lo emette. Questo criterio è più utile in logica negativa: se chi lo pubblica è poco conosciuto o ha una storia non chiara, diventa un elemento di valutazione negativo.
Sia perché risponde positivamente a tutti e tre questi criteri, sia perché era stato il link più cliccato nella newsletter 115, anche quest’anno ti consiglio, se non l’hai già letto, l’Artificial Intelligence Index Report dell’istituto HAI (Human-Centered Artificial Intelligence) di Stanford relativo al 2026. Nona edizione dal 2017 (criterio 1), dati pubblici e scaricabili (criterio 2), steering committee misto accademia e industria (criterio 3).
Il report è uscito in realtà quasi 5 mesi fa, ma di solito preferisco leggere (o rileggere) questi lavori a qualche mese di distanza: sia perché alla loro uscita vengono già valutati e sintetizzati molto bene da altri, sia perché riprenderli dopo qualche mese fornisce, soprattutto in ambiti molto dinamici come l’AI, una prospettiva diversa e a volte chiavi di lettura su scenari futuri che nel frattempo si sono ulteriormente rafforzati.
Di solito questi report si possono leggere in tre modi: la lettura completa, molto difficile e impegnativa per un report come questo di 425 pagine; la lettura dei soli Top Takeaways; oppure una via di mezzo, con la lettura dei Top Takeaways e dei capitoli su cui si vuole fare un approfondimento specifico.
In questo caso ti segnalo che la via migliore è quella dei 15 Takeaways che trovi nel PDF, più numerosi di quelli in evidenza sul sito, perché offrono ampi spunti di riflessione per noi data-lovers. Tutti e 15 sono interessanti, ma uno è meno scontato degli altri e potrebbe avere un impatto più grande sul nostro futuro: è l’undicesimo e ha a che fare con l’utilizzo dell’AI nella ricerca scientifica. «I modelli AI per la scienza possono superare gli scienziati umani, sebbene i modelli più grandi non offrano sempre prestazioni migliori». In ambito scientifico, infatti, modelli più piccoli e specializzati (spesso nati da collaborazioni trasversali e non solo dall’industria) riescono frequentemente a battere sistemi molto più grandi, pur con livelli di successo che variano molto a seconda della disciplina affrontata.
Se succede anche nella scienza, scegliere il modello in azienda smette di essere una gara di benchmark e diventa una questione di specializzazione e di costo.
Buona lettura!
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!
Grazie. Come sempre newsletter molto interessante e piena di spunti per la settimana. Mi ha colpito l’articolo di Bek, perchè è una tesi che sto leggendo spesso anche da altri autori. La mia opinione è che la tecnologia sta per diventare semplice da replicare, mentre quello che acquisterà più valore è la macchina operativa dell’azienda.