Due giornate in presenza, otto ore al giorno, per capire meglio l’intelligenza artificiale e sperimentare come integrarla nel lavoro. Alla Scuola Normale Superiore abbiamo seguito /reskill – Enjoy the AI wave, realizzato in collaborazione con Net7 e tenuto da Piero Savastano, ideatore del progetto open source Cheshire Cat AI.
Un percorso che ha unito fondamenti teorici, dimostrazioni interattive e laboratori: dalla comprensione dei modelli linguistici alla costruzione di chatbot, skill e server MCP, fino alla sperimentazione dello sviluppo software guidato da specifiche.
Partire dal nostro rapporto con l’IA
Il punto di partenza sono stati i nostri dubbi e le nostre aspettative. Un confronto utile per mettere a fuoco come ciascuno utilizza l’IA, quali possibilità intravede e dove incontra difficoltà.
Ho apprezzato questa scelta anche perché nel mio lavoro affianco lo sviluppo e l’implementazione di soluzioni IA alla formazione per un utilizzo consapevole. Le aspettative che portiamo nell’uso di questi strumenti incidono sul modo in cui li interroghiamo, interpretiamo le risposte e decidiamo quanto fidarci.
Il corso è riuscito a coinvolgere sia chi aveva già esperienza nello sviluppo di assistenti sia chi si avvicinava per la prima volta a questo ambito, all’interno di una proposta con prerequisiti tecnici di base in Python e Docker.
Capire gli LLM per progettare meglio gli assistenti
Il ripasso di machine learning e deep learning ha preparato il passaggio ai Large Language Models, agli embedding e alle diverse modalità per collegare un assistente alla conoscenza di un’organizzazione.
Le dimostrazioni interattive hanno aiutato a rendere visibili concetti che spesso rimangono astratti: la generazione del testo un token alla volta e il ruolo del contesto nella conversazione. Comprendere questi meccanismi aiuta a leggere con più attenzione le risposte e a progettare le informazioni da fornire al modello.
Il confronto tra fine-tuning, RAG e ricerca agentica ha offerto criteri per ragionare sulle diverse esigenze: adattare il comportamento di un modello, recuperare contenuti da una base documentale o lasciare che un agente cerchi le informazioni attraverso più passaggi. Per chi sviluppa assistenti interni, sono distinzioni che orientano le scelte di architettura.
Dagli agenti alle skill e ai server MCP
Nei laboratori abbiamo creato chatbot, skill e server MCP (modelcontextprotocol.io), collegando la teoria alla costruzione di strumenti funzionanti.
Il lavoro sugli agenti ha permesso di esaminare il ciclo in cui il sistema elabora una richiesta, utilizza uno strumento e osserva il risultato prima di proseguire. Da qui il tema del context engineering: scegliere quali istruzioni, informazioni e risultati rendere disponibili in ogni fase.
Le skill hanno introdotto la possibilità di organizzare istruzioni e procedure riutilizzabili. Il Model Context Protocol, invece, ha aperto il tema del collegamento tra applicazioni IA e sistemi esterni, attraverso strumenti, risorse e prompt esposti dai server.
La ricaduta operativa è chiara: per costruire un assistente occorre progettare anche ciò che può consultare e fare, quali accessi gli servono e come verificare il risultato delle sue azioni.
Sperimentare lo spec driven development
Una parte particolarmente interessante ha riguardato il passaggio dal vibe coding a processi di sviluppo più strutturati, fino alla sperimentazione dello spec driven development.
Il principio è definire prima del codice che cosa deve fare il sistema: requisiti, comportamento atteso, vincoli e criteri di accettazione. La specifica diventa così un riferimento per guidare il lavoro dell’agente e valutare ciò che produce.
Per esempio, progettare un assistente di supporto richiede di chiarire quali domande deve gestire, quali fonti può utilizzare e come deve comportarsi quando non trova informazioni sufficienti. Esplicitare queste condizioni permette di discutere e verificare il risultato con maggiore precisione.
Il confronto sui livelli di automazione e sulla valutazione dei rischi ha completato questa parte, riportando l’attenzione su quali attività delegare e dove mantenere una verifica umana.
Un percorso intenso, con strumenti da riutilizzare
L’alternanza tra spiegazioni, demo ed esercitazioni ha reso sostenibile un programma molto denso. Chi aveva già sviluppato assistenti ha potuto rivedere alcune scelte con strumenti concettuali nuovi; chi iniziava ha trovato un percorso progressivo per orientarsi.
Ci portiamo dietro risorse online, strumenti open source e materiali pratici e teorici per continuare a sperimentare. Soprattutto, abbiamo più elementi per valutare come utilizzare l’IA nei nostri processi di lavoro.
Il riscontro dei partecipanti è stato molto positivo. La disponibilità di Piero al confronto e alle domande ha contribuito a un clima di lavoro aperto, con un buon equilibrio tra approfondimento e pratica.
Cheshire Cat, dalla sperimentazione regionale al nostro progetto
L’ultima parte del percorso ha riguardato Cheshire Cat AI (e le sue prospettive future), noto anche come Stregatto, il framework open source italiano che abbiamo conosciuto attraverso la scelta della Regione Toscana di sperimentarlo per la chat generativa (leggendo il materiale disponibile sulle Linee guida Intelligenza Artificiale per le PA Toscane). Il documento tecnico regionale lo presentava come una possibile architettura per gli assistenti, indipendente dal modello linguistico utilizzato: una caratteristica utile per valutare fornitori diversi e mantenere flessibilità nelle integrazioni. Alla Scuola Normale lo abbiamo utilizzato (nella versione 1.9) per sviluppare un assistente virtuale di supporto all’Area Progetti e Strategie Digitali, con rilascio previsto entro la fine del 2026: un collegamento concreto tra la formazione e un progetto su cui stiamo già lavorando.




