Non basta il cavallo
Uno stesso “cavallo” davanti a mondi lontanissimi — un archivio, un tempio tra le montagne, un borgo medievale. Conta anche l’animale — ma soprattutto dove lo porti, e come lo bardi.
Quest’estate ho fatto tradurre sermoni buddisti dal thai e dal pali, ho districato due templi che persino Google Maps confonde, ho letto documenti medievali sulla storia di un borgo in Toscana. Con la stessa “intelligenza artificiale” che, interrogata in una chat, mi avrebbe restituito soprattutto invenzioni plausibili, dette con la faccia sicura.
Stesso nome, viaggi opposti. La differenza sta tutta nel cavallo che c’è sotto, in come lo bardi, e in chi tiene le redini.
Eppure di “intelligenza artificiale” si parla quasi sempre al singolare — “l’AI”, come si dice “il sole” o “la pioggia”: un’entità unica che, a seconda di chi racconta, ci salverà o ci rovinerà. È un’illusione ottica. “L’intelligenza artificiale” non esiste come singola tecnologia: esiste come fenomeno — un cappello sotto cui convivono tecnologie diverse, usate in modi diversi con risultati diversissimi, e insieme il rapporto che noi umani stiamo costruendo con esse mentre entrano nelle nostre vite. E la differenza tra la magia e la delusione non dipende solo dalla tecnologia: dipende da chi la usa, e dal sistema che le costruisce intorno.
C’è poi uno scarto che colpisce chiunque questi strumenti li usi ogni giorno: il volume delle opinioni è molto più grande del volume dell’esperienza. Se tutto quello che sai sull’AI viene da articoli scritti da altri — magari proprio con l’AI — la tua opinione poggia, in buona parte, su impressioni di seconda mano. Non è la prima volta che accade: è andata così col personal computer, col web, con lo smartphone. Ogni volta gli entusiasti promettevano il paradiso, gli scettici gridavano alla montatura, e chi imparava a usare davvero lo strumento prendeva un vantaggio su entrambi. Il punto non era mai se la tecnologia fosse buona o cattiva, ma cosa potevi farci tu.
Con l’AI siamo allo stesso punto, con un’aggravante: stavolta la tecnologia parla. Ti risponde in italiano corretto, sembra capire, sembra pensare — ed è facilissimo proiettarci sopra le nostre speranze e le nostre paure, invece di guardarla per quello che è. Per farlo servono esempi veri: tra poco ti racconto due cose che ho costruito quest’estate e che da solo non avrei mai potuto fare — e la lezione che ne ho ricavato, che non è quella che mi aspettavo. Ma prima conviene aprire quelle due parole — “intelligenza artificiale” — e guardare cosa c’è dentro.
Cosa c’è davvero sotto la parola “AI”
Qui sta il punto che mi preme di più. Quando qualcuno dice “l’intelligenza artificiale”, sta impacchettando in due parole cose molto diverse. Proviamo ad aprirle.
L’AI comprende molte famiglie di tecnologie — dalla visione artificiale alla robotica. Qui mi occupo di quella che oggi domina la conversazione pubblica: i modelli generativi, soprattutto linguistici.
Cos’è un LLM (e cosa non è)
Il cuore di quello di cui tutti parlano oggi si chiama LLM, Large Language Model: un modello linguistico di grandi dimensioni. Detto in modo brutale ma onesto: è un sistema addestrato su una quantità enorme di testo per prevedere il frammento successivo.
Tutto qui? Non proprio. La previsione del frammento successivo è il meccanismo di base, non la misura di ciò che sa fare: da un principio apparentemente semplice, amplificato dall’addestramento e dalle tecniche successive, emergono capacità molto più complesse. Ma non ragiona come noi e non “sa” le cose come le sai tu. Il modello, da solo, non conserva nemmeno una memoria personale di ciò che ti ha detto ieri: può però riceverla dal prodotto o dal sistema che gli sta intorno.
Da questo discendono, in modo diretto, i suoi due volti:
- Perché a volte sembra magico. Ha “visto” talmente tanti testi che sa restituirti la forma giusta per quasi ogni richiesta: un’email, una poesia, un pezzo di codice, la spiegazione di un concetto.
