Aggiornamento, ottobre 2026. La prima versione di questo articolo ragionava soprattutto sulle differenze tra ChatGPT e Gemini. In pochi mesi il mio modo di lavorare è cambiato abbastanza da rendere quel confronto quasi secondario. Non cerco più soltanto risposte: costruisco un contesto, affido un compito, verifico il risultato e decido cosa può diventare reale.
Quando avevo scritto la prima versione, usavo ChatGPT per analisi, documenti e brainstorming e Gemini come “mezzo collega” per i temi più tecnici. Era una separazione che funzionava, ma rifletteva un uso ancora legato alla singola conversazione: una domanda, una risposta, eventualmente un confronto tra due sistemi.
Oggi Gemini è diventato per me uno strumento occasionale, utile come seconda opinione ma non più parte del lavoro quotidiano. Il centro si è spostato su ChatGPT e, soprattutto, su Codex quando il lavoro riguarda file, codice, configurazioni e progetti che devono arrivare fino a una verifica concreta.
Non cerco più “l’AI migliore”
La domanda che mi interessa non è più quale modello vinca una classifica generale. Mi chiedo piuttosto: quale ambiente mi permette di portare a termine questo lavoro con il contesto, gli strumenti e i controlli necessari?
Un buon modello chiuso in una chat può spiegare molto. Un sistema che lavora dentro un progetto può leggere le fonti, confrontare file, modificare un documento, eseguire una build, osservare un errore e correggerlo. È un cambiamento sostanziale: dall’assistente che suggerisce al collaboratore che opera su oggetti reali, pur restando sotto la responsabilità di chi lo guida.
La documentazione di ChatGPT descrive i progetti come spazi in cui mantenere insieme chat, file, istruzioni e fonti. Nel caso dei progetti locali, il contesto può essere una cartella sul computer o un intero repository. È lì che, per me, l’AI ha iniziato a diventare davvero utile.
Un esempio concreto: questo sito
La revisione di questo sito è un buon riassunto del nuovo metodo. Non ho chiesto a un’AI di “farmi un sito”. Abbiamo lavorato su un progetto Hugo esistente, con una storia, contenuti già pubblicati, un tema usato come submodule, un repository GitHub e una distribuzione su Netlify.
Il lavoro ha richiesto di:
- stabilire il perimetro del progetto e inventariare ciò che esisteva;
- sostituire il vecchio tema con un frontend proprietario senza perdere contenuti e URL;
- intervenire su template, CSS, configurazione e tassonomie;
- eseguire build locali e controllare collegamenti, alias e sitemap;
- isolare le modifiche in un branch Git;
- creare una pull request e verificare il Deploy Preview di Netlify;
- pubblicare soltanto dopo il controllo umano del risultato.
Qui l’AI non ha prodotto una risposta da copiare. Ha partecipato a un ciclo fatto di analisi, modifiche, test, correzioni e conferme. È la stessa logica descritta da OpenAI per i lavori di lunga durata con Codex: pianificare, modificare, eseguire gli strumenti, osservare il risultato e riparare ciò che non funziona.
L’AI non è una persona, ma il lavoro è diventato collaborativo
Continuo a non pensare che le AI siano persone. Uso parole come “collega” perché descrivono bene l’interazione, non perché attribuisca coscienza o responsabilità a un modello.
La differenza è importante. Un collega risponde delle proprie decisioni; un’AI no. Può essere convincente quando sbaglia, può non vedere un vincolo che per noi è ovvio e può completare perfettamente il compito sbagliato. La responsabilità di definire l’obiettivo, riconoscere il rischio e approvare il risultato rimane umana.
Allo stesso tempo, il lavoro è diventato realmente collaborativo perché posso intervenire durante il percorso: correggere un’interpretazione, cambiare una priorità, mostrare una schermata, delimitare un’azione o chiedere una verifica aggiuntiva senza dover ricominciare tutto.
Instant, thinking, agenti: il modello conta meno del metodo
La distinzione tra modelli veloci e modelli capaci di ragionare più a lungo rimane utile, ma oggi la considero una scelta operativa, non una graduatoria.
Per una correzione semplice basta una risposta rapida. Per un’analisi con più vincoli serve maggiore ragionamento. Per un lavoro che coinvolge file, strumenti e verifiche serve un agente inserito nell’ambiente giusto. Usare sempre la soluzione più potente è spesso uno spreco; usare quella più veloce su una decisione difficile è un rischio.
