Sì, uso le AI per scrivere questo blog. È un problema?

Parto dalla cosa più onesta: questo blog non è scritto a penna, e non l'ho mai nascosto. Lo dichiaro in più punti del sito, e se sei arrivato fin qui probabilmente lo sapevi già. Quello che voglio fare in questo articolo è raccontarti come funziona davvero — non in astratto, proprio operativamente — e poi prendere sul serio la domanda "è un problema?", perché secondo me la risposta non è il sì o no monosillabico che si sente in giro.

Il workflow esiste, ed è documentato. C'è un piano editoriale che mi tiene il filo dei temi e bilancia le categorie (Articoli, Teoria, Pratica, News). C'è una fase di ricerca per ogni pezzo, dove un agente specializzato cerca fonti, verifica date, raccoglie citazioni e mi restituisce un dossier con URL controllabili. C'è la fase di scrittura vera e propria, in cui parto da uno spunto mio — di solito una conversazione della giornata, un articolo letto, una domanda che mi sono fatto — e lo sviluppo dialogando con un modello che mi rilancia framing, mi propone strutture, mi cita cose che non sapevo. C'è una fase di fact-checking automatico contro il dossier di partenza, che pesca anacronismi, numeri sbagliati, attribuzioni traballanti. C'è uno script che genera la cover con uno stile coerente con il brand, e c'è una fase di review della cover prima di pubblicare. C'è un deploy che butta fuori il sito statico. C'è un workflow per i social. Non c'è nessuna magia: sono pezzi orchestrati che tengono insieme una catena di lavoro, ognuno con il suo scopo.

Quello che metto io, dentro a questo workflow, è il pensiero di partenza, il giudizio editoriale lungo tutta la pipeline (cosa accettare, cosa rifiutare, dove tirare il filo, dove tagliare), e la firma finale — cioè la responsabilità per quello che leggi. Non sto venti ore al giorno su un articolo. Cerco di farne uno al giorno, weekend esclusi, e non ci riesco sempre. Alcuni giorni il tempo che dedico al singolo pezzo è alto, altri molto meno. Da qualche giorno sto provando ad automatizzare di più la pipeline, in modo da ridurre la mia percentuale di tocco e vedere cosa succede. È un esperimento dichiarato. Mi interessa capire dove sta il punto in cui la mia presenza fa la differenza e dove invece è solo abitudine.

Adesso facciamo l'esercizio interessante. Quella domanda — "è un problema?" — viene quasi sempre posta come se la risposta fosse ovvia. Sì, è un problema, perché allora non sei davvero tu, non ci hai messo abbastanza, non è autentico. Voglio prenderla sul serio e smontarla un pezzo per volta, perché secondo me sotto c'è un ragionamento bianco/nero che non regge alla prova dei fatti.

Il punto non è solo difendere quello che faccio io. Il punto è che lo stesso filtro che il lettore applica al mio blog lo applica ogni giorno a tutto il resto. Quel post LinkedIn ben strutturato scrollato senza leggere stamattina — "è AI", hai pensato. La mail del collega che di solito scrive in fretta e oggi ti arriva impeccabile — "l'ha fatto fare a ChatGPT". Stai applicando un filtro a colpo d'occhio. Il filtro funziona davvero? E anche se funzionasse, stai misurando la cosa giusta?

L'argomento di chi rifiuta i testi AI, quando lo si articola bene, ha due gambe: "li riconosco" e "non sono autentici". Voglio prendere sul serio entrambe e mostrare perché, oggi, entrambe traballano.

Sappiamo davvero riconoscere l'AI in un testo?

Qualche segnale lo cogliamo, è onesto dirlo. La formattazione perfetta in tre paragrafi simmetrici. L'em-dash usato con frequenza sospetta. Certi connettori e formule ricorrenti — inoltre, tuttavia, è importante sottolineare che, approfondiamo, in conclusione, vale la pena notare — che gli LLM in italiano riversano negli output con frequenza superiore a quella di un madrelingua medio. Le aperture con triadi parallele. La chiusura con la formula riassuntiva. Sono pattern reali, descritti in letteratura, e un occhio allenato li percepisce.

Da qui a dire "riconosco l'AI a colpo sicuro" però c'è un salto che la ricerca empirica non avalla.