- Perché a volte “allucina”. Quando gli manca l’informazione, può generare comunque una continuazione plausibile: a volte giusta, a volte inventata, ma detta con la stessa sicurezza. Non è un bug morale. Lasciato solo, completa, non verifica; per verificare gli servono fonti, strumenti e un processo che lo costringa a usarli.
Capire questo è già metà del lavoro. Un LLM non è un oracolo e non è un database: alla base è un completatore di testo straordinariamente potente, ed è da lì che discende tutto il resto — il meglio e il peggio. Trattarlo per quello che è cambia tutto.
Cos’è un harness: il cavallo e la bardatura
Ecco la parola che manca in quasi tutte le discussioni da bar sull’AI: harness. E qui la lingua ci regala una metafora perfetta, perché harness, in inglese, è il finimento del cavallo: la bardatura che lo attrezza per tirare e farsi guidare.
Immagina il modello come un cavallo selvatico: potente e reattivo, ma non addestrato per il tuo viaggio. Senza attrezzatura puoi anche saltargli in groppa, ma non puoi sperare che vada dove vuoi tu: ti porta dove vuole lui, oppure ti disarciona.
Per andare davvero da qualche parte servono i finimenti:
- La sella e le staffe, per salire e restare in groppa. È il contesto: il cavallo che finalmente porta il tuo peso, il tuo progetto, le tue regole, invece di correre a vuoto.
- Le briglie, per dare una direzione. Sono gli strumenti e le istruzioni con cui lo indirizzi: leggi qui, fai questo, non toccare quello.
- Il paraocchi, per i viaggi lunghi. Toglie le distrazioni: un modello lasciato libero divaga; bardato bene, resta sul punto.
Questa è, in una figura sola, la differenza tra chattare e orchestrare. Chattare è saltare quasi a pelo su un cavallo selvatico: una domanda, una risposta, poco contesto e poca continuità — l’uso più comune, da cui nascono sia gli entusiasmi facili sia le delusioni. Orchestrare è sellare, imbrigliare, mettere il paraocchi e guidare: non gli fai una domanda, gli affidi un pezzo di lavoro dentro il tuo mondo, e resti tu a tenere le redini. A onor del vero non è un confine netto ma una scala: anche una chat moderna ha già un po’ di bardatura — un contesto, una memoria, qualche strumento. Ma salendo, la differenza di grado diventa differenza di natura.
Fuori dalla metafora, un harness è il sistema che circonda il modello: gli fornisce contesto, memoria, strumenti, permessi, procedure e controlli.
Dipende cosa ci devi fare
Quanta bardatura ti serve dipende da cosa ci devi fare, con quel cavallo.
- Devi fare una passeggiata intorno all’isolato? Basta poco: sali a pelo, due domande, via. È la chat di tutti i giorni — la uso così anch’io, quando chiedo la ricetta della carbonara e cosa posso usare al posto del guanciale. E va benissimo: non bardi un purosangue per andare a prendere il pane.
- Devi far tirare una diligenza? Cambia tutto: servono finimenti seri e qualcuno a cassetta che guida. È l’uso agentico ordinario — fargli scrivere dei file, costruire una piccola app. Un lavoro, non una gita.
- I cavalli devono andare in battaglia? Allora è un altro mondo ancora: addestramento, armatura, tattica, disciplina. È il livello dei due progetti che sto per raccontarti — una knowledge base di fatti documentati con fonti citabili — o, nel mio mestiere, un software con tre client, due API, Redis e MongoDB su un cluster Kubernetes.
Non esiste il cavallo giusto in assoluto: conta quale viaggio deve compiere, e con quale bardatura.
Stesso animale di partenza, tre imprese incomparabili. Giudicare l’AI dalla passeggiata intorno all’isolato — come hanno fatto in molti — e concludere che “non è capace di andare in guerra” non ha senso: hai chiesto a un pony al parco di andare in battaglia.
E c’è un ultimo dettaglio, il più importante: oggi non tutti i cavalli sono uguali. Non solo perché nascono diversi — modelli piccoli e modelli enormi — ma perché vengono addestrati per cose diverse: c’è chi scrive codice, chi ragiona a lungo su un problema, chi conversa, chi sta dentro un telefono. Il nome comune, da solo, non dice quasi niente: nessun cavaliere sceglierebbe “un cavallo” senza chiedersi quale — noi invece giudichiamo meriti e limiti dell’“intelligenza artificiale” come se il nome bastasse a dire cosa sa fare.
