Applicazioni concrete dell'intelligenza artificiale nel business e nella vita quotidiana.
Periodicamente un fornitore di modelli annuncia la disponibilità di un contesto più ampio, un milione di token, poi due, con la promessa implicita che un'AI capace di leggere più testo in un colpo solo sia un'AI più intelligente. È una semplificazione comoda, che spesso si rivela sbagliata.
L'achievement di Neko Health, a oggi, è operativo più che clinico. Ha saputo attrarre fondi, dimostrato che esiste una domanda solvibile per la prevenzione, che le persone tornano, e che un'azienda può costruirsi in casa l'intero stack di sensori, modelli e dati che serve a renderla scalabile.
Hive rende autonome le macchine industriali esistenti e vende ore di lavoro invece di software. Per Germania e Italia, prime manifatture d'Europa, la physical AI è un vantaggio da cogliere, non una rivoluzione da subire.
I sistemi delle grandi aziende sono stati personalizzati migliaia di volte negli ultimi quarant'anni; il risultato è che oggi questi sistemi sono opachi anche per le stesse aziende che li hanno costruiti. Un agente AI non può correre su un terreno sconosciuto.
Non sempre l'AI viene per tagliare i costi. Se si hanno i dati, applicare la tecnologia per lavorare sulla base clienti esistenti, identificando quelli a più elevato tasso di conversione, consente di aumentare i ricavi a parità di organico.
La maggior parte dell'AI industriale degli ultimi anni si è limitata a osservare. Gigaton ha scelto di agire diversamente, applicando un nuovo approccio nell'industria più resistente al cambiamento che esista.
I modelli AI non sono mai stati così potenti. Eppure, secondo McKinsey quasi due terzi delle organizzazioni che li hanno adottati non sono riuscite a portare l'AI oltre la fase pilota. Il paradosso è architetturale.
Fastweb ha portato in produzione un agente AI autonomo, accessibile da Telegram, che gira su infrastruttura italiana. Una TelCo che sfrutta il suo posizionamento per distribuire AI al grande pubblico
Il settore della guida autonoma è in forte ascesa negli Stati Uniti. I modelli di monetizzazione sono differenti: corse, driver e dati. Quale si rivelerà quello dominante?
Il mondo ha un deficit stimato di decine di migliaia di patologi, mentre i casi oncologici crescono ogni anno. E' il problema che PathAI affronta e Roche ha deciso di scendere in campo al suo fianco
Harvey AI ha adoperato centinaia di ingegneri e milioni per costruire un modello proprietario addestrato su miliardi di token di testi giuridici. Poi i modelli generalisti la hanno superata.
Bank of New York Mellon è stata fondata nel 1784, è la banca americana più antica tra quelle ancora in attività. Ha pubblicato risultati record nel primo trimestre 2026. I numeri non sono la notizia.
Da quando i modelli generativi hanno iniziato a fare cose che prima erano considerate appannaggio esclusivo dei professionisti, la sentenza circola con insistenza: le Big4 sono finite. Non è così.
Le imprese italiane hanno speso milioni per installare sensori che generano dati. Quei dati sono diligentemente registrati e archiviati. Nella maggior parte dei casi, non aperti da nessuno.
Eli Lilly è l’azienda farmaceutica più capitalizzata della storia. Ed è esattamente per mantenersi a questi livelli, che ha deciso di investire un miliardo sull'AI.
Un agente AI gestisce già oggi i follow-up clinici in oltre il 10% degli ospedali pubblici spagnoli. Non è un pilot: è un sistema pienamente in produzione.
L'AI che genera valore non fa notizia. È troppo noiosa.
Dove AI e robotica si incontrano, si crea impatto industriale reale.
"...in Italia il 60% dei progetti AI produce benefici al di sotto delle attese e il 95% dei progetti pilota viene interrotto". Il titolo è roboante, ma cosa dice davvero?