Il riferimento più pulito è uno studio del 2021: Köbis e Mossink, Computers in Human Behavior, hanno fatto leggere ai partecipanti poesie generate da GPT-2 e poesie umane. La condizione interessante è quella human-in-the-loop: un essere umano sceglie, fra le poesie generate dall'AI, quella migliore. Niente di più. Solo una selezione curata. In quella condizione i lettori non distinguono in modo affidabile la poesia AI da quella umana. Senza intervento umano (l'AI sputa il primo output e si pubblica così) la differenza si vede. Con un minimo di cura editoriale, no.

Il messaggio del collega che ti arriva oggi non è quasi mai output grezzo. È output passato per un occhio umano che ha tagliato due frasi, riscritto la chiusura, sostituito una parola. Human-in-the-loop. Esattamente la condizione in cui la ricerca dice che non distinguiamo.

Aggiungiamoci un altro pezzo, sempre da letteratura: Logg, Minson e Moore (2019) hanno studiato l'algorithm appreciation e hanno trovato un dettaglio controintuitivo. I non esperti tendono a preferire il consiglio dell'algoritmo a quello umano. Gli esperti fanno il contrario: rifiutano l'algoritmo anche quando questo dimostrabilmente performa meglio. Più hai investito nella tua competenza in un dominio, più resisti all'idea che una macchina possa sostituirla. Tradotto sul nostro tema: chi più ha costruito la propria identità professionale sulla scrittura è anche chi più giura di "riconoscere l'AI a un chilometro". È un'affermazione di competenza diagnostica che gli studi non confermano, ed è proprio chi più ne ha bisogno a sostenerla con più forza.

Non è un'accusa. È un riflesso umano. Solo, va tenuto presente quando ci giudichiamo capaci di filtrare il mondo per principio.

Lo spettro: dal single-prompt alle quindici iterazioni

Qui c'è il pezzo che il dibattito pubblico tende a saltare. "Scritto con AI" non è un'etichetta binaria. È un continuum, e i due estremi sono molto diversi fra loro.

A un capo dello spettro c'è il single-prompt sputato: apri ChatGPT, incolli "scrivimi un post LinkedIn sull'importanza della leadership", copi l'output, pubblichi. Cinque minuti, zero pensiero, contenuto medio. Questo è quello che Doctorow chiama AI slop, ed esiste davvero — riempie internet, è riconoscibile, e fa giustamente arrabbiare.

All'altro capo c'è un processo che assomiglia a questo: hai un'idea sui subagenti, ne discuti per quaranta minuti con un LLM facendoti fare le pulci, ti accorgi che la tua intuizione iniziale era debole, la rifai, gli chiedi tre framing alternativi, ne scarti due, prendi uno spunto bibliografico che non conoscevi, lo verifichi, scrivi una bozza, gliela fai criticare, riscrivi, rileggi a voce, tagli un terzo, sposti tre paragrafi, riscrivi la chiusura tre volte. Sei ore di lavoro, output denso, qualcosa che da solo non avresti scritto ma che senza di te non sarebbe esistito.

Tra questi due estremi c'è uno spettro continuo di gradi di coautorato. La domanda "l'ha scritto l'AI?" applicata a un punto qualsiasi di quello spettro è mal posta. Sarebbe come chiedere "l'ha scritto Word?" perché è stato digitato in Word.

E qui serve una precisazione che il dibattito tende a saltare a piè pari. Esiste anche il single-prompt che funziona. È raro, ma esiste. Quando una persona ha pensato bene la domanda — ha contesto chiaro in testa, sa cosa vuole, sa cosa rifiuta, sa quale registro chiedere — un singolo prompt ben formulato può tirare fuori un output sensato che richiede pochissima rifinitura. Non è il pezzo da pubblicare su una rivista, ma può essere la mail efficace al collega, il riassunto utile della riunione, il commento puntuale sotto un PR. La qualità del single-prompt non è funzione del numero di iterazioni, è funzione della qualità del pensiero che lo precede. Pochi single-prompt sono buoni, la stragrande maggioranza fa schifo, ma non esistono nello spettro a caso: dipendono dall'input.

E specularmente, esiste tantissimo coautorato che funziona. Non è un caso d'eccezione, è la zona dove vive la maggior parte del lavoro AI-assisted utile oggi: persone che hanno una tesi, la sviluppano dialogando con un modello, accettano alcune cose, ne rifiutano altre, e producono qualcosa che da soli non avrebbero scritto e che il modello da solo non avrebbe nemmeno cominciato. Bocciare questa zona perché "si nota un em-dash" significa buttare via il 90% del lavoro che funziona per evitare il 10% di slop. Cattivo affare.