Due cose che ho fatto io
La teoria vale poco senza esempi. Quindi ti racconto due cose vere, che ho costruito io quest’estate usando questi strumenti. Non due giochini per stupire: due progetti che mi stanno a cuore, e che senza questi strumenti non avrei mai potuto fare da solo. Serviranno anche a mostrare il rovescio: cosa l’AI non ha fatto, e non avrebbe potuto fare.
1. Custodire la memoria di un monaco
Nel nord della Thailandia c’è un tempio buddista fra le montagne — Wat Tham Chetawan — e la figura di un monaco, Kruba Noi, la cui opera rischiava di restare confinata a poche pagine Facebook dei devoti in lingua thai. In inglese non esiste quasi nulla. In italiano, figuriamoci.
Custodire una storia locale significa anche saperne riconoscere il luogo, la lingua e le persone.
Ho deciso di costruire un sito per custodire e rendere accessibile questa storia in thai, inglese e italiano. Da solo. Senza budget, come atto di devozione.
Cosa ha fatto l’AI. La cosa più preziosa non è il sito, ma quello che ci sta sotto: una knowledge base. Detta semplice, è una rete di file di testo (in formato Markdown) e di cartelle in cui costruisci, pezzo per pezzo, il significato di luoghi e persone — chi era Kruba Noi, dov’è il tempio, cosa dicono le fonti, cosa è certo e cosa è ancora da verificare — con ogni informazione agganciata alla sua origine. È da questa base ordinata che nascono poi il sito, le traduzioni, tutto il resto.
Il materiale di partenza è la parte più delicata. Molte fonti arrivano dai social network, in una lingua lontanissima dalla nostra: il thai — e, nei testi sacri, il pali, la lingua liturgica del buddismo theravada. Non basta tradurre “bene” nel senso scolastico: parlando di monaci esiste un registro devozionale che una traduzione letterale schiaccia. Un esempio: dai testi e dai sermoni emerge il termine pali kamma; in italiano come in inglese, però, siamo abituati alla forma sanscrita karma. In un testo theravada usare la forma sbagliata è come storpiare un nome proprio.
Per questo il metodo non è stato “dammi la traduzione”. Ho scaricato alcune fonti, sia mediatiche (usate anche come metro del registro giusto), sia accademiche aperte, fino ad alcuni video dei sermoni del monaco su YouTube, trascritti e tradotti da un modello specializzato nel thai, fatto girare in locale; solo dopo averle rilette e comprese, la knowledge base ha catalogato persone, luoghi geolocalizzati, eventi e fonti. Un lavoro di molti giorni anche con l’AI — ma che da solo, senza, sarebbe stato semplicemente impossibile.
E poi l’AI ha costruito il sito vero e proprio — trilingue, statico, veloce — mentre io dirigevo l’architettura.
Ma il controllo non è mai uscito dalle mie mani. Mi sono riletto tutto l’italiano tradotto, parola per parola, e da quella revisione ho ricavato un glossario dei termini da usare nelle traduzioni future — con una regola precisa per il modello: quando incontra un termine ambiguo che non è nel glossario, deve fermarsi e chiedere a me, invece di scegliere da solo. Su questa regola tornerò più avanti, perché vale molto più del glossario che protegge.
Da questa base è nata anche una voce su Wikipedia in inglese. E non è un dettaglio, perché lì le regole sono severe: non basta “sapere” una cosa, bisogna poterla citare da fonti autorevoli — accademiche, giornalistiche, istituzionali. Radunarle e vagliarle è metà del lavoro; l’AI è preziosa per cercarle, leggerle e confrontarle, ma decidere “questa fonte regge, questa no” resta di chi firma.
Cosa non ha fatto — e non poteva. Non ha deciso cosa fosse importante conservare: quello è mio. E non ha verificato i fatti al posto mio: anzi, qui il rischio dell’allucinazione è particolarmente insidioso, perché su una storia locale e poco documentata il modello, se lo lasci fare, “riempie i buchi” con plausibilità inventate. C’è persino un doppio tranello che nessun modello poteva sciogliere da solo. Il primo l’ho accennato in apertura: nello stesso villaggio esistono due templi a un chilometro di distanza e con nomi quasi identici, che fonti, indirizzi e perfino i turisti confondono. Il secondo è più sottile: “Kruba Noi” non è un nome proprio, è un appellativo — kruba è il titolo dei monaci venerati nel nord della Thailandia, noi significa “piccolo” — e di Kruba Noi ne sono esistiti molti, così che una ricerca ingenua pesca nelle vite di tutti. Districare il nostro monaco dagli omonimi e il nostro tempio dal suo vicino è stato un lavoro mio. L’AI è stata l’operaio instancabile; il custode della verità sono dovuto restare io.