Scelgo quindi in base a tre fattori:
- Conseguenze dell’errore. Quanto costa una risposta sbagliata?
- Reversibilità. Posso annullare facilmente ciò che stiamo per fare?
- Verificabilità. Esiste un test, una fonte o un’anteprima che mi permetta di controllare il risultato?
Le regole che oggi mi fanno lavorare meglio
Dare un perimetro prima di dare istruzioni
Un obiettivo generico produce facilmente un risultato genericamente corretto. Spiego invece cosa esiste già, cosa deve rimanere invariato, quali sistemi sono coinvolti e come riconosceremo che il lavoro è finito.
Tenere il contesto vicino al lavoro
File, fonti, decisioni e istruzioni devono vivere nel progetto, non essere ricostruiti ogni volta dalla memoria di una lunga conversazione. Il repository, la documentazione e la cronologia Git sono una memoria più affidabile di qualsiasi riassunto improvvisato.
Procedere per passaggi verificabili
Preferisco una sequenza breve — analisi, modifica, build, anteprima — a un’unica richiesta enorme. Ogni passaggio deve lasciare qualcosa che posso osservare: un diff, un report, un file o una pagina funzionante.
Distinguere tra proposta e azione
Chiedere una possibilità non significa autorizzare automaticamente la sua pubblicazione. Le azioni esterne o difficili da annullare — inviare, eliminare, acquistare, unire un branch, pubblicare — meritano una conferma nel momento in cui stanno per avvenire.
Correggere subito gli errori
Se il sistema perde il contesto, confonde una data o prende una scorciatoia, non lascio correre. L’errore corretto diventa un nuovo vincolo; l’errore ignorato tende invece a propagarsi nel resto del lavoro.
Usare una seconda opinione quando serve, non per abitudine
Confrontare due modelli può essere utile su un punto incerto, ma duplicare ogni domanda produce soprattutto altro materiale da valutare. Oggi ricorro a un secondo sistema quando voglio mettere alla prova una conclusione, non come passaggio automatico.
Dove l’AI mi aiuta davvero
Il valore maggiore continua a essere nella “manovalanza digitale”, ma il termine oggi comprende attività molto più interessanti:
- ricostruire la struttura di un progetto prima di modificarlo;
- sintetizzare documenti e confrontare versioni;
- preparare bozze che io possa criticare, correggere e rendere mie;
- automatizzare operazioni ripetitive senza perdere la tracciabilità;
- scrivere e revisionare codice, configurazioni e documentazione;
- cercare fonti aggiornate e dichiarare ciò che è ancora incerto;
- eseguire test e controlli che altrimenti rischierei di rimandare;
- generare immagini e materiali visivi da rifinire nel contesto reale in cui saranno usati.
Sulla scrittura creativa la mia opinione è diventata più precisa: l’AI non sostituisce la mia voce, ma può essere un ottimo editor. Mi aiuta a vedere ripetizioni, passaggi deboli e alternative che poi scelgo o rifiuto. Se le affido completamente il testo, il risultato tende ancora a essere corretto ma poco mio.
Cosa non delego
Non delego la definizione del problema, le priorità, la valutazione del rischio e la decisione finale. Non carico dati sensibili senza avere chiarito dove finiranno e come saranno trattati. Non considero vera un’informazione soltanto perché è espressa bene. E non pubblico qualcosa che non sarei in grado di difendere o spiegare.
La competenza nel campo rimane decisiva. Non serve conoscere già ogni risposta, ma bisogna capire abbastanza il problema da riconoscere una deviazione e formulare la verifica giusta.
La conclusione, per ora
In pochi mesi sono passato dall’usare due chatbot per compiti diversi al lavorare con un ambiente capace di accompagnare un progetto dall’idea alla pubblicazione. Il cambiamento più importante non è stato un modello nuovo: è stato imparare a costruire un processo attorno al modello.
L’AI mi è utile quando riduce il lavoro meccanico, amplia le alternative e rende più facile verificare. Diventa pericolosa quando la velocità ci convince a saltare il giudizio. Per questo continuo a considerarla un collega molto particolare: instancabile, competente in modo irregolare e bisognoso di un responsabile umano che sappia dove vuole andare.
Questo articolo rimane in aggiornamento. Non perché ogni nuova funzione meriti una nota, ma perché il vero tema è capire come cambia il nostro modo di lavorare quando questi strumenti smettono di essere una vetrina e diventano parte del processo.
