Method / dottrina operativa
AI in produzione: è una questione di metodo.
Lo stack giusto è Persone → Workflow → Agenti → Infrastruttura, in quest'ordine. Ogni principio qui sotto viene da un caso vero, raccontato nelle run e negli essay.
Il modello forte si spende sulle decisioni
Orchestro ogni giorno Claude Code e agenti più economici. Quando una delega lascia un buco, il worker riempie il buco con una scelta di architettura che nessuno ha preso. Per questo delego solo lavoro in cui ogni decisione è già presa, e il modello più capace lo uso per decidere e per l'ultima review.
Si parte da quello che gli esperti non chiedono
Gli amministratori di condominio chiedevano la contabilità. Messi davanti a problemi concreti, hanno scelto interventi, fornitori e comunicazioni. Chi fa un mestiere da anni chiede di automatizzare i passaggi che vede, e i più costosi sono quelli diventati abitudine. Al primo incontro chiedo sempre: cosa ti cambierebbe la vita che diamo per impossibile?
La conoscenza diventa vera quando una persona la approva
Tre tentativi di raccogliere la conoscenza sui clienti in presentazioni compilate a mano si sono fermati per lo stesso motivo: nessuno aveva il compito di aggiornarle. Nel company brain su cui gira Yempik agenti, email e riunioni propongono, e una persona approva. Ogni voce dice quanto è certa e chi l'ha decisa.
Il lavoro si ridisegna attorno a una persona e ai suoi strumenti
Portare in software l'organigramma produce gli stessi passaggi, più veloci. Io parto da una persona che conosce il lavoro e dagli strumenti AI di oggi, tengo il suo standard di qualità e ricostruisco i passaggi da zero. È la differenza tra un system of record, che registra, e un system of action, che porta avanti il lavoro.
Lo standard dell'esperto vive nei test
Una review fatta dopo dice se l'output di oggi andava bene. I test su casi reali, ripetuti più volte, dicono se andrà bene domani. Quando un modello valuta delle persone, il modello prepara e motiva, e l'esito lo calcolano regole che il formatore conosce: così ogni esito si ricostruisce passo per passo.
Harness e verifica restano miei, il modello si cambia
Tool, regole, test e osservabilità li possiedo io. Le regole che devono reggere sempre stanno nel codice che esegue ogni azione, dove il modello non può interpretarle: in un agente WhatsApp per candidature, un'azione che sembrava manutenzione dell'account apriva l'accesso all'account. Cambio modello quando i miei test dicono che conviene.
Si parte da un lavoro che conta, e si misura quello che esce dal vecchio sistema
Il primo progetto è un compito che oggi costa settimane e ha un modo chiaro di dire se è fatto bene. Poi misuro quanto lavoro esce davvero dal vecchio sistema: una mail gestita dall'agente e ancora da leggere nella casella dello studio è lavoro raddoppiato.
L'AI vale di più sul lavoro che prima nessuno faceva
Una collega che non scrive codice ha costruito piccole skill per i suoi compiti ripetitivi. Il valore più grande è stato un'anomalia che le skill le hanno segnalato, un ordine reso solo in parte, che a mano nessuno avrebbe cercato. Usata solo per tagliare costi, l'AI comprime il margine. Usata per fare lavoro nuovo, lo allarga.