Online: krubanoi.org — voce su Wikipedia (EN)
2. Riportare alla luce la storia di un borgo
Castevoli è una frazione di poche anime in Lunigiana, dove ho una casa di famiglia. Un borgo medievale, la cui esistenza è attestata fin dall’anno Mille, e su cui però c’è pochissimo scritto in modo accessibile. La voce su Wikipedia, a dire il vero, l’avevo creata io nel 2014 — a mano, un pezzo alla volta, senza altro aiuto che la barra di ricerca di Google. Dodici anni dopo ho voluto un sito che raccontasse il borgo, e riportare quella voce all’altezza: ampliata, precisa, basata su fonti solide. Ed è qui che l’AI cambia il passo.
Arrivare a un borgo è anche arrivare a una storia: il paesaggio conserva le domande, le fonti permettono di ricostruirne le risposte.
Cosa ha fatto l’AI. La stessa impalcatura del progetto thailandese — una knowledge base dove ogni fatto resta agganciato alla sua fonte — ma con una sfida di natura opposta. Là il problema era una lingua lontana; qui è il tempo. Le tracce di mille anni stanno sparse negli archivi di piccoli comuni, ognuno con un sito diverso e un modo diverso di catalogare. Il lavoro è stato scandagliarli uno per uno: certe fonti sono solo citate da altri, altre hanno il manoscritto disponibile. Per ognuna si prende il PDF (o l’immagine), si fa l’OCR per ricavarne il testo, lo si legge, e si riempie la knowledge base — segnando sempre da dove viene.
E qui comanda una regola precisa: su Wikipedia le fonti primarie si possono usare solo con forti limiti, senza interpretazioni originali. Posso sapere che un fatto è vero perché ho letto il documento originale — ma per una ricostruzione enciclopedica devo trovare una fonte secondaria che lo riporti. Così metà del lavoro è indicizzare: separare le primarie dalle secondarie, e per ogni cosa vera cercare chi l’ha già raccontata in modo citabile.
Ed è un processo che non procede mai in linea retta: ogni fonte nuova ne cita altre, da cercare e leggere a loro volta, e capita che due si contraddicano — lì si apre una ricerca mirata per battere nuove piste. L’AI è il motore che regge questa fatica, e tiene in ordine un filo che altrimenti si perderebbe.
Cosa non ha fatto. La regola che mi sono dato è netta: non si scrive di storia del borgo andando a memoria o inventando. Prima si legge la fonte, poi si scrive. Questo perché so bene qual è il difetto del modello: se gli chiedi “raccontami la storia di Castevoli”, te la racconta — sicuro, scorrevole, e in buona parte inventata. Il valore non è nella sua sicurezza, ma nel vincolo che gli ho imposto io: parla solo di ciò che è documentato, e cita la fonte. L’AI accelera la ricerca; non la sostituisce, e soprattutto non decide cosa è vero.
Online: castevoli.it — voce su Wikipedia (IT)
La briglia più importante: sapersi fermare
Torna a guardare i tre momenti chiave che ho raccontato. Il glossario thai: davanti a un termine ambiguo che non conosce, il modello si ferma e chiede a me. I due templi e i monaci omonimi: prima di ogni ricerca, una regola lo obbliga a disambiguare, invece di fidarsi della prima corrispondenza. La storia del borgo: non si scrive niente senza aver letto la fonte — finché la prova non c’è, ci si ferma.
Tre regole nate in contesti diversi, ma sono la stessa lezione: le regole che contano non dicono al modello cosa fare. Gli dicono quando fermarsi.
E vale la pena capirla fino in fondo, perché ribalta il paradigma a cui siamo abituati. Nell’uso comune è sempre l’umano che fa domande all’AI, e l’AI che risponde — sempre, comunque, anche quando non sa: l’abbiamo visto, completa, non verifica. Con queste regole succede il contrario: è il modello che si ferma e fa una domanda a me. Il senso della domanda si inverte, e con lui i ruoli: non più un oracolo che non ammette di non sapere, ma un collaboratore che sa quando deve chiedere.
