Uso l'IA da più di un anno. Solo da qualche mese ho iniziato a usarla sul serio

Qualche mese fa ho scritto un articolo su come uso l’intelligenza artificiale nel mio lavoro.

Debug, documentazione, qualche prototipo veloce, il codice ripetitivo che nessuno vuole scrivere due volte.

Rileggendolo oggi mi viene da sorridere.

Non perché fosse sbagliato. Era tutto vero, e lo penso ancora.

Ma era, onestamente, un uso piuttosto timido.

Usavo l’IA come useresti un collega bravo ma part time: gli chiedi un parere, controlli quello che ti risponde,

chiudi la chat e vai avanti per conto tuo.

Funzionava. Era anche, più o meno, tutto quello che sapevo fare.

Il momento in cui ho iniziato a farmi domande diverse

Nei mesi successivi ho letto articoli, guardato video, scorso qualche post su LinkedIn con la scusa di tenermi aggiornato prima di dormire.

Niente di scientifico, lo ammetto.

Ma tra una cosa e l’altra mi sono reso conto che stavo usando uno strumento potenzialmente molto potente

nel modo più limitato possibile: una chat alla volta, senza memoria, senza struttura,

senza nessun collegamento tra quello che facevo il lunedì e quello che rifacevo, identico, il giovedì.

Ogni sessione ripartiva da zero. Ogni volta dovevo rispiegare chi ero, come scrivo, cosa mi serve.

Non è che l’IA fosse diventata più intelligente nel frattempo.

Ero io che la stavo usando come un martello quando avevo bisogno di una cassetta degli attrezzi.

Da chat sparse a un sistema vero e proprio

La prima cosa che ho cambiato è stata organizzativa, non tecnica.

Ho iniziato a raggruppare le chat in progetti, invece di lasciarle tutte nello stesso calderone.

Ogni progetto ha un proprio contesto di riferimento:documenti, esempi, il tono che voglio mantenere

e istruzioni scritte una sola volta, senza doverle ripetere ogni volta.

Per esempio, il progetto che uso per il blog ha già tutte le informazioni di cui ha bisogno:

quando scrivo un pezzo e glielo passo in revisione, mi corregge i refusi, sistema la grammatica,

mi segnala dove la struttura zoppica o una frase è troppo contorta e verifica le fonti di ciò che ho scritto.
Ho creato un connettore locale che gli permette di generare autonomamente l'immagine di copertina utilizzando Gemini,

passando i file di riferimento necessari e aggiungendo successivamente i testi.

Il tutto senza che io debba intervenire ogni volta o rispiegare da capo cosa deve fare.

Sembra una banalità, e in un certo senso lo è. Ma è la differenza tra rifare la stessa spiegazione cento volte

e costruire un sistema che abbia già tutto il contesto necessario.

Skills e server MCP, spiegati senza fronzoli

Da lì ho iniziato ad allargare il discorso ad altri due concetti che, per chi lavora già così, saranno arcinoti: skills e server MCP.

Le skills sono, in pratica, cartelle di istruzioni che l’IA carica solo quando servono per un compito specifico.

Non le tiene tutte in testa ogni volta, come farebbe un impiegato con troppi manuali da ricordare a memoria.

Le richiama quando le occorrono, per quel task preciso, e le lascia da parte per il resto della conversazione.

Anthropic la chiama progressive disclosure, io la chiamo semplicemente non impazzire a ripetere sempre le stesse cose.

I server MCP, Model Context Protocol, sono un’altra faccenda, più infrastrutturale.

Prima che esistesse questo standard, collegare un’IA a uno strumento esterno, un database, una casella email,

un gestionale, era un lavoro artigianale, diverso ogni volta.

Anthropic ha proposto un protocollo comune proprio per evitare che ogni integrazione fosse un pezzo unico da costruire da capo.

In pratica: invece di spiegare ogni volta come accedere a un certo strumento, esiste un modo standard con cui l’IA e quello strumento si parlano.

Il vantaggio pratico, per me, è stato smettere di fare da tramite manuale tra l’IA e i sistemi che uso davvero.

