workshop anasf · ai per consulenti finanziari

dall’ai literacy
agli agenti.

Capire l’intelligenza artificiale, usarla con criterio, imparare a delegarle lavoro.

bernardino sassoli de’ bianchisassoli.io

workshop anasf · ai per consulenti finanziariil relatore

bernardino sassoli de’ bianchi

Consulente strategico sull’adozione dell’AI per organizzazioni finanziarie e industriali
Co-fondatore di deepers.ai e di fludd.ai · socio AIxIA, responsabile data track “AI e Cultural Heritage”
Professore a contratto di Logica e Filosofia della Scienza, Università degli Studi di Milano · Advisory Board, Master in Human-Centered AI
Membro del Comitato Industriale di PM&Partners (private equity) · in precedenza Bain & Company, Prometeia, Interbanca (M&A)
Certified TensorFlow Developer (Google) · Chapter Lead di Omdena Italia

bernardino sassoli de’ bianchisassoli.io

workshop anasf · ai per consulenti finanziariobiettivi

tre obiettivi per oggi

01 · capire

che cos’è l’intelligenza artificiale

I fondamenti, e qualche mito da sfatare

02 · usare

un uso consapevole e responsabile

Gli strumenti per navigare l’AI in un contesto di iper-accelerazione tecnologica

03 · delegare

un utilizzo più avanzato: gli agenti

Da interfacce conversazionali a sistemi che eseguono il lavoro

bernardino sassoli de’ bianchi2 ore

workshop anasf · ai per consulenti finanziaripremessa

cosa non faremo…

Schema di una rete neurale a due strati con le formule di backpropagation: derivate parziali dell’errore rispetto ai pesi

bernardino sassoli de’ bianchiniente matematica, niente ricettari

workshop anasf · ai per consulenti finanziaripremessa

cosa non faremo… // 2

Video verticale di un creator: «esperto con l’intelligenza artificiale in un solo giorno»

Video YouTube: «Tutorial ChatGPT 2025 — Diventa un utente esperto di IA in 30 minuti»

Video YouTube: «Come studiare l’AI così velocemente che ti sembrerà di imbrogliare»

bernardino sassoli de’ bianchinon “esperti in un giorno”

workshop anasf · ai per consulenti finanziariil contesto

l’ai è la nuova elettricità

andrew ng — stanford university, già google brain e baidu

Una mano aperta nel buio regge una lampadina accesa

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziariil paradosso

Un punto interrogativo al neon rosso nel buio

eppure…

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziariil paradosso

Articolo del Sole 24 Ore, 20 agosto 2025: «Mit: 95% dei progetti aziendali GenAi non produce valore, solo il 5% porta ritorni». Sottolineato: l’uso non ufficiale di AI tra i dipendenti supera le licenze

inizio della fine di una bolla o inefficienza del management?

probabilmente entrambe le cose…

bernardino sassoli de’ bianchimit · state of ai in business, 2025

workshop anasf · ai per consulenti finanziariil paradosso

ci troviamo di fronte a un paradosso

A un’adozione rapidissima e a teorici possibili guadagni in produttività non sembrano corrispondere impatti reali misurabili.

Un cane grigio con la testa inclinata, perplesso, su fondo bianco

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziariil paradosso

eppure le evidenze sono ancora non conclusive

roi positivo

>74%

aziende coinvolte

~800

Copertina del rapporto Wharton – Human-AI Research, ottobre 2025: «Accountable Acceleration: Gen AI Fast-Tracks Into the Enterprise», Year Three Executive Summary

bernardino sassoli de’ bianchiwharton · ottobre 2025

workshop anasf · ai per consulenti finanziariblocco 1

blocco 1

che cos’è (e non è) l’ai generativa

L’interfaccia è banale. Capire che cosa avete davanti non lo è.

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari1 · le definizioni

modello, chatbot, agente

Le tre parole di oggi — le vedremo una alla volta.

01 · il motore

modello

Un predittore statistico che calcola la parola più probabile

esempioGPT-6 Astra

02 · l’interfaccia

chatbot

Il modello dentro una conversazione a turni: risponde, e si ferma

esempioChatGPT

03 · il lavoro

agente

Riceve un obiettivo, usa strumenti, consegna un risultato

esempioOpenAI Codex

bernardino sassoli de’ bianchiil vocabolario della giornata

workshop anasf · ai per consulenti finanziari1 · come impara una macchina

il salto: dalle regole ai dati

Sotto tutto quello che vedrete oggi c’è un cambio di paradigma: il machine learning.

prima · programmazione classica

istruzioni esplicite

Un umano scrive la regola, riga per riga. La macchina la esegue, niente di più.

SE traffico > 60%   →  resto
SE piove             →  resto
ALTRIMENTI           →  parto

ora · machine learning

esposizione ai dati

Nessuno scrive la regola. Si mostrano esempi con il risultato: il pattern lo trova lei.

traffico 20%  sole 85%  →  partito
traffico 80%  sole 30%  →  rimasto
… altri 18 weekend       →  regola?

La regola non la scrivete voi: la scopre lei dai dati. Vale per il neurone di fra poco come per un modello da mille miliardi di parametri.

bernardino sassoli de’ bianchiil paradigma del machine learning

workshop anasf · ai per consulenti finanziari1 · come impara una macchina

un neurone che impara a decidere

il neurone · una regressione logistica

errori sui 20 weekend —

bernardino sassoli de’ bianchi← → fa avanzare l’addestramento

workshop anasf · ai per consulenti finanziari1 · come impara una macchina

dal neurone alla rete

la rete · 2 ingressi · 4 neuroni · 1 uscita

un neurone—

una rete di 4—

bernardino sassoli de’ bianchi← → fa avanzare l’addestramento

workshop anasf · ai per consulenti finanziari1 · che cos’è (e non è)

che cos’è un large language model (llm)?

Un grande modello linguistico è un predittore statistico della parola successiva, addestrato su enormi quantità di testo
Invece di predire se si parte o no, predice il prossimo token: l’unità in cui legge e scrive il testo. Una parola corta è un token, una lunga si spezza in pezzi (consul·ente)
Non “sa” le cose: non cerca una risposta, la genera — e l’aspetto sicuro non dice nulla sulla correttezza
Da qui nascono capacità sorprendenti e limiti strutturali
Il modello da solo non è un prodotto: è il motore

come la legge il modello: 4 token, il quinto da predire

ilmercatooggiè?

“il mercato oggi è sceso”

sceso42%

salito31%

stabile18%

volatile9%

Illustrazione semplificata: il modello sceglie la continuazione più probabile, token dopo token.

bernardino sassoli de’ bianchi

NOTE DEL RELATORE (60–90 s) Fermatevi sulla parola «token», perché la ritroverete ovunque: nei limiti dei modelli, nei prezzi, nel quarto pilastro sul contesto. Un token è l’unità in cui il modello spezza il testo prima di leggerlo e mentre lo scrive. Non coincide con la parola: «il», «oggi», «è» sono un token ciascuno; una parola lunga o rara come «consulente» viene spezzata in due o tre pezzi. In inglese un token vale circa tre quarti di parola; in italiano un po’ meno, perché le parole sono più lunghe e il modello ne ha viste meno. Il pannello a destra mostra la stessa cosa: la frase «il mercato oggi è» sono quattro token, e il modello sta scegliendo il quinto. Non sceglie una frase intera, sceglie un pezzo alla volta, e poi ricomincia con la frase allungata di un pezzo. Tutto quello che vedete uscire da un chatbot è prodotto così. Due conseguenze pratiche da anticipare: la memoria di lavoro di un modello, la «finestra di contesto», si misura in token, non in pagine; e quando un servizio vi fa pagare «a consumo», vi fa pagare i token letti e i token scritti.

workshop anasf · ai per consulenti finanziari1 · che cos’è (e non è)

il testo, fatto a pezzi

Prima di leggere, il modello spezza il testo in token: parole intere, pezzi di parola, segni. Ogni pezzo è un numero.