Attenzione, però: non è una virtù spontanea del cavallo. È una briglia, una regola dell’harness — e nel mio caso nemmeno scritta a tavolino: ricavata dagli errori trovati nella prima revisione, rileggendo tutto parola per parola. Prima l’errore, poi la regola che gli sbarra la strada. È così che l’harness cresce: ogni errore corretto può lasciare dietro di sé una regola permanente — e le regole più preziose sono quelle che insegnano al sistema quando fermarsi.
Una precisazione doverosa: questa preferenza vale per questo tipo di lavoro. L’industria spinge nella direzione opposta — ogni generazione di modelli è addestrata a essere più autonoma, a lavorare più a lungo senza intervento umano — e per un compito verticale, un unico prompt lungo da lasciar correre per ore, un cavallo che si ferma a ogni ambiguità sarebbe un difetto, non una virtù. È sempre la stessa regola: dipende dal viaggio. Su una knowledge base che custodisce fatti veri, voglio un cavallo che si ferma. E non solo perché voglio essere io a decidere: ogni sua domanda è un punto in cui capisco meglio io l’argomento. Fermarsi a chiedere non serve solo al controllo. Serve a imparare — a me.
In tutti questi mesi di lavoro, i momenti in cui i modelli mi sono stati più utili non sono quelli in cui hanno risposto. Sono quelli in cui si sono fermati.
Conclusione
Guarda cosa hanno in comune questi due progetti. Non sono “l’AI che fa una cosa meravigliosa da sola”. Sono io che, con l’AI, faccio da solo cose che prima richiedevano un team — un traduttore, un archivista, un ricercatore, uno sviluppatore, un redattore. Ma la visione, i vincoli, la verità, il motivo per cui vale la pena farlo: tutto quello è rimasto mio.
E c’è un guadagno che si vede solo da vicino. Delegare tutto a un’entità autonoma è comodo, a volte perfino appagante — ma a lavoro finito rischi di non aver imparato niente. Tenendo le redini, come ho fatto qui, è successo il contrario: mi ha insegnato moltissimo. Di contenuto — un borgo, una lingua liturgica, la vita di un monaco. E di metodo, che conta ancora di più: non solo a vagliare una fonte o a fermarmi al momento giusto, ma qualcosa di più grande — ho imparato a bardare il cavallo. A costruire l’harness, e a farlo meglio a ogni nuovo progetto, mettendo questa potenza al lavoro nei campi più diversi. È una competenza che sui libri non c’è, la impari solo facendola — come stare in sella: finché non monti, e le prime volte finisci a terra, nessuno può insegnartela.
Torno così da dove sono partito. Quando qualcuno ti dice cosa “farà l’intelligenza artificiale”, fermati un attimo e chiediti due cose.
La prima: di quale AI stai parlando? Del completatore di testo nella chat, di un agente orchestrato dentro un lavoro vero, o di uno dei tanti gradini in mezzo? Perché sono mondi diversi, e confonderli è la radice di quasi tutti gli equivoci.
La seconda, ancora più importante: tu, l’hai davvero usata? Non due domande buttate lì, ma un progetto vero, con contesto, vincoli, correzioni. Perché il confine più rivelatore non passa tra chi è entusiasta e chi è scettico: passa tra le opinioni di seconda mano e quelle guadagnate sul campo.
“L’intelligenza artificiale” come oggetto unico, con un destino unico — che ci salvi o che ci rovini — non esiste. Esistono cavalli diversi, bardati in modi diversi, per viaggi diversi — e chi li guida. La domanda giusta non è mai stata “cosa ci farà”. È sempre stata la stessa di trent’anni fa, davanti al computer, e poi al web, e poi allo smartphone: cosa ci fai tu.
P.S. — Se ti è rimasto qualcosa, il modo per capire davvero non è leggere altri articoli come questo. È prendere una cosa che ti sta a cuore — un progetto, una ricerca, una passione — e provare a farla con questi strumenti. Non per vedere cosa sanno fare loro. Per scoprire cosa sai fare tu, quando qualcosa ti amplifica.