Le chiavi del server, e un salto di responsabilità

Il passo più concreto, e anche quello di cui vado meno fiero di parlare a cuor leggero, è stato installare un agente AI

direttamente su uno dei server dove ospito i siti dei miei clienti.

Ne ho scritto qui, con tutti i dettagli su permessi limitati, log e conferme obbligatorie, non lo ripeto qui.

Dico solo questo: passare da l’IA che mi suggerisce codice in una chat a l’IA c

he esegue comandi veri su un sistema con dati reali di clienti veri è un salto di responsabilità

che non avevo previsto quando ho scritto il primo articolo.

Ed è anche il punto in cui ho capito che la parte tecnica dell’IA, in fondo, la sapevo già usare.

Quello che mi mancava era la disciplina attorno:

dove metto i limiti, cosa non le faccio mai fare da sola, cosa resta un controllo umano non negoziabile.

PromptOps, e il fatto che non sono ancora andato fino in fondo

Nel frattempo ho scoperto anche strumenti come PromptOps, pensati per orchestrare più agenti AI in parallelo invece di uno alla volta in un terminale.

L’idea, semplificando parecchio, è passare da operatore che lancia un comando alla volta a regista che coordina un piccolo team di agenti,

ognuno con un ruolo, mentre tu resti quello che decide la direzione.

Qui sono onesto fino in fondo: l’ho provato, mi incuriosisce, ma non l’ho ancora integrato stabilmente nel mio flusso di lavoro quotidiano.

Non sono un prompt engineer, e buona parte di quello che sto scoprendo ora sarà scontato per chi lavora in questo campo da più tempo di me.

Ma è proprio questo il punto dell’articolo: non serve essere un esperto per iniziare a costruire un sistema, invece di accontentarsi di una chat.

Perché funziona, e dove invece no

Funziona perché elimina l’attrito più stupido di tutti: rispiegare ogni volta chi sei, come lavori, cosa ti serve.

Il contesto, finalmente, resta lì. Non lo ricostruisci ogni mattina come Sisifo con il suo masso.

Non funziona, anzi diventa pericoloso, se lo confondi con il permesso di smettere di pensare.

Un sistema più strutturato con un’IA dentro amplifica quello che gli dai in pasto:

se il tuo processo è confuso, ottieni confusione più veloce, non ordine.

E resta valido, oggi più di prima, il principio che avevo già applicato con l’agente sul server:

meno privilegi possibili, controllo umano sempre presente sulle decisioni che contano davvero.

Cosa cambia davvero, nel concreto

Passo meno tempo a ripetere contesto e più tempo a decidere cose che contano:

architettura, priorità, cosa dire a un cliente quando la soluzione facile non è quella giusta.

È comparso però anche un lavoro nuovo, quello di mantenere aggiornati progetti, istruzioni e skills.

Un piccolo costo che prima non esisteva, perché prima non esisteva nemmeno il sistema.

C’è il rischio, reale, di innamorarsi dell’impalcatura e dimenticarsi il lavoro vero:

ho passato più di una serata a sistemare un’istruzione invece che scrivere codice per un cliente, e non è sempre stato tempo ben speso.

La parte umana del lavoro, capire cosa serve davvero a un cliente, tradurre un bisogno vago in una soluzione precisa,

gestire la fiducia in una relazione che dura anni, quella per ora resta dov’era.

Magari, come dicevo, non resterà per sempre centrale quanto lo è oggi.

Ma se dovesse sparire del tutto, ho già il mio piano B pronto: un podere isolato, qualche animale e nessun server da amministrare.

Per ora, quel giorno sembra ancora lontano.

Un lavoro che cambierà comunque, che ci piaccia o no

Non scrivo questo articolo per convincerti che devi fare lo stesso, o che chi non usa l’IA in questo modo sta sbagliando.

Lo scrivo perché sei mesi fa avrei giurato di aver già capito abbastanza, e mi sbagliavo.

Tu a che punto sei? Ancora ai primi esperimenti in chat, o hai già iniziato a costruire un sistema tuo?

Scrivilo nei commenti.