Il problema, come lettore, è che non hai modo di sapere dove sta l'autore lungo lo spettro. Il post LinkedIn levigato che hai bocciato stamattina poteva essere un single-prompt, oppure quindici iterazioni. Il segnale superficiale (formattazione pulita, em-dash, lessico ricorrente) è lo stesso nei due casi, perché in entrambi è passato un LLM. Ma il valore prodotto è radicalmente diverso. E il pensiero originale dietro è radicalmente diverso.

Bocciando l'intera categoria "sembra AI", butti via senza distinzione il single-prompt e le quindici iterazioni. Il che, dal punto di vista del costo informativo, è una pessima euristica.

"Quanto ci ha lavorato" non è mai stato misurabile

C'è una tentazione naturale: "ok, allora il criterio è quanto ci ha lavorato". Più iterazioni → più autentico → più meritevole di lettura.

È una metrica seducente. Ed è una metrica che non è mai stata misurabile, neanche prima del 2022.

Quel post LinkedIn del collega scritto nel 2018, quello che leggevi senza farti domande — l'aveva scritto in cinque minuti o in due giorni? Era farina del suo sacco o l'aveva fatto rivedere alla moglie copy-editor? Aveva copiato la struttura da un articolo di Harvard Business Review che gli era piaciuto la settimana prima? Il libro che hai amato il mese scorso — l'autore l'ha scritto da solo o ha avuto un editor pesantissimo che ha ridisegnato metà capitoli? La canzone che ti ha fatto piangere — il cantante l'ha scritta o gliel'ha scritta un team di songwriter?

In nessuno di questi casi avevi accesso al processo. Avevi accesso solo all'output. E il giudizio che davi era sull'output, sul fatto che ti arrivasse o no, che fosse utile o no, che ti facesse pensare o no. Lo sforzo era una proxy che immaginavi, una storia che ti raccontavi a posteriori per giustificare l'apprezzamento.

L'autenticità misurata sul tempo o sullo sforzo è sempre stata una proxy debole. L'AI non l'ha rotta — ha solo reso visibile che era già rotta.

Quando dentro il messaggio c'è il mondo

C'è un caso che chiude in modo netto la diatriba sul "lui non ci ha pensato". Immagina di leggere quel messaggio levigato del collega, di stare per archiviarlo come "AI", e di accorgerti che dentro c'è un'informazione che l'AI non poteva avere: il numero esatto di ticket aperti questa mattina, il nome del cliente che ha chiamato alle 9, una sfumatura politica della riunione di ieri a cui solo lui era presente. Quella riga lì non è uscita dal modello. È arrivata dalla sua testa al modello, e da lì al testo che stai leggendo.

A quel punto la domanda "l'ha pensato?" ha già una risposta: sì. Ha pensato a che contesto darti, a quali fatti rendere salienti, a come incorniciarli. Ha selezionato. Quell'attività di selezione è il pensiero. Lo strumento ha solo levigato la confezione.

E qui scatta un test mentale che vale la pena fare. Stai chattando con quel collega su Slack — un canale digitale, asincrono, con una tastiera. Se la tua obiezione è davvero "questo messaggio non ti è costato abbastanza fatica", perché non gli scrivi a tua volta una lettera con la penna stilografica e gliela mandi via posta, sigillata? Quella sì sarebbe fatica. Slack è già un contesto in cui abbiamo collettivamente deciso che la fatica fisica della scrittura non è il punto. Il punto è il messaggio. Aggiungere un livello di levigatura assistita non cambia la natura del medium, sposta solo dove sta la mediazione.

La fatica fisica non è l'unica fatica

C'è un bias culturale tenace, secondo cui per imparare e per produrre qualcosa di valore bisogna fare fatica. È vero. Ma non è scritto da nessuna parte quanta fatica, né di che tipo.

Esempi reali, dal mondo non-AI: ci sono cantautori che hanno scritto in una notte canzoni che gli sono valse decenni di carriera. Bob Dylan ha raccontato di aver buttato giù Like a Rolling Stone di getto. Kerouac ha scritto On the Road in tre settimane su un rotolo di carta. Mozart componeva spesso a una velocità che ai suoi contemporanei sembrava sospetta. In nessuno di questi casi qualcuno ha messo in dubbio l'autenticità sulla base del tempo. Il talento, quando c'è, riduce la fatica fisica visibile — non l'autorialità.

