Ogni giorno esce un’assistente AI nuovo. O almeno così sembra. ChatGPT, Claude, Gemini, Perplexity, Copilot e poi mille altri nomi che non ricordi dopo una settimana. È facile perdersi. È ancora più facile pensare che la differenza stia tutta nella potenza del modello sottostante.
Stamattina, tra le numerose mail del sabato, mi è capitato un link ad Hatch AI. Mi ha fatto curiosità, ho aperto il sito, ci ho guardato dentro, e poi l’ho provato subito sul progetto BI Pilot, il progetto per il controllo di gestione con la business intelligence per le PMI e le MPI “più semplice che c’è”, che porto avanti da anni e che ormai è pronto per l’uscita ufficiale. Mi ha aiutato a mettere ordine dove il progetto aveva ancora parti dense e sovrapposte. E in quel momento ho notato una differenza con le AI “standard”.
Hatch non è interessante perché fa l’AI più intelligente. È interessante perché mostra una cosa precisa: un LLM risponde meglio quando lo metti dentro una cornice chiara. Quando il contesto è strutturato, il modello sembra più utile, più preciso, più centrato.
Non è magia. È struttura.
Su BI Pilot ho tanti documenti, note da call, screenshot di mockup, dati di struttura. Hatch mi ha aiutato a trasformare quella massa in blocchi ordinati, a separare i concetti, a rendere più leggibile il ragionamento sull’architettura del prodotto. Non ha inventato niente di nuovo. Ha organizzato diversamente quello che c’era già.
E qui è il punto. Spesso la differenza tra una risposta mediocre e una buona non sta nella potenza del modello, ma nella qualità dell’inquadratura. Se il quadro è vago, il modello tende a rimanere vago. Se il quadro è preciso, il modello sale di livello. È una legge semplice, ma che la maggior parte delle persone non vede perché continua a cercare il modello più potente invece di cercare il contesto più ordinato.
Per chi lavora su progetti complessi — e questo vale ancora di più in consulenza, sviluppo, design — questo cambia il gioco. Non basta chiedere bene all’AI. Bisogna mettere bene in scena il problema. Quando il problema è già almeno un po’ definito, quando i materiali sono raccolti e visibili nello stesso spazio, il modello può lavorare su quello che esiste invece di inventare da zero. Hatch lo fa bene.
Su BI Pilot è successo proprio questo. Ho messo tutto a vista, ho chiesto al modello di organizzare, separare, proporre riarrangiamenti. E ha funzionato perché il contesto era chiaro. Se l’avessi fatto in una chat normale, senza lo spazio unico per i materiali, la risposta sarebbe stata più generico, più astratto, meno utile. E’ un pò come la sezione Progetti di tutte le altre AI ma con un comportamento diverso.
La lezione è ovvia una volta che la senti: l’AI funziona meglio quando il problema è già definito. Significa due cose concrete. Primo, strumenti come Hatch valgono se li usi su progetti veri e circoscritti, non su improvvisazioni. Secondo, il valore non sta nel “fare AI”, sta nel farti arrivare prima a una forma chiara del pensiero.
E questo è diverso da quello che leggi ogni giorno: il nuovo modello, il nuovo tool, la nuova feature. Qui non si parla di potenza. Si parla di come usi quello che hai.
Se accade questo ordine, lo strumento serve davvero. Se no, è solo un altro tab aperto in una lista già troppo lunga. In quel caso conviene stare con i soliti.
Se volete provarlo, è qui:
Buon weekend
Paolo 🖖
Comments
Nothing yet. Say the first thing.
Sign in to join the conversation.