AI nella vita quotidiana -> come utilizzo l'intelligenza artificiale ogni giorno

Negli ultimi mesi mi sono immerso completamente nel mondo dell'AI, testando decine di modelli sia per lavoro che per uso personale.

A proposito, se ti sei perso le ultime evoluzioni del settore, dai un'occhiata alle mie previsioni AI pubblicate qualche mese fa qui.

In questo articolo voglio essere pratico e concreto: ti mostrerò esattamente come utilizzo l'AI ogni giorno e quali risultati ottengo.

E no, non sarà il solito articolo centrato su ChatGPT.

Iniziamo intanto con un riassunto delle mie scoperte principali.

TL;DR - In breve

Se il tuo utilizzo principale è il semplice dialogo (chat), praticamente qualsiasi modello LLM va più che bene. So che molti qui utilizzando ChatGpt.

Quando però si tratta di creare agenti AI più complessi, la scelta cambia radicalmente in base al contesto:

Per seguire istruzioni precise: consiglio Claude
Per analisi multimodali: Gemini
Per rapporto inferenza AI qualità/prezzo: Groq
Per i migliori modelli open: Deepseek, Mistral, Gemma, Llama
Per ricerche complesse: O3, Gemini Pro oppure Opus

Qui di seguito ti condivido una mia classifica degli strumenti AI che uso quotidianamente 👇

Classifica degli strumenti di intelligenza artificiale che utilizzo

Prima una piccola premessa per capire meglio perché ho classificato gli strumenti in questo modo.

L'efficacia di un tool AI dipende fortemente dal tuo caso d'uso specifico. Non esiste un "modello migliore in assoluto", ma piuttosto il modello più adatto alle tue esigenze.

Detto ciò, il mio approccio all'AI è puramente professionale.

Certo, faccio esperimenti, ma non sono un semplice consumatore di LLM senza uno scopo preciso.

Con questo in mente, ecco i 4 modi principali in cui sfrutto questi strumenti:

1. Brainstorming Coach

Avere un coach o un personal assistant, uno stratega oppure 3 in contemporanea è uno dei vantaggi più sottovalutati dell'AI.

Qui ho creato un vero e proprio Coach AI personalizzato che conosce in profondità le mie priorità, sfide e obiettivi.

Funziona come stratega, coach, psicologo e mentore nelle mie sessioni di brainstorming settimanali.

Per questo uso principalmente Claude. Il flusso è semplice: raccolgo i miei pensieri con note vocali, li elaboro con l'AI e ricevo i report via mail o Telegram.

Dietro le quinte ho sviluppato un sistema di agenti che si occupano di tutta l'automazione. Niente di complicato.

Strumenti: Claude, Voicenotes, Agenti AI

2. Ricerca e analisi su vasta scala

Gran parte del mio lavoro consiste nell'analizzare enormi quantità di informazioni e trasformarle in report o presentazioni comprensibili.

Per questo compito, Gemini è imbattibile –> gestisce sequenze di token lunghe ed eccelle nell'elaborazione di contenuti multimodali.

Lo uso come punto di partenza per tutte le ricerche complesse, dove serve analizzare grandi quantità di dati grezzi.

Quello che ho notato e' che la capacità di reasoning di Gemini è notevole. Riesce a connettere concetti apparentemente scollegati e a fornire insight che difficilmente troverei da solo.

Utilissimo per generare report strutturati partendo da dati grezzi, sintetizzare grandi quantità di informazioni in formati facilmente comprensibili, o come componente centrale nello sviluppo di agenti AI specializzati.

Strumenti consigliati: Google Studio, NotebookLM, Gemini

3. Risoluzione problemi specifici

Quando parlo di "problemi specifici", intendo quelle situazioni dove Google non basta.

Ed ecco qualche esempio concreto:

Consulenza tecnica - Quando mi trovo davanti a un bug strano o un problema tecnico complesso, l'AI analizza tutto il contesto e mi offre soluzioni che richiederebbero ore di ricerca su Stack Overflow.