Appendice — Non un cavallo, una scuderia
Arrivo alla parte più tecnica, e alla scelta che per me ha fatto la differenza. Io non uso un solo modello (non faccio mai il tifo). Ne tengo in scuderia diversi e li faccio lavorare in due modi opposti: a volte insieme, in collaborazione; a volte uno contro l’altro, in competizione — lo stesso compito a due o tre, e confronto cosa mi riportano.
Non il modello migliore in assoluto: una scuderia di strumenti diversi, da scegliere e confrontare per il lavoro che c’è da fare.
Così ho scoperto una cosa che chi parla dell’“AI” al singolare non può nemmeno vedere: ognuno è più bravo in ambiti diversi. E le differenze non sono solo tra aziende diverse: sono anche tra versioni diverse della stessa azienda. Un esempio dalla mia esperienza quotidiana: lavoro con Opus 4.8 con grande soddisfazione da quando è uscito e mi limito a controllare il risultato a fine sessione; quando invece uso Opus 5 — stessa casa, versione successiva e più potente — leggo ogni cosa che fa, e spesso lo interrompo mentre si arrovella su un dettaglio inutile: è la sua maggiore autonomia — una virtù per i compiti verticali, un attrito per un lavoro come il mio.
Poi c’è il piano dell’harness, che non va confuso col modello. Nel mio uso quotidiano:
- Claude Code è quello con cui mi sono trovato meglio — ma il modello che ci infili dentro cambia completamente le prospettive.
- Codex l’ho relegato a letture e scritture elementari, non a revisioni complesse: nel mio assetto, ogni tanto fa modifiche che non gli ho chiesto.
- Hermes è il coltellino svizzero: ci puoi collegare quasi tutti i modelli ed è personalizzabile fino all’osso. In cambio va configurato a mano — uno strumento da nerd, non per tutti.
E dalla competizione, col tempo, emergono dei veri e propri caratteri — almeno nella mia esperienza e sui compiti che affronto:
- GPT 5.6 sol — molto bravo a comporre testi: sintetico, puntuale, proattivo, ma senza esagerare.
- Opus 4.8 — prudente e diligente, un ottimo collaboratore: chiede prima di modificare.
- Opus 5 — ambizioso e caparbio, lavora per minuti e ore senza fermarsi; per scrivere un’app da zero è favoloso, per lavorare su una knowledge base diventa un collaboratore più difficile: prende iniziative, a volte si arrovella e scrive in modo prolisso.
- Fable 5 — l’orchestratore con cui mi sono trovato meglio, capace e puntuale; anche il più costoso, quindi da usare con parsimonia.
- DeepSeek 4 — pragmatico e operoso; sui task semplici, tra quelli che ho provato, è uno dei più veloci ed economici.
- Gemini 3.6 — un segugio per stanare fonti, dove sfrutta il patrimonio di ricerca di Google; meno affidabile su sintesi e conclusioni, dove nella mia esperienza si espone di più alle allucinazioni. Per questo, nel mio assetto, gli era proibito scrivere o modificare file.
E all’estremo opposto della scuderia c’è un caso che quasi nessuno racconta: a volte non bastano nemmeno i servizi online generalisti, e serve un modello verticale — specializzato in una cosa sola, così piccolo che non sa nemmeno usare gli strumenti, ma abbastanza leggero da girare in locale sulla mia macchina. È il caso di Typhoon (sviluppato da SCB 10X, il ramo d’innovazione del gruppo bancario thailandese SCBX), con cui ho tradotto il thai: da solo non andrebbe da nessuna parte, ma pilotato da un orchestratore diventa un ingranaggio prezioso della catena.
Altri — GLM, MiniMax, Qwen — non li ho ancora provati abbastanza da espormi: preferisco tacere piuttosto che dare un giudizio che non mi sono guadagnato sul campo.
Una precisazione, che è poi il cuore di tutto l’articolo: sto parlando dei modelli di oggi, e tra sei mesi questi nomi saranno vecchi. Non è una classifica, è un metodo. Il punto non è “qual è il migliore” — non esiste il migliore, esiste il più adatto a quel compito, in quel momento, dentro quell’harness. E metterli in concorrenza è il modo più onesto per scoprirlo.
P.P.S. — Sì, anche queste righe le ho scritte con l’ausilio dell’AI: stesso metodo del resto — io alle redini, lei al trotto, e tutto riletto parola per parola una dozzina di volte. Nessun cavallo è stato maltrattato durante la stesura — solo, ogni tanto, fermato in tempo.