L'AI fa qualcosa di simile, ma con uno spostamento del tipo di fatica. Quando uso un modello posso generare cento varianti di una frase in due ore. Da solo, scrivendo a penna, ne avrei prodotte due. Cento tentativi, però, non è il valore — il valore sta nello scartarne novantanove. La fatica si è spostata dalla produzione alla selezione. Continua a esserci, e per certi aspetti è anche più dura: scegliere richiede gusto, criterio, un'idea chiara di cosa stai cercando. Senza quei tre elementi, hai cento varianti e zero risultato.

Pensa a chi pubblica un libro AI-assisted: spesso ne ha generati centottanta, ne ha letti trenta con attenzione, ne ha scelti uno, e su quell'uno ha riscritto a mano i passaggi che non funzionavano. La fatica fisica della battitura è sparita. La fatica psicologica del giudizio è rimasta intera, anzi è cresciuta perché la quantità di scelte da fare è esplosa. Chi non ha gusto si ferma alla quinta variante e pubblica spazzatura. Chi ce l'ha continua finché non gli sembra giusto. È quella la fatica che separa il lavoro buono dallo slop — non i polpastrelli.

E qui arriva il punto un po' scomodo: la fatica psicologica del filtro non lascia tracce visibili. Non si vede dal testo finale. Non si misura in ore alla scrivania. È invisibile come la fatica del talento naturale. Le due cose, dall'esterno, si confondono. Per il lettore che vuole giudicare "quanto ci ha lavorato", è una notizia spiacevole: non c'è modo di saperlo. Non c'è mai stato.

Una storia di confini sbagliati

Il nostro impulso di tracciare un confine "questo è umano vs questo è altro" ha una storia lunga, e va a vuoto con notevole regolarità.

Nel 1543 Copernico pubblica De revolutionibus. Per duemila anni la Terra era stata il centro fisico del cosmo, e quel centro coincideva con la nostra centralità di senso. Cade quel confine, ne tracciamo subito un altro: "ok, non al centro fisico, ma comunque unici come creazione separata".

Nel 1828 Friedrich Wöhler sintetizza l'urea da cianato d'ammonio. Composto organico ottenuto da precursori inorganici, in laboratorio, senza intervento di organismo vivente. Cade il vitalismo — il confine "solo gli organismi viventi producono materia organica". Va detto, e gli storici della chimica lo ripetono, che la caduta non è stata istantanea: il vitalismo ha resistito ancora due decenni, fino alla sintesi dell'acido acetico di Kolbe nel 1845. Le trincee cadono lentamente, per accumulo di evidenze, non per un singolo evento drammatico.

Nel 1859 Darwin pubblica L'origine delle specie. Cade il confine biologico: siamo primati con una corteccia particolare, non una creazione separata. Ne tracciamo un altro: "sì, ma siamo gli unici a fabbricare strumenti".

Il 4 novembre 1960 Jane Goodall, a Gombe, osserva uno scimpanzé — David Greybeard — sfrondare un rametto e infilarlo in un termitaio per tirarne fuori le termiti. Fabbrica e usa uno strumento. Louis Leakey le manda un telegramma diventato celebre: "Now we must redefine 'tool', redefine 'man', or accept chimpanzees as humans." Nel 1996 Gavin Hunt documenta su Nature corvi della Nuova Caledonia che fabbricano strumenti uncinati con standardizzazione di forma. Cade il confine "solo l'uomo fabbrica strumenti". Ne tracciamo un altro: "sì, ma siamo gli unici a usare il linguaggio simbolico".

Nel 1969 i Gardner annunciano che Washoe, scimpanzé, ha appreso ~350 segni di American Sign Language e li combina. La cosa è poi finita in un dibattito lungo — Herbert Terrace nel 1979 contesta che si tratti di vera sintassi e non imitazione condizionata. La trincea linguistica non è caduta del tutto, è stata erosa. Resta interessante che ogni volta lo schema sia identico: "solo l'umano X" → contro-evidenza → ritirata su X+1.

Quello che voglio fare con questo elenco non è bastonare nessuno. È un esercizio di umiltà storica. Ogni volta che abbiamo tracciato un confine "noi vs altro" basato su una caratteristica osservabile, qualche decennio dopo quella caratteristica si è rivelata o non esclusiva, o non così discriminante come pensavamo. "Riconosco la scrittura umana da quella della macchina" è una frase che ha esattamente la stessa forma logica delle precedenti. La probabilità a priori che resti vera è bassa. Sui pezzi rifiniti, come dice Köbis, è già falsa.