Generazione ALT immagini - Per le immagini del blog, l'AI mi genera descrizioni alternative ottimizzate per i motori di ricerca. È un lavoro noioso che ora richiede secondi invece che minuti.

Analisi laboratorio - Elaboro con l'AI i risultati delle analisi mediche, ottenendo interpretazioni chiare e strutturate che poi archivio in un database. Certo, non sostituisce il medico, ma mi permette di arrivare all'appuntamento più preparato con un report ben dettagliato.

Automazione - Qui ho creato flussi di lavoro che mi fanno risparmiare ore ogni settimana: dall'elaborazione di dati grezzi alla generazione automatica di report, gestione calendario, scrittura mail e così via. La vera magia è quando questi processi girano in background mentre io faccio altro.

4. Agenti AI

Questa è la parte che trovo davvero interessante: la costruzione di agenti AI autonomi.

Sto parlando di sistemi che lavorano 24/7, eseguendo compiti complessi con minima supervisione.

Cosa fanno concretamente questi agenti?

Monitorano continuamente dati e metriche chiave
Generano automaticamente report settimanali.
Rispondono a query specifiche dei clienti.
Orchestrano flussi di lavoro complessi tra diversi strumenti.
Scrivono e rispondono a email
Usano strumenti e tool al posto mio.
E molto altro

La vera magia avviene quando questi agenti lavorano insieme in un sistema coordinato (Multi-Agente).

Ecco qui un esempio di cosa intendo 👇

Diagramma con un workflow AI multi agente — Workflow AI Multi Agente

Se sei interessato ad approfondire questo argomento, sono disponibile per una consulenza one-to-one personalizzata.

Contattami direttamente qui su Telegram o via mail a constantin@minov.it e posso mostrarti i pattern di design agentici più comuni e come implementare questi sistemi nella tua realtà professionale.

I miei confronti tra modelli LLM: cosa ho scoperto e cosa ne penso?

Molti parlano di qual è il miglior LLM sul mercato. Ma è davvero così?

Io non credo si tratti più di avere "il modello migliore" in assoluto, ma di capire quale strumento eccelle in determinati compiti specifici.

Anche perché più tempo passo in questo settore, più diventa evidente che le varie aziende hanno intrapreso percorsi di specializzazione ben precisi.

Ognuna sta sviluppando punti di forza unici per rispondere a esigenze specifiche del mercato.

Quindi ci sono modelli LLM che vanno bene per alcuni compiti e modelli che sono più efficaci per altri.

In più, con l'aiuto degli agenti, puoi sempre utilizzare più di un modello. Questo ti aiuta a sfruttare i punti di forza specifici di ciascun LLM, creando un ecosistema di intelligenze artificiali che lavorano insieme per risolvere problemi complessi.

Ed e' come avere una squadra di specialisti anziché un singolo generalista, permettendoti di ottimizzare sia le prestazioni che i costi.

Vediamo cosa ho scoperto sui principali modelli LLM che utilizzo:

Claude Sonnet e Opus

Anthropic ha pubblicato l'Anthropic Economic Index, un'analisi dettagliata dell'utilizzo dei loro modelli.

Questo studio ha rivelato che oltre un terzo delle richieste di inferenza verso Claude riguardavano matematica e programmazione, e di conseguenza l'azienda ha concentrato i propri sforzi AI in questa direzione.

Il risultato? Claude 3.7 Sonnet eccelle nel coding, quindi oggi probabilmente è il miglior modello disponibile via API per lo sviluppo software.

Vedi qui una demo che ho fatto con Claude Code dove chiedo di sviluppare una app a microservizi per Telegram in 3 minuti.

Ma il vero punto di forza di Claude è la sua precisione nel seguire istruzioni complesse.

Mentre altri modelli possono "dimenticare" parte delle istruzioni o interpretarle liberamente, Claude segue esattamente ciò che gli chiedi.

In pratica, scrivere prompt per un agente GPT richiede molto più tempo e fatica rispetto a Claude.