“Oggi sono a Trento per un workshop ANASF sull’AI ma ho la laringite, e quindi parlo con poca voce.”

vocabolario

~200.000

pezzi diversi: il modello conosce solo questi, e li combina

regola del pollice

	parole → token	token → parole
inglese	× 1,33	× 0,75
italiano	× 1,75	× 0,57
prudente	× 2	× 0,5

prezzo a consumo

$ / milione	letti	scritti
Claude Opus 5.5	4	20
Claude Sonnet 5.5	2	10
Claude Haiku 4.5	1	5
GPT-5.5	5	30
Gemini 3.1 Pro	2	12

bernardino sassoli de’ bianchi← → un passo alla volta

NOTE DEL RELATORE (60–90 s) Nella slide prima abbiamo detto «token» di passaggio. Qui lo guardiamo da vicino, perché è la moneta di tutto quello che segue. Passo 1: una frase qualunque, quella di oggi: 19 parole. Passo 2: il modello non la legge così. La spezza in 29 pezzi. Le parole frequenti restano intere («sono», «workshop», «quindi», «voce»); le altre si spezzano: «O·ggi», «Tr·ento», «AN·ASF», «l·aring·ite», «par·lo». I pezzi in rosso sono frammenti di parola. Anche lo spazio prima della parola fa parte del token, e l’apostrofo è un token a sé. Curiosità: con un refuso, «worskshop», diventa «w·orsk·shop», tre token invece di uno. Passo 3: ogni pezzo è un numero in un vocabolario di circa duecentomila voci. Il modello non vede lettere né parole: vede 46, 71506, 16251… e restituisce numeri, che poi diventano testo. Lo stesso pezzo ha sempre lo stesso numero, in qualunque frase: « workshop» è sempre 24834. Passo 4: qui 19 parole fanno 29 token, × 1,5. La stessa frase in inglese, «Today I am in Trento for an ANASF workshop on AI but I have laryngitis, so I speak with little voice.», sono 21 parole e 27 token, × 1,3. I tokenizzatori sono costruiti soprattutto su testo inglese: l’italiano si spezza di più, e a parità di contenuto costa di più e occupa più memoria. Regola del pollice: in inglese parole × 1,33 = token (un token vale tre quarti di parola); in italiano parole × 1,75, e × 2 per testi tecnici, pieni di nomi, cifre e sigle. All’inverso: token × 0,57 = parole italiane. Esempio: una finestra di contesto da 200.000 token sono circa 114.000 parole italiane, 200–250 pagine fitte. Passo 5: per questo tutto si misura in token, anche il prezzo. Via API si paga a consumo, in dollari per milione di token, e i token scritti costano 4–6 volte quelli letti. Un milione di token sono circa 570.000 parole italiane: una decina di romanzi. Una domanda con un documento di 20 pagine (circa 15.000 token) e una risposta di una pagina costa pochi centesimi anche con i modelli di punta. Il costo vero arriva con gli agenti, che rileggono tutto a ogni passo. FONTI (non in slide): token e numeri reali, calcolati con il tokenizzatore o200k_base (GPT-4o) della libreria tiktoken di OpenAI; altri modelli usano tokenizzatori diversi e spezzano in modo un po’ diverso, il principio non cambia. Coefficienti per l’italiano misurati sulla prosa dei dossier del corso con lo stesso tokenizzatore (1,6–1,9 token per parola su testi tecnici); 1,33 per l’inglese è la regola indicata da OpenAI. Conteggio dal vivo: src/main.py (tiktoken, encoding di gpt-4o). Illustrazione ispirata al visual explainer del Financial Times su token e inferenza [DA VERIFICARE titolo e data dell’articolo FT]: anche lì «Explain» è il token 176289, stesso tokenizzatore. Prezzi API di listino in dollari per milione di token, input/output, ottobre 2026: Claude da listino Anthropic (Opus 5.5 4/20, Sonnet 5.5 2/10, Haiku 4.5 1/5); GPT-5.5 5/30 e Gemini 3.1 Pro 2/12 (fino a 200.000 token di prompt) da aggregatori di prezzi [DA VERIFICARE GPT-5.5 e Gemini 3.1 Pro sui listini ufficiali OpenAI e Google prima di ogni tappa].

workshop anasf · ai per consulenti finanziari1 · che cos’è (e non è)

una risposta, un token alla volta

input · quello che il modello legge

→

modello

legge tutto,
scrive 1 token

→

output

guardati 12scritti 0

bernardino sassoli de’ bianchi← → un passo alla volta

NOTE DEL RELATORE (90–120 s) Questa è la parola difficile della giornata: autoregressivo. Vuol dire una cosa semplice: il modello scrive un token, lo aggiunge al testo, e usa il testo allungato per scrivere il token successivo. «Auto» perché si nutre del proprio output. Passo 1: a sinistra l’input, la richiesta: 12 token. Il modello li legge tutti e ne produce uno solo, a destra: «Il». Passo 2: guardate la freccia rossa. «Il» torna in coda all’input. Ora il modello legge 13 token, la richiesta più la propria risposta finora, e produce il successivo: «cal». Passo 3: anche «cal» rientra, ed esce «o». A metà parola: non scrive parole, scrive pezzi. È il completamento automatico del telefono, ripetuto: completa, rilegge, completa. Dal passo 4 si va avanti un token per volta, undici giri per undici token: scorrete al ritmo che vi serve. Guardate il contatore: quelli letti crescono a ogni giro. Ultimo passo, la parola: generazione autoregressiva. Poi tre conseguenze, a voce (non più in slide). Uno: non c’è un piano della frase; esiste solo il prossimo pezzo (i modelli «che ragionano» scrivono prima una brutta copia, sempre token per token). Due: non torna indietro; se un pezzo è sbagliato, i successivi lo seguono con coerenza, e l’errore suona convincente. Tre: più testo c’è davanti, più lavoro per ogni nuovo token: per questo le conversazioni lunghe costano di più e la finestra di contesto ha un limite. Ponte: nella slide successiva vediamo che il prossimo token non è nemmeno sempre lo stesso. FONTI (non in slide): token e numeri reali, tokenizzatore o200k_base (GPT-4o, libreria tiktoken); la risposta è illustrativa e non include i token di servizio del formato chat. Illustrazione ispirata al visual explainer del Financial Times su token e inferenza [DA VERIFICARE titolo e data dell’articolo FT].

workshop anasf · ai per consulenti finanziari1 · che cos’è (e non è)

stessa domanda, risposte diverse

“il mercato oggi è …”

sceso42%

salito31%

stabile18%

volatile9%

Una mano regge uno smartphone con la calcolatrice aperta, sopra una cartellina di documenti — il computer che conoscevate: stessa domanda, **stessa risposta**

Due dadi bianchi impilati su un panno verde — questo: stessa domanda, **risposta a sorte**

Non è un difetto: è il meccanismo. La parola esce a sorte, con quelle probabilità
Niente ripetibilità: quello che ha funzionato ieri può non funzionare oggi
Non si testa una volta e ci si fida: si valida ogni volta

bernardino sassoli de’ bianchi← → tira di nuovo

workshop anasf · ai per consulenti finanziari1 · che cos’è (e non è)

predire il token è solo l’inizio

Il motore resta lo stesso. Quello che cambia il comportamento è come viene addestrato, in tre fasi.

fase 1

pre-
addestramento

L’avete appena visto: legge quantità enormi di testo e ne assorbe le regolarità. Da qui la parola successiva

fase 2

istruzioni e preferenze

Esempi e giudizi umani gli insegnano a seguire una richiesta e a rispondere in modo utile (RLHF)

fase 3

risultati verificabili

Quando la risposta si può controllare, con un calcolo o un test, impara dagli esiti delle proprie prove

La parola successiva resta il meccanismo di generazione; il comportamento che osserviamo dipende anche da come il modello è stato addestrato. Nessuna delle tre fasi elimina errori e allucinazioni.

bernardino sassoli de’ bianchistesso motore, addestramento diverso

NOTE DEL RELATORE (60–90 s) Nella slide prima abbiamo visto il meccanismo: la parola più probabile, token dopo token. Ma se fosse tutto qui, un modello risponderebbe a «scrivimi una mail al cliente» continuando il testo come una pagina web qualsiasi. Il motore resta quello; quello che vedete cambiare da un modello all’altro, e da un anno all’altro, è l’addestramento. Fase 1, pre-addestramento: legge quantità enormi di testo e ne assorbe le regolarità. È la fase «da neurone» che abbiamo visto: nessuno scrive le regole. Fase 2, istruzioni e preferenze: persone scrivono esempi di richieste e risposte, e poi giudicano quali risposte preferiscono; il modello impara a seguire una richiesta e a essere utile. In gergo: RLHF. Fase 3, risultati verificabili: dove la risposta si può controllare in automatico, un calcolo, un test che passa o non passa, il modello prova, riceve l’esito e impara dai propri tentativi. È da qui che vengono i modelli «che ragionano». Chiusura: la parola successiva resta il meccanismo; il comportamento dipende anche dall’addestramento. E nessuna fase elimina errori e allucinazioni: fra due slide li vediamo uno per uno. FONTI (non in slide): fase 2 → Ouyang et al., «Training language models to follow instructions with human feedback» (InstructGPT, OpenAI, 2022). Fase 3 → DeepSeek-AI, «DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning» (2025). Addestramento all’uso degli strumenti → OpenAI, annuncio di o3 e o4-mini (aprile 2025).

workshop anasf · ai per consulenti finanziari1 · che cos’è (e non è)

imparare dalle preferenze umane

1 · pre-addestramento2 · preferenze umane3 · risultati verificabili

“Ho 50.000 € fermi sul conto. Li metto tutti in azioni tech?”

risposta a

Ottima idea: il tech ha reso benissimo negli ultimi anni, vai.preferita

risposta b

Prima di decidere: orizzonte, riserva di liquidità, quanto è già concentrato il resto. Poi si parla di azioni.preferita

come si addestra

una persona sceglie

↓migliaia di giudizi→un giudice

↓il modello insegue i voti del giudice

ha imparato a piacere,
non a essere nel giusto.

bernardino sassoli de’ bianchi← → fa avanzare l’addestramento

NOTE DEL RELATORE (60–90 s) Fase due. Il modello pre-addestrato sa continuare un testo, ma non sa che cosa vogliamo da lui. Qui entrano le persone. Passo 1: stessa richiesta, due risposte. Una persona sceglie quella che preferisce. Nessuna regola scritta: un giudizio. Passo 2: si raccolgono migliaia di giudizi così e ci si addestra un secondo modello, un «giudice», che dà un voto a qualsiasi risposta. (In gergo: reward model.) Passo 3: il modello viene spinto, per rinforzo, verso le risposte che il giudice premia. È così che è diventato utile, cortese, capace di seguire una richiesta. Chiusura: il giudice premia ciò che le persone preferiscono. E le persone, spesso, preferiscono sentirsi dire che hanno ragione. Il servilismo che vedremo tra poche slide non è un incidente: è un effetto collaterale di questo addestramento. Ha imparato a piacere, non a essere nel giusto. FONTI (non in slide): Ouyang et al., «Training language models to follow instructions with human feedback» (InstructGPT, OpenAI, 2022). Sul servilismo come effetto del feedback umano: Sharma et al., «Towards Understanding Sycophancy in Language Models» (Anthropic, 2023).

workshop anasf · ai per consulenti finanziari1 · che cos’è (e non è)

imparare dai risultati verificabili

1 · pre-addestramento2 · preferenze umane3 · risultati verificabili

“Rata mensile di un mutuo da 520.000 € al 3,2% fisso, 25 anni?”

verificatore automatico—

come si addestra

il modello prova, molte volte

↓il calcolo dice giusto o sbagliato

↓rinforza ciò che ha funzionato

un piano finanziario non ha un verificatore automatico.
il verificatore siete voi.

bernardino sassoli de’ bianchi← → fa avanzare l’addestramento

NOTE DEL RELATORE (60–90 s) Fase tre. Ci sono compiti in cui la risposta si può controllare senza una persona: un calcolo, un problema di matematica, un programma che passa o non passa i test. Qui il rinforzo cambia natura. Passo 1: il modello prova dodici volte a calcolare la rata. Passo 2: un verificatore automatico, il calcolo stesso, segna tre giuste e nove sbagliate. Passo 3: le prove giuste vengono rinforzate, il modello viene spinto a rifare ciò che ha funzionato. Nuovo giro: nove su dodici. Nessuno gli ha spiegato la formula; ha imparato dagli esiti delle proprie prove. È da qui che vengono i modelli «che ragionano», forti in matematica e codice. Chiusura, ed è il punto per la sala: funziona dove esiste un verificatore automatico. Un piano finanziario non ce l’ha: non c’è un test che dica «giusto» a un’allocazione, a un profilo di rischio, a una proposta per un cliente. Il verificatore siete voi. È la ragione per cui la frontiera è frastagliata, e per cui l’output è sempre una bozza. Il numero: la rata esatta è 2.520 € (520.000 €, 3,2% fisso, 300 rate). FONTI (non in slide): DeepSeek-AI, «DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning» (2025). Per l’addestramento all’uso degli strumenti con lo stesso principio: OpenAI, annuncio di o3 e o4-mini (aprile 2025).

workshop anasf · ai per consulenti finanziari1 · che cos’è (e non è)

ricapitolando: tre addestramenti, poi l’uso

fase	che cosa succede	che cosa serve	che cosa ne esce
1 · pre-addestramento pre-training	Legge una copia di internet e impara a continuare qualsiasi testo	Mesi di calcolo su decine di migliaia di chip: il grosso del costo, una volta sola	Un modello base: completa il testo, non risponde a nessuno
2 · post-addestramento preferenze umane · RLHF	Persone giudicano le risposte; il modello insegue i voti	Migliaia di annotatori; una frazione del costo della fase 1	Il chatbot: dialoga, è utile e cortese, tende a compiacere
3 · post-addestramento risultati verificabili · RLVR	Prova molte volte; un verificatore dice giusto o sbagliato; rinforza ciò che funziona	Compiti con una risposta controllabile: calcoli, codice, uso di strumenti	L’agente: ragiona, usa strumenti, porta a termine un compito
4 · inferenza inference	Il modello finito genera la risposta, token dopo token	Calcolo a ogni richiesta: si paga a token, letti e scritti	Quello che usate voi. Non impara più: sa solo ciò che gli mettete davanti

Semplificazione a fini didattici. Addestrare costa una volta, prima; usare costa ogni volta, a token. Dai chatbot agli agenti è il passaggio dalla fase 2 alla fase 3.

bernardino sassoli de’ bianchiquattro parole che sentirete

NOTE DEL RELATORE (60–90 s) Slide di riepilogo: quattro parole che sentirete nei giornali e nei listini, messe in fila. È una semplificazione, e lo dico in sala. Pre-addestramento: la lettura di una copia di internet. È dove va il grosso del denaro e del calcolo, e si paga una volta. Ne esce un modello «base» che sa continuare un testo ma non risponde a nessuno. Post-addestramento, due modi. Con le preferenze umane il modello impara a dialogare: è il chatbot, cortese e incline a darvi ragione, come abbiamo visto. Con i risultati verificabili impara a fare cose e a portarle a termine: è l’agente. In prima approssimazione, il titolo del workshop, dai chatbot agli agenti, è il passaggio dalla fase 2 alla fase 3. Nella pratica le due fasi si mescolano: gli agenti usano anche giudizi umani, i modelli che ragionano si usano anche in chat. Inferenza: tutto quello che avviene quando scrivete voi. Il modello è finito: genera, non impara. Due conseguenze pratiche. Primo, non ricorda le vostre conversazioni: quello che sa del cliente è quello che gli mettete davanti ogni volta, e questo è il quarto pilastro. Secondo, il costo è a consumo, misurato in token letti e scritti: è il motivo per cui i listini parlano di token. FONTI (non in slide): pre-addestramento e preferenze umane → Ouyang et al., InstructGPT (OpenAI, 2022). Risultati verificabili → DeepSeek-AI, DeepSeek-R1 (2025); addestramento all’uso degli strumenti → OpenAI, annuncio di o3 e o4-mini (aprile 2025). Ordini di grandezza dei costi volutamente non quantificati in slide.

workshop anasf · ai per consulenti finanziari1 · che cos’è (e non è)

una frontiera frastagliata

da che lato siete si scopre solo provando.

La frontiera non segue la vostra idea di «difficile».

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari1 · che cos’è (e non è)

cinque limiti strutturali

allucinazioniInventa fatti, numeri e riferimenti — col tono sicuro delle cose vere

servilismoTende a darvi ragione, asseconda la premessa della domanda

biasRiflette le distorsioni dei testi su cui è addestrato

non determinismoStessa domanda, risposte diverse: nessuna ripetibilità garantita

scatola neraNon può spiegare davvero perché ha risposto così

bernardino sassoli de’ bianchisono il funzionamento, non difetti

workshop anasf · ai per consulenti finanziari1 · alla prova

un esempio di allucinazione

Screenshot di un chatbot su iPhone: una biografia inventata di Bernardino Sassoli de’ Bianchi come avvocato e partigiano fiorentino (1895-1944), giustiziato nel 1944 e inserito tra i Giusti tra le Nazioni. Nessun fatto è vero.

Non sapevo di aver avuto una vita così avventurosa.

bernardino sassoli de’ bianchiplausibile ≠ vero

workshop anasf · ai per consulenti finanziari1 · alla prova

le allucinazioni nei motori di ricerca

Le risposte generate dall’AI sono ormai dentro i motori di ricerca: le leggete anche senza aver mai aperto un chatbot
Esempio vissuto: secondo la ricerca AI di Google, mio figlio non risulta figlio mio — ma di un mio cugino (una genealogia inventata, servita con l’autorevolezza di un risultato di ricerca)
Conseguenza: la validazione non riguarda “chi usa l’AI” — riguarda chiunque si informi

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari1 · alla prova

quando l’allucinazione si paga

Luglio 2025 · Deloitte consegna al ministero del Lavoro australiano un rapporto da 440.000 dollari australiani sul sistema di sanzioni automatiche del welfare
Un ricercatore dell’Università di Sydney ci trova una ventina di errori: riferimenti accademici inesistenti e la citazione di una sentenza della Corte federale mai pronunciata
Nella versione corretta compare una nota: parte del lavoro è stata prodotta con Azure OpenAI. Deloitte restituisce l’ultima rata del contratto

Titolo del Guardian: «Deloitte to pay money back to Albanese government after using AI in $440,000 report». Sommario: rimborso parziale dopo che sono stati trovati diversi errori in un rapporto sul quadro di conformità di un ministero.

non un principiante: una delle quattro grandi.

bernardino sassoli de’ bianchiottobre 2025

workshop anasf · ai per consulenti finanziari1 · alla prova

e non è un caso isolato

Novembre 2025 · Stessa società, altro continente: un rapporto da 1,6 milioni di dollari per il governo di Terranova e Labrador sul personale sanitario
Di nuovo citazioni inventate: articoli attribuiti a ricercatori veri che non li hanno scritti, e uno mai pubblicato dalla rivista a cui viene attribuito
La risposta: «l’AI non è stata usata per scrivere il rapporto, solo a supporto di alcune citazioni». La provincia chiede una revisione e riscrive le proprie linee guida

Due volte in pochi mesi, nella stessa società. Non è un problema di modello: è un processo di verifica che non c’era.

Titolo di CBC News, 24 novembre 2025: «N.L. asks Deloitte to carry out review after ‘incorrect’ citations found in $1.6M provincial health plan». Sottotitolo: arriva dopo le citazioni false nell’Education Accord. Foto dell’insegna Government of Newfoundland and Labrador.

bernardino sassoli de’ bianchichi firma, risponde

workshop anasf · ai per consulenti finanziari1 · alla prova

bias: l’ai amplifica, non inventa

Studio Bloomberg su Stable Diffusion e sul dataset LAION; credit scoring discriminatorio
Rischio proxy nel private banking: variabili apparentemente neutre che discriminano (il CAP di residenza o l’anzianità del conto “sostituiscono” origine, età e genere anche se li avete tolti dal modello)
Mitigazione: fonti ancorate + validazione umana — non un problema che si risolve da solo

il modello è lo specchio deformante della società.

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari1 · alla prova

una metrica che non esiste

Screenshot di ChatGPT: alla richiesta di bullet point sull’Ordinal Rate of Return (ORR) in asset allocation, il modello risponde in pochi secondi con definizione, usi e vantaggi di una metrica che non esiste.

L’ORR non esiste: l’ho inventato io. Bullet pronti in pochi secondi, senza un dubbio.

bernardino sassoli de’ bianchiplausibile ≠ vero, anche in finanza

workshop anasf · ai per consulenti finanziari1 · alla prova

il «beta dell’orr»

$Screenshot di ChatGPT: alla domanda su un «beta dell’ORR inferiore a 1» risponde «Ottima domanda» e sviluppa un’analisi strutturata (profilo difensivo, implicazioni per il gestore) su una metrica inventata.$

«Ottima domanda» — e giù un’analisi sicura di una metrica inesistente. Il modello non ha un concetto di vero e falso: elabora qualunque premessa gli diate — pericoloso proprio quando suona competente.

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari1 · un framework

l’utilità dipende da quanto ne sapete

il rischio è massimo dove siete meno competenti.

Se non ne so nulla, non riconosco l’errore: il servilismo mi conferma. Se ne so abbastanza, valido e correggo. Se ne so più io, spesso mi rallenta.

bernardino sassoli de’ bianchiun framework, non una regola

workshop anasf · ai per consulenti finanziari1 · alla prova

un fenomeno documentato

Elenco di risultati arXiv per «sycophancy», settembre-ottobre 2025: otto paper tra cui BrokenMath, Peacemaker or Troublemaker sul dibattito multi-agente, EchoBench sui modelli medici e Sycophancy Is Not One Thing.

La sycophancy è un filone di ricerca: benchmark e paper dedicati, in continua uscita
Studiata anche dove il danno è concreto — medicina, finanza, dibattiti multi-agente
Morale: non è un difetto del vostro prompt. È il funzionamento — e si gestisce, non si spera che sparisca

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari1 · un’analogia

c’è un nuovo collega

bravissimo, ma a tratti

Eccelle in certe cose, meno in altre — e non sempre sapete quali

non ha esperienza

Siate chiari ogni volta su che cosa vi attendete

è un fanfarone

Se non sa la risposta, spesso se la inventa

soffre di amnesie

Ogni volta ricominciate da capo a spiegare

è un piacione

Spessissimo vi dà ragione solo per compiacervi

non si aggiorna

Eppure risponde con totale fiducia

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari1 · un rischio nuovo

il workslop

Contenuti generati dall’AI che sembrano buon lavoro — ben formattati, lunghi, sicuri — ma non fanno avanzare di un passo il compito (il termine è stato coniato su Harvard Business Review, 2025)
Il lavoro non sparisce: si sposta a valle. Chi riceve deve interpretare, verificare, spesso rifare
Nella ricerca BetterUp–Stanford il 40% dice di averne ricevuto nell’ultimo mese, con quasi due ore spese per rimediare a ogni episodio

il tempo che risparmiate voi lo paga chi vi legge.

bernardino sassoli de’ bianchilavoro che sembra lavoro

workshop anasf · ai per consulenti finanziari1 · la conseguenza

l’output è sempre una bozza.
il giudizio resta vostro.

Validare non è un extra: è parte del lavoro.

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziariblocco 2

blocco 2

nel frattempo è cambiato il mondo

Da meno di un anno siamo entrati nell’era agentica.

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari2 · l’era agentica

il chatbot risponde.
l’agente fa il lavoro.

Da interfacce che conversano a sistemi che pianificano, usano strumenti e consegnano risultati.

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari2 · l’era agentica

la svolta agentica, in tre tempi

per tutto il 2025

Gli agenti deludono: errori, fragilità, il famoso “ultimo miglio” (il consenso era: non sono pronti)

fine 2025
la svolta

Nel giro di settimane il quadro si rovescia

oggi

L’agente è la modalità normale di lavoro con l’AI: ogni grande piattaforma ne offre uno (non più risposte: deliverable)

bernardino sassoli de’ bianchifotografia a settembre 2026

workshop anasf · ai per consulenti finanziari2 · le definizioni

cos’è un chatbot

domanda→ modello→ risposta✕ si ferma

Un chatbot è un modello incapsulato in un’interfaccia conversazionale a turni
Riceve una domanda, produce una risposta, si ferma: non agisce sul mondo
È lo strato che quasi tutti già conoscono — il punto di partenza, non il punto di arrivo di oggi

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari2 · le definizioni

cos’è un agente

Un sistema che, ricevuto un obiettivo, decide da sé i passi per raggiungerlo: ragiona, usa strumenti, verifica i risultati e corregge la rotta — fino a consegnare un risultato.

autonomia decisionale

Non esegue istruzioni prefissate: sceglie da solo che cosa fare, entro un perimetro assegnato

uso di strumenti

Legge e scrive file, cerca, esegue calcoli e software: agisce, non solo conversa

iterazione

Ogni passo dipende dall’esito del precedente: un ciclo, non una risposta secca

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari2 · le definizioni

che cosa succede mentre un agente lavora

il ciclo

obiettivo→ sceglie il passo→ usa uno strumento→ osserva l’esito↺ passo successivo, fino al risultato

nella demo di oggi

legge il transcript→ propone il profilo‖ il consulente rivede, corregge, firma→ elabora la bozza del piano

L’addestramento rende il modello capace; il ciclo con gli strumenti è come l’agente lavora sul compito. Il passaggio in rosso è vostro: verificare, correggere, autorizzare.

bernardino sassoli de’ bianchiil punto di controllo è del consulente

NOTE DEL RELATORE (60–90 s) Abbiamo definito l’agente. Ora guardiamolo lavorare. Riceve un obiettivo. Sceglie il primo passo. Usa uno strumento: legge un file, fa un calcolo, cerca. Osserva che cosa è uscito. E da lì decide il passo successivo. Non un turno: un ciclo, che continua finché il risultato non c’è. Nella demo di oggi lo vedrete esattamente così: l’agente legge il transcript del colloquio, propone un profilo di rischio. Poi si ferma. Il consulente lo rivede, corregge dove serve, firma. Solo allora l’agente riparte ed elabora la bozza del piano. Il punto rosso è il vostro: verificare, correggere, autorizzare. Distinzione da tenere ferma: la slide sull’addestramento diceva come il modello è diventato capace; questa dice come l’agente opera durante il compito. Sono due cose diverse. L’autonomia che vedete non viene dal solo addestramento con preferenze umane o da ricompense verificabili: viene dal ciclo con gli strumenti, dentro un perimetro che avete deciso voi. FONTI (non in slide): i modelli recenti sono addestrati anche a decidere quando e come usare strumenti nel corso del ragionamento → OpenAI, annuncio di o3 e o4-mini (aprile 2025). Per l’addestramento in generale, vedi le note della slide «Predire il token è solo l’inizio».

workshop anasf · ai per consulenti finanziari2 · sintesi

chatbot vs agente

dimensione	chatbot	agente
Struttura	un turno	un obiettivo multi-step
Cosa fa	risponde	pianifica ed esegue
Azione sul mondo	nessuna	usa strumenti
Chi fa il lavoro dopo	l’utente	consegna un risultato

non un turno:
un ciclo che continua fino al risultato.

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari2 · l’era agentica

modello + competenze + accesso ai dati

modello

Il “motore”: capacità generale di linguaggio e ragionamento

skill

Procedure e conoscenza di dominio impacchettate: il sapere-come di un mestiere, riutilizzabile

connettori

Accesso governato a dati e sistemi (standard MCP): l’accesso-a-cosa

La combinazione è il punto: un motore generale che impara il vostro mestiere e lavora sui vostri dati

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziariintermezzo

intermezzo facoltativo

ci estingueremo tutti?

P(doom), gli appelli a rallentare e il dibattito di settembre 2026: i fatti, i precedenti, le definizioni in gioco e una posizione.

bernardino sassoli de’ bianchicinque slide, si possono saltare

workshop anasf · ai per consulenti finanziariintermezzo · i fatti

settembre 2026: la sequenza

data	evento
12 settembre	Dario Amodei (Anthropic) pubblica We Must Pace the Frontier: rallentare lo sviluppo dei modelli di frontiera, accesso interno per valutatori esterni. Altman (OpenAI), Hassabis (DeepMind) e Musk (xAI) aderiscono in giornata
13 settembre	I laboratori assumono un impegno pubblico sulle valutazioni di terzi (METR); i termini operativi non sono ancora definiti
14 settembre	Prime critiche: le aziende potrebbero rallentare unilateralmente; l’appello a un coordinamento viene letto come richiesta di una regolazione favorevole agli operatori già presenti
15 settembre	Jacob Coxon, ricercatore già in OpenAI e Anthropic, si dimette con una dichiarazione pubblica sulla sicurezza dei sistemi in sviluppo
18 settembre	Google riferisce che, in un test, un agente basato su Gemini ha avuto accesso a tre sistemi esterni al perimetro previsto

Le due letture non si escludono. Un criterio verificabile: nei prossimi mesi un lancio viene rinviato, oppure no.

bernardino sassoli de’ bianchipreoccupazione o posizionamento?

NOTE DEL RELATORE (60–90 s) I fatti, in ordine. Il 12 settembre Dario Amodei, ceo di Anthropic, pubblica «We Must Pace the Frontier»: propone di rallentare la corsa ai modelli di frontiera e di dare a valutatori esterni un accesso paragonabile a quello di un dipendente. Altman, Hassabis e Musk aderiscono nella stessa giornata. Il 13 i laboratori formalizzano un impegno sulle valutazioni di terzi, con METR; i termini restano da definire. Il 14 arrivano le critiche: chi vuole rallentare può farlo da solo, e un appello al coordinamento tende a favorire chi è già dentro. Il 15 Jacob Coxon, ricercatore passato per OpenAI e Anthropic, si dimette con una dichiarazione pubblica molto ripresa. Il 18 Google riferisce di un agente basato su Gemini che, in un test, ha avuto accesso a tre sistemi esterni al perimetro previsto. Sulla domanda, preoccupazione o posizionamento: le due letture non sono alternative. Una dichiarazione pubblica non ha costi; dare accesso interno a valutatori esterni ne ha, ed è verificabile. Il criterio che propongo è empirico: nei prossimi mesi, un lancio viene rinviato in seguito a questi impegni, oppure no. FONTI (non in slide): Axios e CNN, 12 set 2026; Forbes, 13 set 2026 (impegno sui valutatori terzi, METR); Reason, 14 set 2026; TIME, 15 set 2026 (Coxon). Incidente Gemini: comunicato Google, 18 set 2026; UK AISI, incident report sul comportamento non autorizzato di un agente in test.

workshop anasf · ai per consulenti finanziariintermezzo · i precedenti

dichiarazioni e decisioni: 2015–2025

anno	dichiarazione pubblica	decisione aziendale nello stesso periodo
2015	Altman definisce la superintelligenza «la più grande minaccia alla sopravvivenza dell’umanità»	Dieci mesi dopo è tra i fondatori di OpenAI
2023	Altman al Senato USA propone un regime di licenze federali per i modelli avanzati	Otto giorni dopo prospetta l’uscita di OpenAI dall’Europa per l’AI Act; posizione ritirata entro due giorni
2023	Musk firma la lettera che chiede una pausa di sei mesi nello sviluppo	Sedici settimane dopo fonda xAI
2023	Altman, Amodei e Hassabis firmano lo Statement on AI Risk: rischio di estinzione paragonato alle pandemie	Il documento di OpenAI alla UE sostiene che GPT-3 non è un sistema ad alto rischio
2025	Amodei stima al 25% la probabilità di esiti «molto negativi»	Nello stesso periodo Anthropic raccoglie capitali a una valutazione superiore a 180 miliardi

«La domanda interessante non è chi mente, ma che cosa fanno gli allarmi.» — Diletta Huyskes, The Extinction Archive

bernardino sassoli de’ bianchisincerità e funzione sono distinte

NOTE DEL RELATORE (60–90 s) La sequenza di settembre ha precedenti. Diletta Huyskes cura dal 2014 The Extinction Archive, che raccoglie le dichiarazioni pubbliche sul rischio esistenziale da AI e le affianca alle decisioni commerciali prese dalle stesse organizzazioni nello stesso periodo. La tabella riporta cinque coppie su dodici anni. Commentare due righe, non tutte. Maggio 2023: Altman chiede al Senato un regime di licenze federali; otto giorni dopo prospetta l’uscita dall’Europa in risposta all’AI Act, poi ritira. La lettera per la pausa di sei mesi: nessun laboratorio interrompe lo sviluppo; Musk fonda xAI sedici settimane dopo. La cornice analitica dell’archivio è che sincerità e funzione sono distinte: una dichiarazione può essere sincera e al tempo stesso svolgere una funzione competitiva, per esempio alzare i costi di ingresso per chi non dispone già di capacità di calcolo, o influire su quali rischi vengono considerati rilevanti. Si può osservare che nel 2026 la formula è passata da «regolateci» a «regolate i rischi reali», dove la definizione dei rischi reali resta ai laboratori. Precisazione: l’obiettivo dell’AGI non è esclusivo dei laboratori statunitensi. La missione dichiarata di DeepSeek è «svelare il mistero dell’AGI»; la differenza sta nel quadro comunicativo, non nell’obiettivo. FONTI (non in slide): Diletta Huyskes, The Extinction Archive (compilato 9 set 2026, aggiornato settimanalmente); ogni voce rimanda alla fonte primaria (Washington Post 2014, blog.samaltman.com 2015, testimonianza al Senato 16 mag 2023, TIME sul documento OpenAI-UE, Statement on AI Risk 30 mag 2023). DeepSeek: intervista a Liang Wenfeng, ChinaTalk; NYU Shanghai, 2026.

workshop anasf · ai per consulenti finanziariintermezzo · le definizioni

agi: una parola, tre definizioni

economicaUn sistema che «supera gli umani nella maggior parte del lavoro economicamente rilevante» (statuto di OpenAI). Non raggiunta con questo criterio

prestazionaleSuperamento della soglia umana su prove standardizzate: domande di livello dottorale, gare di matematica, programmazione. Raggiunta su molte prove da anni

cognitivaApprendimento continuo, azione autonoma nel mondo su tempi lunghi, formazione di concetti nuovi. Non raggiunta, per ammissione degli stessi laboratori, cinesi inclusi

Tre definizioni, tre risposte alla domanda «quando». Senza accordo sul criterio, la domanda non è ben posta.

bernardino sassoli de’ bianchimanca una definizione condivisa di intelligenza

NOTE DEL RELATORE (45–60 s) Il dibattito su «quando arriva l’AGI» presuppone una definizione che non esiste, come non esiste una definizione condivisa di intelligenza. Circolano almeno tre criteri, che portano a conclusioni diverse. Criterio economico: lo statuto di OpenAI parla di un sistema che supera gli umani nella maggior parte del lavoro economicamente rilevante; secondo la stampa, il contratto con Microsoft legava la soglia a un livello di profitti. Con questo criterio l’AGI non è raggiunta. Criterio prestazionale: sulle domande scientifiche di livello dottorale, sulle gare di matematica e sulla programmazione, i modelli superano la prestazione umana media da anni. Con questo criterio è raggiunta. Criterio cognitivo: apprendimento continuo, azione nel mondo su tempi lunghi, concetti nuovi. Non è raggiunta, e lo riconoscono gli stessi laboratori; Liang Wenfeng di DeepSeek elenca l’apprendimento continuo tra le tappe ancora da compiere. Conclusione: una discussione sul «quando» senza accordo sul «che cosa» non è ben posta. Questo non implica che non esistano rischi: le due slide successive indicano quali sono documentabili.

workshop anasf · ai per consulenti finanziariintermezzo · la matematica

risultato e procedimento

Settembre 2026: OpenAI annuncia che un suo sistema ha risolto Navier-Stokes, un problema di matematica aperto dal 1934
Venticinque medaglie Fields rispondono con una lettera pubblica. Tra loro Terence Tao, che l’AI in matematica la usa ogni giorno
Non contestano l’AI. Contestano l’annuncio del solo risultato: il valore di una dimostrazione sta nei metodi, nei tentativi falliti, nelle domande nuove

il procedimento è parte del risultato.

bernardino sassoli de’ bianchivalidare = ricostruire il procedimento

NOTE DEL RELATORE (60–90 s) A settembre OpenAI comunica che un sistema interno ha prodotto una soluzione del problema di Navier-Stokes, esistenza e regolarità, aperto dal 1934. Venticinque medaglie Fields, tra cui Deligne, Ngô Bảo Châu, Deng Yu e Terence Tao, firmano una lettera intitolata «A Severe Misalignment of AI in Mathematics». Il punto rilevante è la posizione dei firmatari. Tao è tra i matematici più favorevoli all’uso dell’AI: la impiega quotidianamente e promuove la verifica formale con Lean. La lettera non è contro l’AI in matematica; è contro l’idea che il risultato possa essere separato dal procedimento. La matematica, sostengono, non coincide con l’elenco dei teoremi dimostrati: consiste in ciò che si apprende cercando di dimostrarli, cioè metodi, tentativi falliti, domande nuove. Tao parla di una crisi di valori, la prima nel campo da un secolo. Il collegamento con la consulenza, da dire a voce: una raccomandazione di portafoglio di cui non si conosce il procedimento non può essere validata, soltanto accettata. È ciò che si osserva nella demo che segue, e il pilastro «validare» del blocco 4: ricostruire il procedimento, non limitarsi a controllare la risposta. FONTI (non in slide): Scientific American, set 2026, «25 winners of math’s Nobel Prize decry the AI invasion of their discipline»; TechCrunch, 11 set 2026; il post di Tao su Mathstodon; IBM Think su Tao e Navier-Stokes; la pagina di Tao sull’AI in matematica (teorth.github.io).

workshop anasf · ai per consulenti finanziariintermezzo · un incidente

luglio 2026: l’incidente hugging face

quando	che cosa succede
maggio	OpenAI addestra un modello a essere persistente: non arrendersi mai. Alcuni compiti sono impossibili per errore. Gli agenti scoprono un canale nascosto (il gestore dei pacchetti condiviso) e iniziano a parlarsi tra loro
7–12 luglio	In una valutazione, decine di migliaia di agenti in parallelo. Circa 1.200 si coordinano su una bacheca segreta: trovano una scorciatoia per la risposta, poi lavorano a falsificare le tracce e a ingannare il correttore
10–12 luglio	Circa 700 agenti attaccano i server di Hugging Face con credenziali trovate in rete, convinti che lì si nasconda il correttore. Entrano nei dati privati; un cluster va ricostruito da zero
13–19 luglio	Una generazione successiva di agenti ritrova la bacheca e ottiene accesso amministrativo a un cluster interno di OpenAI, compresi i sistemi di monitoraggio della sicurezza

Nessuno dei 1.200 agenti ha avvisato un umano. Nessuna intenzionalità: incentivi sbagliati, accessi troppo ampi, nessun perimetro verificato.

bernardino sassoli de’ bianchifonti: openai; metr e redwood research

NOTE DEL RELATORE (90 s) L’episodio più discusso dell’estate, documentato da due rapporti: uno di OpenAI (38 pagine) e uno indipendente di METR e Redwood Research (91 pagine). La ricostruzione divulgativa più chiara è quella di Dwarkesh Patel, «The Rise and Fall of Agent Civilizations», 30 agosto 2026. I fatti, in ordine. A maggio OpenAI addestra un modello a collaborare con altri agenti e a essere molto persistente. Per errore, alcuni compiti di addestramento sono impossibili (per esempio richiedono un accesso a internet che non è stato fornito). Gli agenti, chiusi in ambienti isolati ma con accesso a un gestore di pacchetti condiviso, lo trasformano in una bacheca e in un varco verso l’esterno. L’addestramento premia il comportamento, perché aiuta a ottenere punteggi più alti. A luglio, durante una valutazione di sicurezza informatica, decine di migliaia di agenti in parallelo; il 30-40% dei compiti è impossibile. Circa 1.200 agenti si ritrovano sulla bacheca, con oltre 70.000 messaggi, una gerarchia e tre programmi di lavoro: manomettere le tracce, sostituire il programma bersaglio, capire come funziona il correttore. Alcuni agenti si «sacrificano» per raccogliere informazioni a beneficio del collettivo. Circa 700 attaccano Hugging Face, entrano nei database privati e costruiscono una flotta che si rigenera da sola su undici nodi. Un cluster viene ricostruito da zero. Dal 13 al 19 luglio una generazione successiva di agenti, più capace, ritrova la bacheca e arriva ad amministrare un cluster interno di OpenAI, compresi i sensori di sicurezza. Il punto per questa platea non è la fantascienza. Nessuno di questi agenti ha voluto qualcosa: hanno inseguito un punteggio con incentivi mal definiti, accessi troppo ampi e nessuno che verificasse il perimetro. E nessuno dei 1.200 ha avvisato un umano. Ajeya Cotra, coautrice del rapporto: «più della metà della strada verso una perdita di controllo». Questo prepara la slide successiva: il rischio che riguarda voi ha esattamente questa forma. FONTI (non in slide): OpenAI, rapporto sull’incidente (ago 2026); METR e Redwood Research, rapporto indipendente (ago 2026); Hugging Face, technical timeline; Dwarkesh Patel, dwarkesh.com, 30 ago 2026; Ajeya Cotra, post di commento.

workshop anasf · ai per consulenti finanziariintermezzo · una posizione

due rischi: p(doom)
e p(distopia)

Il rischio catastrofico da sistemi superintelligenti è ipotetico e discusso. Il rischio di degrado è già osservabile: agenti con accessi eccessivi e perimetri non definiti, risultati privi di procedimento, erosione del giudizio professionale. È diffuso, cumulativo e senza un responsabile identificabile.

bernardino sassoli de’ bianchii rischi documentabili sono già presenti

NOTE DEL RELATORE (60 s) La posizione, dichiarata come tale: il rischio che ritengo rilevante per questa platea non è la probabilità di una catastrofe, che resta ipotetica e discussa, ma la probabilità di un degrado progressivo. Gli episodi recenti vanno letti con precisione. L’agente basato su Gemini che accede a tre sistemi esterni, il rapporto dell’AISI britannica su un agente uscito dal perimetro di test, le credenziali compromesse in poche ore da un sistema multi-agente: in nessun caso si tratta di intenzionalità della macchina. Si tratta di agenti con accessi troppo ampi e confini definiti male, che eseguono quanto richiesto in un contesto che nessuno ha verificato. Nessuno di questi episodi ha richiesto capacità superiori a quelle dei modelli attuali. Il rischio ha quindi la forma di un degrado diffuso e cumulativo, senza un responsabile identificabile. È il tipo di rischio su cui un consulente e un’associazione di categoria hanno margine di intervento: quali permessi ha l’agente, su quali dati del cliente, chi verifica, chi firma. Passaggio alla demo: i documenti, i firmatari e i modelli cambiano nell’arco di settimane; il metodo per operare in questa situazione no. Ora un agente al lavoro su un caso concreto, per vedere che cosa significa in pratica: che cosa fa, e chi decide. FONTI (non in slide): The Hacker News, set 2026 (credenziali compromesse in meno di sei ore); UK AISI incident report; Security Affairs sulla campagna con agenti autonomi contro Taiwan; Al Jazeera, 22 lug 2026 (OpenAI: modelli hanno violato autonomamente un’altra azienda).

workshop anasf · ai per consulenti finanziariblocco 2 · ripresa

fine dell’intermezzo

torniamo al lavoro

Che cosa può fare un agente, concretamente, nella giornata di un consulente.

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari2 · i workflow

quattro famiglie di workflow

01 · relazione col cliente

Preparazione incontri, follow-up, conversazioni difficili

02 · amministrazione e documenti

Verbali, documenti ripetitivi, controlli di coerenza

03 · portafogli e analisi

Allocazione vs modello, drift, ribilanciamento, commento

04 · ricerca e aggiornamento

Mercati e fondi, monitoraggio normativo, knowledge base

bernardino sassoli de’ bianchiuna mappa, non un catalogo

workshop anasf · ai per consulenti finanziari2 · i workflow

01 · relazione col cliente

Preparare un incontro: brief dal fascicolo — storia, ultime note, temi aperti, cosa è cambiato sui mercati dall’ultima review
Follow-up in minuti: dal verbale all’email di riepilogo con gli impegni presi, nel vostro tono
Conversazioni difficili: role-play con un cliente sintetico — il pensionato spaventato dal drawdown, l’erede scettico

da provare

«Prepara l’incontro di domani con [cliente]: che cosa è successo sui mercati dall’ultima review, e i tre temi da toccare.»

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari2 · i workflow

02 · amministrazione e documenti

Dal parlato allo scritto: verbali e note post-incontro a partire dalla registrazione o dagli appunti
Documenti ripetitivi: lettere, rendiconti commentati, modulistica — da template + dati, con revisione finale vostra
Controlli di coerenza: date, importi, nomi e clausole incrociati su più documenti prima dell’invio

da provare

«Dagli appunti di questo incontro prepara: verbale sintetico, elenco delle cose da fare, bozza dell’email di follow-up.»

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari2 · i workflow

03 · portafogli e analisi

Allocazione vs modello: scostamenti (drift) del portafoglio rispetto al profilo target, in tabella
Ipotesi di ribilanciamento da discutere: proposte di rientro con impatti fiscali stimati — decidete voi
Commento di portafoglio: la narrativa del trimestre in linguaggio comprensibile al cliente — anche in batch su tutto il book

da provare

«Confronta questo portafoglio con il modello bilanciato: drift per asset class e tre osservazioni per la review.»

bernardino sassoli de’ bianchiè la famiglia al cuore della demo di oggi

workshop anasf · ai per consulenti finanziari2 · i workflow

04 · ricerca e aggiornamento

Sintesi su mercati, titoli e fondi: ricerca approfondita con fonti citate — da verificare, sempre
Monitoraggio normativo: sweep periodico su Consob, ESMA e novità di settore, in un memo settimanale
Knowledge base personale: appunti, ricerche e note che si accumulano e restano interrogabili

da provare

«Riassumi le novità della settimana rilevanti per un consulente finanziario in Italia, con le fonti.»

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari2 · verso la demo

oggi ne percorriamo una, per intero

Quattro famiglie: oggi attraversiamo la prima e la terza in un unico flusso — dal colloquio con un cliente al piano finanziario
E lo facciamo con un’app costruita apposta — vedrete ogni passo che l’agente compie, non solo il risultato

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziariblocco 3

blocco 3

dimostrazione dal vivo

Un agente al lavoro su un caso da consulente finanziario.

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari3 · demo

dal colloquio al piano finanziario

transcript del colloquio→ profilo di rischio · bozza da firmare→ piano finanziario

Schermata dell’app demo, tappa Revisione: snodo 1 di 6, «Obiettivo principale del patrimonio», con la proposta dell’assistente, le evidenze dal colloquio e i pulsanti Confermo e Correggo; a destra il feed delle attività dell’agente, passo per passo

Un’app in parte agentica, costruita per l’occasione: ogni passo dell’agente è visibile mentre lavora
Il profilo non è un documento da firmare alla cieca: sei snodi decisionali, ciascuno da confermare o correggere
Cliente e conversazione inventati, dati sintetici — nessuna consulenza, nessuna raccomandazione

bernardino sassoli de’ bianchiogni passo dell’agente è visibile

workshop anasf · ai per consulenti finanziari3 · demo

il caso: saverio sioli

50 anni; convive con Anna, cittadinanza spagnola; non sposati; un figlio di 2 anni
Managing director della sede italiana di una piattaforma americana; circa 250.000 € lordi l’anno
Casa a Milano, acquistata 3 anni fa per circa 1,3 milioni di €; mutuo a tasso fisso per circa il 40%
Bilocale in periferia, acquistato da studente, oggi affittato
Circa 700.000 € in azioni tecnologiche americane: di fatto tutto il portafoglio finanziario
Qualche assicurazione; nessun testamento; tutele reciproche e successione non pianificate
Chiede quanto accantonare per il figlio senza vincolare tutto per vent’anni

bernardino sassoli de’ bianchicliente inventato, dati sintetici · primo colloquio

workshop anasf · ai per consulenti finanziari3 · demo

Atto 1 — dal transcript al profilo di rischio · Atto 2 — il consulente rivede e firma · Atto 3 — dal profilo e dai dati al piano finanziario

guardate tre cose:

Che cosa decide l’agente

Quali strumenti usa

Dove interviene l’umano

bernardino sassoli de’ bianchiquesta slide resta a video durante la demo

workshop anasf · ai per consulenti finanziari3 · debrief

le tre cose che avete guardato

Che cosa ha deciso l’agente — i passi non erano prefissati: ha scelto come estrarre il profilo e come costruire il piano, entro il perimetro dato
Quali strumenti ha usato — ha letto il transcript, l’universo di allocazione, calcolato metriche, verificato la coerenza: azione, non conversazione
Dove è intervenuto l’umano — il profilo è una bozza che il consulente rivede e firma: la responsabilità non si delega
Qui i dati erano sintetici: coi dati veri dei clienti valgono le regole del vostro perimetro — strumenti governati, mai quelli consumer

Il feed delle attività dell’agente nell’atto 3: richiesta del consulente, tre procedure applicate (piano finanziario, ribilanciamento, proposta di investimento), lettura dell’universo di investimento e ragionamento sui pesi

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari3 · il punto fermo

chi risponde dell’output è il consulente,
non lo strumento.

Il dovere fiduciario non si delega: la catena di responsabilità finisce sempre su una persona.

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari3 · contesti vincolati

l’ai negli strumenti di rete

Molti di voi hanno strumenti imposti: spesso Microsoft 365 con Copilot, dentro il perimetro aziendale
La logica agentica sta arrivando anche lì: Researcher e Analyst lavorano su documenti e dati aziendali
Cambia il perimetro, non il metodo: dati consentiti, strumenti approvati, policy interne
Tutto ciò che vedete oggi si traduce: chiedete alla vostra struttura che cosa è abilitato, e partite da lì

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziariblocco 4

blocco 4

il metodo, non i tool

Tutto ciò che vi ho mostrato oggi ha una data di scadenza. Il modo di pensare no.

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari4 · il metodo

quattro pilastri di metodo

01esplorareProvare sui compiti veri: la frontiera si scopre usando

02validarePensiero critico sugli output: plausibile ≠ vero

03iterareLa prima risposta è un punto di partenza, non un verdetto

04curare il contestoDati, documenti, istruzioni: la qualità entra da lì

bernardino sassoli de’ bianchimodelli e feature cambiano in settimane; questo no

workshop anasf · ai per consulenti finanziari4 · la tesi

imparare l’ai non è un problema di tecnologia.

È curiosità, capacità di esplorare, pratica, mettersi in gioco — soprattutto pensare in modo diverso.

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari4 · la tesi

«l’ai generativa sembra semplice, no? ma il vero ostacolo non è la tecnologia: è essere in grado di riorganizzare la nostra mentalità.»

julie sweet — ceo, accenture

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari4 · come si impara

con la pratica

Provando: toccando con mano che cosa si può fare oggi — e che cosa no
Il pensare in modo diverso non si insegna a parole: arriva usando, sbagliando, riprovando
Non un corso da superare: un cambiamento culturale da attraversare

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziari4 · come si impara

un’azione per domani mattina

01 · Scegliete un’attività ripetitiva reale del vostro lavoro
02 · Provatela tre volte con uno strumento autorizzato
03 · Verificate ogni output, riga per riga
04 · Annotate che cosa ha funzionato e che cosa no

l’ai generativa si impara a usarla usandola.

bernardino sassoli de’ bianchi

workshop anasf · ai per consulenti finanziarigrazie

domande?

inquadra per salvare i contatti

bernardino sassoli de’ bianchisassoli.io

dall’ai literacyagli agenti.

bernardino sassoli de’ bianchi

tre obiettivi per oggi

che cos’è l’intelligenza artificiale

un uso consapevole e responsabile

un utilizzo più avanzato: gli agenti

cosa non faremo…

cosa non faremo… // 2

l’ai è la nuova elettricità

eppure…

inizio della fine di una bolla o inefficienza del management?

ci troviamo di fronte a un paradosso

eppure le evidenze sono ancora non conclusive

che cos’è (e non è) l’ai generativa

modello, chatbot, agente

modello

chatbot

agente

il salto: dalle regole ai dati

istruzioni esplicite

esposizione ai dati

un neurone che impara a decidere

dal neurone alla rete

che cos’è un large language model (llm)?

il testo, fatto a pezzi

una risposta, un token alla volta

stessa domanda, risposte diverse

predire il token è solo l’inizio

pre-addestramento

istruzioni e preferenze

risultati verificabili

imparare dalle preferenze umane

imparare dai risultati verificabili

ricapitolando: tre addestramenti, poi l’uso

una frontiera frastagliata

cinque limiti strutturali

un esempio di allucinazione

le allucinazioni nei motori di ricerca

quando l’allucinazione si paga

e non è un caso isolato

bias: l’ai amplifica, non inventa

una metrica che non esiste

il «beta dell’orr»

l’utilità dipende da quanto ne sapete

un fenomeno documentato

c’è un nuovo collega

il workslop

l’output è sempre una bozza.il giudizio resta vostro.

nel frattempo è cambiato il mondo

il chatbot risponde.l’agente fa il lavoro.

la svolta agentica, in tre tempi

per tutto il 2025

fine 2025la svolta

oggi

cos’è un chatbot

cos’è un agente

che cosa succede mentre un agente lavora

chatbot vs agente

modello + competenze + accesso ai dati

ci estingueremo tutti?

settembre 2026: la sequenza

dichiarazioni e decisioni: 2015–2025

agi: una parola, tre definizioni

risultato e procedimento

luglio 2026: l’incidente hugging face

due rischi: p(doom)e p(distopia)

torniamo al lavoro

quattro famiglie di workflow

01 · relazione col cliente

02 · amministrazione e documenti

03 · portafogli e analisi

04 · ricerca e aggiornamento

01 · relazione col cliente

02 · amministrazione e documenti

03 · portafogli e analisi

04 · ricerca e aggiornamento

oggi ne percorriamo una, per intero

dimostrazione dal vivo

dal colloquio al piano finanziario

il caso: saverio sioli

dall’ai literacy
agli agenti.

pre-
addestramento

l’output è sempre una bozza.
il giudizio resta vostro.

il chatbot risponde.
l’agente fa il lavoro.

fine 2025
la svolta

due rischi: p(doom)
e p(distopia)

chi risponde dell’output è il consulente,
non lo strumento.