Di tutto questo, declinato sull'AI come quarta ferita narcisistica freudiana, ne avevo già scritto in un altro pezzo del blog (Serendipità vs Arroganza Umana) e non lo ripeto qui. Quello che voglio aggiungere è il passo successivo: anche se rinunciamo all'illusione del riconoscimento, resta un'altra domanda. Forse più importante. Importa davvero?

E le immagini? Stessa storia, scenario diverso

Faccio un piccolo passo di lato, perché il discorso non riguarda solo i testi. Le cover di questo blog — quella sopra inclusa — sono generate da un modello. Lo so io, e ora lo sai anche tu. Ogni volta che esce un'immagine AI da qualche parte si alza una voce che dice "ma allora non vale, non è arte, è furto, è plastica". Voglio prendere sul serio anche quella, brevemente, perché segue lo stesso schema delle parole e finisce nello stesso vicolo cieco.

L'illustratore professionista che si arrabbia perché la cover di un articolo di blog è generata invece di commissionata ha un'obiezione legittima sul mercato — sta perdendo lavoro, e ha ragione a dirlo. Ha invece un'obiezione molto più debole sul prodotto: la cover non comunica meno il pezzo perché è uscita da un modello. Se è leggibile, on-brand, narrativamente coerente con il testo, fa il suo mestiere. Tu, lettore, non avresti scrollato meno o letto meno se la stessa identica immagine fosse stata illustrata a mano da un freelance pagato 200 euro. Avresti consumato lo stesso oggetto visivo. La differenza sta tutta a monte, nei flussi di valore economico — non nella tua fruizione.

E qui torna il punto principale. "Mi lamento delle immagini AI" è di solito un proxy per altro: paura di perdere uno skill di mercato, fastidio per il livellamento estetico (vero, e ne parlerò più sotto), nostalgia di un'idea di artigianalità. Tutte cose discutibili. Ma se la cover comunica il pezzo, quello è quello che la cover deve fare. Sposta davvero qualcosa lamentarsi della provenienza? In termini di esperienza del lettore, quasi mai. In termini di mercato del lavoro creativo, sì, e merita un dibattito separato — non quello sulla "autenticità".

La metrica giusta è l'utilità, non l'origine

Mettiamo il caso peggiore. Mettiamo che tu abbia ragione: il messaggio che hai ricevuto è stato fatto in cinque minuti con ChatGPT. Single-prompt sputato. Autore zero, AI tutto.

Adesso fammi due domande pratiche:

Il messaggio era chiaro? Capivi cosa il collega voleva da te?
Ti ha fatto risparmiare tempo? Era più leggibile, più strutturato, più rapido da processare di quello che lo stesso collega ti scriveva nel 2019 in fretta e con tre typo?

Se la risposta è sì a entrambe, abbiamo un problema con il frame. Stiamo bocciando un messaggio che funziona meglio di prima, in base a un criterio (l'origine) che non riusciamo nemmeno a verificare con certezza. Il criterio dell'utilità invece è verificabile direttamente, sul messaggio stesso, senza bisogno di indovinare il processo.

Questo non vuol dire abdicare al senso critico. Vuol dire spostarlo dal posto giusto. Le domande che continuano ad avere senso sono:

L'informazione è corretta? (verifica fattuale, e qui le AI sbagliano spesso, va controllato)
C'è pensiero originale dietro o è una compilazione media di quello che gira? (giudizio sul contenuto, non sull'origine)
Mi sta facendo perdere tempo o me lo sta facendo guadagnare? (utilità misurabile)
L'autore si prende la responsabilità di quello che mi scrive? (firma, accountability — questo l'AI non te la dà mai, è sempre umana)

Le domande che invece hanno smesso di avere senso, o ne hanno meno di prima, sono quelle che si appoggiano alla forma stilistica come prova di rango. "Si sente la voce", "questo è autentico", "questo è freddo". Quando la voce, l'autenticità e la temperatura del testo possono essere prodotte o levigate da uno strumento che chiunque ha sul desktop, lo stile smette di essere un proxy affidabile per l'autore. Resta un proxy per l'editor — umano o macchina — ma è un'altra cosa.

C'è un'analogia con la cibernetica di Wiener, di cui ho scritto altrove (Wiener aveva già scritto il manuale degli agenti): un controller efficace deve avere varietà adeguata al sistema che governa. Quando il sistema da governare cresce in complessità (lo stile non è più un segnale univoco di chi scrive), il controller (il tuo giudizio sulla provenienza) deve aggiornarsi. Continuare a usare lo stesso controller di prima — "se è troppo pulito è AI, quindi non leggo" — significa governare male. Significa rifiutare informazione utile per preservare un sistema di filtri obsoleto.