E qui non parlo di prompt per semplici conversazioni, ma di quelli necessari per far eseguire al modello azioni precise in contesti specifici.

Certo, anche Claude ha i suoi difetti: il costo del servizio può far storcere il naso a molti.

Per darti un'idea concreta, ecco quanto mi è costato Claude in soli due giorni di attività 👇

Ma come sempre, va valutato il ROI —> il ritorno sull'investimento che ci si aspetta.

Gemini Pro

Google ha sempre dichiarato che la sua missione è "organizzare l'informazione e renderla universalmente accessibile e utile."

I modelli Gemini eccellono nella comprensione di dati multimediali come testo, immagini, CSV, PDF e video.

Trovo Gemini particolarmente potente per:

Analisi di documenti visivi complessi
Estrazione di informazioni da grafici e tabelle
Ragionamento visivo su diagrammi e flowchart
Trascrizione video YouTube
Trasformare documenti in podcast

Il modello è quasi alla pari con O3 di OpenAI ed è capace di utilizzare strumenti come (web search, esecuzione di codice, analisi di immagini, etc).

Utile nello sviluppo degli agenti AI e con un costo abbastanza accessibile.

Per chi non lo sapesse, Google Studio e NotebookLM sono due servizi che offrono “MOLTO” gratuitamente, a patto che Google possa fare training sui tuoi dati.

Ovviamente devi fare attenzione a cosa carichi: non usarli mai per informazioni sensibili o riservate.

Il prezzo della "gratuità" è spesso l'accesso ai tuoi dati. Altrimenti, ti consiglio di sottoscrivere un abbonamento premium.

I modelli open source per creare agenti AI

Quando si tratta di costruire agenti AI, i modelli open source offrono un vantaggio incredibile: controllo, personalizzazione e costi contenuti.

Piccola premessa. Tutti i modelli open hanno esigenze diverse quando si tratta di fare prompt engineering e potrebbero richiedere prompt strutturati in modi differenti per chi abituato con ChatGPT.

Quindi temo che ti tocchi scrivere prompt e sperimentare. D’altronde però risparmi sul costo dell’inferenza.

Deepseek

Questo è il mio cavallo di battaglia open source. È impressionante quanto sia vicino alle prestazioni dei modelli commerciali premium, ma a una frazione del costo.

In particolare, lo trovo eccellente per:

Generazione di codice complesso
Documentazione tecnica
Analisi di dati strutturati

Per farti un esempio concreto: uno sviluppatore può ottenere risultati migliori utilizzando un plugin come Continue con inferenza su Groq e Deepseek, il tutto gratuitamente o a pochi centesimi, invece di pagare 10 euro al mese per Copilot.

Infatti, costruire un proprio Copilot utilizzando Deepseek risulta non solo più economico, ma anche decisamente più efficace se guardi le prestazioni.

Mistral

Mistral è il mio go-to quando lavoro con documenti che richiedono OCR (riconoscimento ottico dei caratteri). La sua capacità di estrarre e comprendere informazioni da documenti scansionati è sorprendente.

Lo uso principalmente per agenti che devono processare fatture, contratti o moduli compilati a mano.

Llama

Llama (soprattutto nella versione 3 o 4) lo uso principalmente per scraping web insieme a Perplexity nei miei agenti e generazione di report da inviare via mail o Slack.

La sua capacità di strutturare informazioni provenienti dal web e sintetizzarle in report concisi ma completi è eccellente.

Un altro punto di forza è la sua efficienza: può girare su hardware meno potente, permettendomi di creare agenti che funzionano anche in ambienti con risorse limitate.

Ce pero un costo sottofondo. Devi essere bravo a scrivere i prompt e probabilmente questo ti prende tempo tra test e ottimizzazioni.

Gemma

Gemma è la mia scelta quando ho bisogno di un modello leggero ma potente per agenti che devono funzionare in edge computing.

Il suo footprint ridotto lo rende ideale per applicazioni che devono girare su dispositivi con risorse limitate.

Lo trovo particolarmente efficace per agenti che richiedono un ragionamento semplice ma robusto, dove la velocità di risposta è importante.

I modelli OpenAI: O3, GPT-4.1 e GPT-4.5

OpenAI ha diversificato la sua offerta con modelli pensati per scopi completamente diversi.

O3

O3 è il coltellino svizzero di OpenAI e si distingue per la sua capacità di reasoning. Praticamente eccelle nella gestione dei dati strutturati e dimostra un tasso di errore notevolmente inferiore rispetto ad altri modelli.

Questo è particolarmente utile quando si tratta di creare agenti AI che devono interagire con vari tool esterni, soprattutto quando non puoi permetterti molti errori.

Devo dire che questo modello, in termini di funzionalità, è molto simile a Gemini Pro.

GPT-4.1

GPT-4.1 è invece un modello API-only costruito per gli sviluppatori: eccellente nel seguire istruzioni complesse e mantenere memoria del contesto anche in conversazioni molto lunghe.

Percepisco GPT-4.1 più come un competitor per Sonnet 3.7.

GPT-4.5 è il futuro ChatGPT

Dal lato opposto invece, e qui sarà più un mio bias personale, ma non riesco a farmi piacere ChatGPT.

In ogni caso, non lo considero un prodotto di classe A e, come avrai notato, nella mia classifica occupa un posto secondario.

Dopo aver testato ChatGPT 4.5, posso confermare che non è il "wow" che mi aspettavo, anche se si muove in una direzione comunque interessante.

Questa scelta conferma chiaramente l'intenzione di OpenAI di puntare sul consumatore medio "tuttofare", piuttosto che su utenti o contesti professionali.

Certo, hanno altri modelli per questo scopo, come O3 che eccelle nel reasoning ma con un costo diverso.

In pratica, GPT-4.5 cerca di comportarsi più come un amico con opinioni personali che come un assistente neutro in grado di seguire semplicemente le istruzioni.

Ho notato che questa tendenza del modello ad essere "troppo amichevole" comporta quasi sempre un costo.

Nel senso che cerca sempre di convincerti di aver ragione.

A un certo punto, infatti, inizia a inventare informazioni, presentandole oltretutto con grande sicurezza, solo per mantenere interessante la conversazione.

Ovviamente nessun modello LLM è immune dall'hallucination, ma alcuni riescono a gestirlo decisamente meglio.

In definitiva, voto GPT-4.5 come il modello perfetto per l'utente medio che non andrà mai oltre la solita chat.

Per tutto il resto, ci sono alternative migliori.

Copilot

Quanto a Copilot, ho una certa delusione.

La maggior parte dei modelli open source offre prestazioni equivalenti, se non superiori, rendendo difficile giustificarne l'utilizzo e il costo.

Tuttavia, da quando Microsoft ha iniziato a integrare Deepseek nel backend, noto dei miglioramenti promettenti nella sua evoluzione.

D'altronde, costruire un proprio Copilot utilizzando Deepseek, come ho spiegato sopra, risulta non solo più economico, ma anche decisamente più efficace.

E se non sbaglio, si stanno muovendo un po' tutti in quella direzione di integrare modelli open source nei loro prodotti commerciali 👇

Ma questo scenario era già previsto in un memo interno di Google, che qualche dipendente, qualche anno fa, ha fatto uscire, involontariamente o meno, nei canali Discord.

⚠️

Il documento avvertiva che se un modello open source, sviluppato con pochi milioni di dollari, avesse eguagliato le prestazioni dei modelli proprietari, nessuna azienda sarebbe stata al sicuro.

Ed ecco qui il risultato: oggi vediamo modelli open source che competono seriamente con quelli proprietari 👇

Poi, come andrà a finire non lo so, ma questa competizione mi piace!

Specialmente per noi europei che, al momento, siamo principalmente consumatori di AI costretti a dipendere dalle costose soluzioni delle Big Tech americane.

La mia conclusione pratica

Se il tuo utilizzo principale è il semplice dialogo (chat), praticamente qualsiasi modello va più che bene.