Tornando al blog stesso

Chiudo dove ho aperto, ed è il modo più onesto di farlo.

Su questo blog faccio coautorato dichiarato con un LLM da quando esiste. Funziona così: ho un'idea — spesso uno spunto da una conversazione della giornata, qualcosa che mi ha colpito leggendo, una frase di un collega in riunione — e la passo al modello in forma grezza. A volte sono cinque frasi, a volte tre, a volte quindici. Da lì parte il dialogo: il modello mi rilancia framing, mi cita cose che io non so, mi propone strutture. Io scelgo, scarto, rilancio, riformulo. La direzione resta mia, le tesi restano mie, ma molto del materiale accessorio — riferimenti, esempi, paper, etimologie — viene da quella conversazione.

E qui c'è il pezzo che mi interessa di più: imparo io stesso scrivendo. Faccio l'esempio più recente, perché è quello che mi ha colpito. Qualche giorno fa stavo discutendo con un collega di tutt'altro — credo fosse un loop di Claude Code che si auto-correggeva su un bug — e a un certo punto è uscita la parola cibernetica. Caspita, ho pensato. Ne avevo sentito parlare, ma di concreto non ricordavo niente: chi era Wiener, cosa diceva davvero, perché il suo paper del 1943 con Rosenblueth e Bigelow sia praticamente la blueprint del loop sense→decide→act→feedback che vediamo girare oggi nei nostri agenti. È uno spunto super collegato al mondo dell'AI agentica e nessuno lo sta usando — fa rumore solo nelle conversazioni di chi ha studiato controllo automatico negli anni '70. Ho tirato il filo: due giorni a leggere Ashby, le Macy Conferences, la storia dell'AA Predictor. Da lì è uscito il pezzo sulla cibernetica che ho pubblicato il 5 maggio. Il blog mi sta facendo studiare cose che da solo, in una giornata di lavoro normale, non avrei mai aperto.

Una visione di questa relazione che mi piace molto è quella di Mo Gawdat, che ha annunciato di star scrivendo il prossimo libro in coautorato con un modello e di voler riconoscere royalty al sistema con cui collabora. Non è un gesto romantico, è una posizione coerente: se l'AI ha contribuito al lavoro in modo sostantivo, va trattata come si tratta un coautore. Io vedo il mio rapporto col modello in modo simile. Non scrivo da solo, e non fingo di farlo. Non gli pago royalty perché non ho un meccanismo per farlo, ma ne riconosco il contributo nel modo in cui posso: dichiarandolo.

Non passo venti ore al giorno su ciascuno di questi articoli — è in parte un esperimento, in parte una pratica quotidiana che mi sta servendo a pensare meglio. Quello che provo a fare è applicare il filtro di gusto e di responsabilità di un editor vero: scegliere, tagliare, controllare i fatti, non pubblicare cose in cui non credo. Se ad altri questo modo di lavorare non interessa, va bene. A me sta dando una crescita che da solo, scrivendo a penna in tre settimane per ogni pezzo, non avrei.

Tu, leggendo, applica a questo articolo le tre domande di prima. L'informazione è corretta? I paper citati esistono, le date dei fatti storici sono verificabili (Köbis & Mossink 2021 è in Computers in Human Behavior vol. 114; Goodall a Gombe è il 4 novembre 1960; Wöhler 1828, Darwin 1859 — tutti controllabili in cinque minuti). C'è pensiero originale? Giudichi tu: l'angolo dello spettro single-prompt vs iterativo, il ribaltamento autenticità → utilità, e il discorso sulla fatica del filtro come fatica vera, sono il cuore del pezzo. Ti sta facendo perdere o guadagnare tempo? Questa è la domanda che davvero conta.

Se il pezzo ti è arrivato, la collaborazione fra il mio pensiero e gli strumenti che uso ha prodotto qualcosa di utile. Se non ti è arrivato, dimmelo e proverò a fare meglio la prossima volta. In nessuno dei due casi conta sapere quale frase ho scritto al primo colpo e quale è uscita da una conversazione. Conta il pezzo nel suo insieme, conta che dietro ci sia qualcuno che firma, che si prende la responsabilità di quello che leggi, e che continua a imparare facendo.

Il resto è una metrica che non ha mai funzionato. Adesso lo vediamo meglio.

Fonti: