Come pensare meglio con l’AI? 7 framework operativi che diventano workflow

Pensare con l’AI non vuol dire chiederle qualcosa e aspettare. Vuol dire orchestrare la conversazione con una struttura. Sette framework nati prima dell’AI lo fanno benissimo: ognuno trasforma un assistente generico in un workflow ripetibile, con prompt pronti, output prevedibili e ruoli definiti.

In questo articolo trovi i sette framework che uso più spesso quando lavoro con Claude, ChatGPT e Gemini: Six Thinking Hats, Disney Method, SCAMPER, Eisenhower Matrix, 5 Whys, OODA Loop, Pre-Mortem. Per ognuno c’è cosa è, da dove arriva (con attribuzione corretta, perché ci sono diverse misattribuzioni famose), un prompt pronto copia-incolla, e un esempio concreto su un task reale. Alla fine una tabella per scegliere quale framework usare in quale momento.

I 7 framework in un colpo d’occhio

Non sono trucchi nuovi inventati per l’AI. Sono framework che hanno decenni e che funzionano con l’AI perché fanno una cosa che ai modelli serve: specificano un ruolo, una sequenza, un vincolo. Un assistente AI senza ruolo è un consulente generico. Con un ruolo definito (il Critic, il Realist, il cappello nero, il colonnello Boyd) diventa preciso, opinato, utilizzabile.

Six Thinking Hats: come fai pensare l’AI da sei prospettive diverse?

I Six Thinking Hats sono un metodo creato da Edward de Bono nel libro omonimo del 1985. La metafora del cappello come simbolo di una direzione di pensiero compare già nel suo “Lateral Thinking for Management” del 1971. L’idea è semplice: la mente umana pensa in modi distinti, e si possono attivare deliberatamente uno alla volta indossando un cappello immaginario di colore diverso.

I sei cappelli sono: bianco (fatti e dati), rosso (emozioni e intuizioni), nero (rischi e critica), giallo (benefici e ottimismo), verde (creatività e alternative), blu (controllo del processo). Indossati in sequenza, costringono a esaminare un problema da angolazioni che normalmente la testa salta.

• ⚪ Bianco: fatti, dati, informazioni neutre.
• 🔴 Rosso: emozioni, intuizioni, gut feeling.
• ⚫ Nero: rischi, ostacoli, critica.
• 🟡 Giallo: benefici, valore, ottimismo.
• 🟢 Verde: creatività, alternative, nuove idee.
• 🔵 Blu: controllo, sintesi, processo.

Applicato all’AI funziona ancora meglio che con un gruppo umano, perché un assistente come Claude o ChatGPT non ha resistenze emotive a indossare ruoli diversi in sequenza. Il prompt che uso è questo:

PROMPT — Six Thinking Hats
Analizza questa decisione: [INSERISCI LA DECISIONE].
Esamina la decisione indossando uno alla volta i sei cappelli di Edward de Bono. Per ogni cappello dedica un paragrafo dedicato, in quest'ordine:
1. Cappello bianco: solo fatti e dati neutri che conosci sul tema.
2. Cappello rosso: emozioni e reazioni di pancia, senza giustificarle.
3. Cappello nero: rischi, ostacoli, cosa può andare storto.
4. Cappello giallo: benefici, valore, perché vale la pena.
5. Cappello verde: alternative creative che non ho considerato.
6. Cappello blu: sintesi finale e raccomandazione operativa.
Non saltare nessun cappello. Sii specifico, niente frasi generiche.

Esempio reale: l’ho usato per decidere se accettare una collaborazione brand con una piattaforma di newsletter. Il cappello nero ha tirato fuori cose che il mio entusiasmo iniziale (giallo) aveva nascosto: termini di esclusività, vincoli di calendar, prezzo basso rispetto al lavoro. Il blu finale ha proposto una controproposta negoziata, che ho effettivamente mandato.

Disney Method: come validi un’idea passandola tra tre personaggi?

Il Disney Method è ispirato a una frase di Walt Disney: “ci sono tre Walt diversi: il sognatore, il realista, e lo spoiler”. Walt non ha mai formalizzato un metodo. È Robert Dilts, esperto di programmazione neurolinguistica, che nel 1994 ha trasformato l’osservazione in una strategia operativa, rinominando lo “spoiler” in “critic” e aggiungendo una struttura di passaggi in sequenza.

Il metodo prevede tre ruoli distinti che valutano l’idea in tre momenti separati, senza mescolarsi: Dreamer (sogna senza limiti), Realist (trasforma il sogno in piano), Critic (cerca le crepe del piano). Walt usava letteralmente tre stanze diverse, una per ruolo, per evitare contaminazioni.

Con l’AI ci sono due modi di farlo. Uno: un prompt unico in cui l’assistente recita i tre ruoli in sequenza. Due (più potente): tre chat separate, tre modelli diversi, e tu fai da postino passando l’output di una alla successiva. Io di solito uso Claude per il Dreamer, ChatGPT per il Realist, e Claude di nuovo per il Critic, per avere due punti di vista distinti.

PROMPT — Disney Method (versione singola chat)
Ho questa idea: [INSERISCI IDEA].
Valutala con il metodo Disney di Robert Dilts. Recita tre ruoli in sequenza, uno per sezione, senza saltarne nessuno.
RUOLO 1 — Dreamer: descrivi la versione più ambiziosa di questa idea. Niente limiti di budget, tempo, capacità. Cosa sarebbe se funzionasse al massimo?
RUOLO 2 — Realist: ora che il Dreamer ha parlato, scrivi il piano operativo per arrivarci. Step concreti, risorse, tempi realistici, primo step da fare domani mattina.
RUOLO 3 — Critic: leggi il piano del Realist e cerca i punti deboli. Cosa può andare storto? Cosa è stato minimizzato? Proponi 3 correzioni specifiche al piano, non bocciarlo.

L’esempio dove l’ho visto funzionare meglio: un’idea per un workshop di formazione AI in azienda. Il Dreamer ha proposto un formato di tre giorni residenziale. Il Realist l’ha ridotto a uno-due giorni con materiale pre-corso e follow-up post-corso. Il Critic ha fatto notare che il pre-corso veniva ignorato dalla metà dei partecipanti negli eventi precedenti, e ha proposto di sostituirlo con un check di 15 minuti il giorno stesso. Il risultato finale era irriconoscibile rispetto al sogno iniziale, ma molto più solido.

SCAMPER: come riadatti un contenuto in sette manovre?

SCAMPER è un acronimo formalizzato da Bob Eberle nel libro “SCAMPER: Games for Imagination Development” del 1971, ispirato dalla Idea-Spurring Checklist di Alex Osborn (il padre del brainstorming). Le sette lettere sono manovre creative da applicare a un oggetto, un servizio o un contenuto esistente per generare varianti.

S sta per Substitute, C per Combine, A per Adapt, M per Modify (anche Magnify o Minify), P per Put to another use, E per Eliminate, R per Reverse. Sette domande, sette piste di ricombinazione, sette varianti possibili.

• S — Substitute: sostituisci un elemento (un materiale, un canale, un attore).
• C — Combine: unisci due cose che di solito stanno separate.
• A — Adapt: prendi una soluzione da un altro contesto e adattala.
• M — Modify: cambia forma, dimensione, tono. Ingrandisci o riduci.
• P — Put to another use: stesso oggetto, scopo diverso.
• E — Eliminate: togli qualcosa. Cosa resta? È sufficiente?
• R — Reverse: ribalta l’ordine, inverti i ruoli, gira al contrario.

Per me SCAMPER è il framework di repurposing. Quando ho un articolo blog, un episodio podcast o un video YouTube e voglio estrarne contenuti per altri canali, gli passo lo SCAMPER e ottengo sette piste pronte. Non tutte sono buone, ma una o due lo sono quasi sempre, e non le avrei trovate da solo.

PROMPT — SCAMPER per repurposing
Ho questo contenuto sorgente: [INCOLLA ARTICOLO / TRASCRIZIONE / SCRIPT].
Applica SCAMPER per generare 7 varianti per altri canali. Una variante per ogni lettera:
S — Substitute: sostituisci il formato (testo → video, lungo → corto, parlato → visivo).
C — Combine: combinalo con un altro tema o un'altra esperienza per un contenuto ibrido.
A — Adapt: adatta il messaggio a una professione/nicchia specifica diversa dal target originale.
M — Modify: cambia tono, lunghezza o angolo (più tecnico, più narrativo, più conciso).
P — Put to another use: usalo per uno scopo diverso (formazione interna, vendita, onboarding cliente).
E — Eliminate: togli l'80% e tieni solo il 20% più potente per un post breve.
R — Reverse: ribalta il punto di vista (se parla a chi vende, parla a chi compra).
Per ogni variante: titolo, canale di destinazione, formato, primi 2 paragrafi di esempio.

Esempio concreto: ho preso un articolo sul prompt RISEN, gli ho applicato SCAMPER, e ne sono uscite sette piste tra cui un thread X di 8 tweet (Eliminate), un episodio podcast di 12 minuti (Substitute), una versione per avvocati (Adapt), e un carosello Instagram (Modify). Quattro su sette si sono trasformati in contenuti veri nelle settimane successive.

Eisenhower Matrix: come prioritizzi cento task con l’AI?

Qui c’è una misattribuzione famosa da chiarire. Il principio “urgente vs importante” viene da un discorso di Eisenhower del 1954 alla Northwestern University, dove citava un ex preside universitario: “ho due tipi di problemi, l’urgente e l’importante. L’urgente non è importante e l’importante non è mai urgente”. Eisenhower non ha inventato la matrice. La matrice 2×2 come la conosciamo è di Stephen Covey, formalizzata nel libro “The 7 Habits of Highly Effective People” del 1989.

I quattro quadranti sono: urgente e importante (fai subito), importante non urgente (pianifica, è qui che vivono i risultati a lungo termine), urgente non importante (delega), né urgente né importante (elimina). Covey sostiene che le persone più efficaci spendono sproporzionatamente tempo nel Quadrante 2, l’unico che produce valore composto.

Con l’AI funziona per il triage rapido. Quando ho la inbox piena, un brain dump di task scritti di getto, o una lista di idee accumulate per giorni, passo tutto all’assistente con questo prompt e ottengo la matrice precompilata in 30 secondi.

PROMPT — Eisenhower Matrix
Ecco una lista di task / email / idee che si sono accumulate:
[INCOLLA LISTA]
Categorizzale nei 4 quadranti della matrice di Eisenhower-Covey:
Q1 (urgente + importante): da fare oggi.
Q2 (importante non urgente): da pianificare in calendario nella settimana.
Q3 (urgente non importante): da delegare o rispondere in 2 minuti.
Q4 (né urgente né importante): da eliminare o archiviare.
Per ogni voce spiega in una frase perché va in quel quadrante. Se sei in dubbio fra Q1 e Q2, chiediti: succede qualcosa di grave se lo faccio domani invece che oggi?

La domanda finale del prompt è la chiave: la maggior parte di noi tratta come Q1 cose che in realtà sono Q2 mascherate da urgenza. L’AI, non avendo il tuo cortisolo addosso, classifica meglio di te.

5 Whys: come scavi alla causa vera di un problema?

I 5 Whys sono una tecnica di root cause analysis sviluppata da Sakichi Toyoda negli anni ’30 e poi diventata parte del Toyota Production System sotto la guida di Taiichi Ohno. Il principio è iterativo: davanti a un problema, chiedi “perché?”, ottieni una risposta, e chiedi “perché?” di nuovo sulla risposta. Cinque volte. Non sempre servono esattamente cinque, ma il numero ricorda che il primo “perché” non è quasi mai quello vero.

Esempio: il post Instagram di ieri ha avuto 50 like, di solito ne fa 300.

Why 1? Perché ha avuto poco engagement nella prima ora (è una conseguenza, non la causa).
Why 2? Perché l’hook iniziale era debole.
Why 3? Perché ho pubblicato di fretta senza testare alternative.
Why 4? Perché il calendar editoriale era saltato e ho recuperato a tampone.
Why 5? Root cause → Perché non ho un buffer di hook pretestati per le settimane storte.

Con l’AI è una conversazione vera, non un prompt unico. Si parte dal problema, l’assistente fa la prima ipotesi di causa, tu confermi o correggi, lui fa la seconda. È uno degli usi in cui Claude funziona molto bene perché tiene il filo lungo, e l’output a fine conversazione è una catena causa-effetto che spesso punta a un cambiamento strutturale, non a un sintomo.

PROMPT — 5 Whys
Ho questo problema: [DESCRIVI PROBLEMA].
Aiutami a fare root cause analysis con la tecnica dei 5 Whys di Toyota.
Funziona così: tu fai una sola domanda alla volta. Cominci chiedendomi "perché succede questo problema?". Io ti rispondo. Tu, sulla mia risposta, fai un'altra domanda "perché?". Andiamo avanti fino a quando la risposta diventa una causa strutturale, non un sintomo.
Regole: una domanda per volta, niente assunzioni tue, niente soluzioni finché non abbiamo trovato la radice. Quando pensi che siamo arrivati alla causa vera, dimmelo e proponi 2 contromisure di sistema (non patch).

Importante: la regola “una domanda per volta” cambia tutto. Senza quella regola, l’assistente tira fuori subito una diagnosi completa, e perdi il valore del metodo che sta proprio nel costringerti a esplicitare ogni passaggio.

OODA Loop: come orchestri il lavoro con un agente AI in modo iterativo?

L’OODA Loop è un modello decisionale sviluppato dal Colonnello dell’USAF John Boyd nei primi anni ’70, partendo dall’analisi del combattimento aereo durante la guerra di Corea. Le quattro fasi sono Observe (osserva la situazione), Orient (interpretala col tuo modello mentale), Decide (scegli un’azione), Act (agisci). Poi si ricomincia. La fase più sottovalutata è Orient, perché è dove il tuo bias plasma la decisione.

1. Observe — raccogli i dati grezzi della situazione. Cosa sta succedendo? Cosa è cambiato?
2. Orient — interpreta i dati col tuo modello mentale, esperienza, bias. Fase critica: qui si gioca tutto.
3. Decide — scegli un corso d’azione fra le opzioni.
4. Act — esegui, e torna a Observe per misurare l’effetto.

Il motivo per cui funziona con gli agenti AI è semplice: gli agenti lavorano per cicli, non per richieste singole. Quando uso Claude Code o un sub-agent per un task complesso, il pattern è esattamente OODA. L’agente osserva (legge file, esegue comandi), si orienta (riassume e interpreta), decide (sceglie il prossimo step), agisce (modifica un file, scrive output). Poi tu osservi il risultato, ti orienti, decidi se continuare o correggere, e agisci sul prompt successivo.

PROMPT — OODA per agente AI
Devo portare a termine questo obiettivo: [INSERISCI OBIETTIVO COMPLESSO].
Lavora in cicli OODA brevi, mai più di 15 minuti per ciclo. Per ogni ciclo segui questa struttura:
OBSERVE: descrivi cosa vedi/sai adesso in 2 righe (input, contesto, vincoli noti).
ORIENT: interpretazione. Cosa significa questa situazione? Cosa hai imparato dal ciclo precedente?
DECIDE: scegli un solo prossimo step. Non 5 step, uno.
ACT: esegui lo step (o, se serve un mio input, fermati e chiedimi).
Alla fine di ogni ciclo fermati e attendi mio feedback prima di partire col ciclo successivo. Non andare avanti in autonomia per più di un ciclo alla volta.

Il vincolo “non andare avanti per più di un ciclo” è quello che impedisce all’agente di partire per la tangente. È il modo in cui mantieni il controllo senza dover micro-prompare ogni passaggio.

Pre-Mortem: come anticipi il fallimento di un progetto prima che accada?

Il Pre-Mortem è una tecnica formalizzata dallo psicologo Gary Klein in un articolo pubblicato sulla Harvard Business Review nel settembre 2007, intitolato “Performing a Project Premortem”. Si basa su un principio cognitivo chiamato prospective hindsight: immaginare in modo concreto un evento futuro già successo aumenta del 30% l’accuratezza nell’identificare i fattori che lo causano (Mitchell, Russo & Pennington, 1989).

Tradotto: in una normale risk analysis (“quali rischi potrebbe avere questo progetto?”) il cervello cerca con poca convinzione. In un Pre-Mortem (“il progetto è fallito, ricostruiamo perché”) il cervello cerca con energia, perché non sta più ipotizzando, sta spiegando un fatto già avvenuto. La grammatica conta: passare dal condizionale al passato cambia l’output.

È diventato il mio prompt preferito prima di lanciare qualunque cosa: un workshop, una collaborazione brand, un’automazione complessa, una nuova skill. Venti minuti spesi qui hanno evitato problemi che sarebbero costati ore di firefighting dopo.

PROMPT — Pre-Mortem (Gary Klein)
Sto per lanciare questo progetto: [DESCRIVI IL PROGETTO IN 5 RIGHE: obiettivo, tempi, risorse, stakeholder coinvolti, criteri di successo].
Esegui un pre-mortem alla Gary Klein. Funziona così:
1. Immagina che siano passati 6 mesi e che il progetto sia clamorosamente fallito. Non "andato così così". FALLITO.
2. Genera 15 ragioni plausibili per cui è fallito. Sii specifico, non generico ("comunicazione scarsa" non vale, "il cliente ha cambiato 3 volte i requirement e non abbiamo bloccato la scope" vale).
3. Per ognuna delle 15 ragioni, classifica probabilità (alta/media/bassa) e impatto (alto/medio/basso).
4. Dalle top 5 (alta probabilità + alto impatto), proponi una contromisura concreta da mettere in atto SUBITO, prima che il progetto parta.
Non addolcire. Voglio le 15 ragioni più dure che riesci a generare.

L’ultima riga del prompt è cruciale. Senza “non addolcire”, gli assistenti tendono a dare risposte morbide e accettabili. Con quella riga, tirano fuori scenari che la tua testa stava evitando.

Quale framework scegli quando? Un albero decisionale rapido

Sette framework sono troppi per ricordarli tutti senza una regola di selezione. La domanda da farsi è “cosa devo fare con questo task?”. Tre macro-categorie coprono il 90% dei casi.

Devo DECIDERE qualcosa?

Six Hats per decisioni collettive o complesse · Eisenhower per prioritizzare una lista di task · Pre-Mortem per decidere se vale la pena partire con un progetto.

Devo CREARE qualcosa?

Disney Method per validare un’idea creativa · SCAMPER per generare varianti da un contenuto esistente.

Devo CAPIRE o ITERARE?

5 Whys per capire perché qualcosa non funziona · OODA Loop per lavorare in cicli con un agente AI.

Una nota finale che vale per tutti e sette. Questi framework non sostituiscono il tuo giudizio. Lo strutturano. Quando li applichi con l’AI, il valore non sta nell’output che ottieni, sta nelle domande che ti costringono a porti prima di scrivere il prompt. Un Pre-Mortem fatto male è ancora più utile di una to-do list fatta bene, perché ti obbliga a guardare in faccia cose che la to-do list ti permette di ignorare.

Il consiglio operativo: scegline due, max tre, e usali per un mese. Quando li hai assorbiti, aggiungi gli altri. Imparare sette workflow in una settimana è il modo migliore per non usarne nessuno.

FAQ

Fonti

• Edward de Bono, Six Thinking Hats (Wikipedia)
• Disney Method e formalizzazione di Robert Dilts (Wikipedia)
• SCAMPER, Bob Eberle 1971 (Wikipedia)
• Eisenhower Matrix e attribuzione corretta a Stephen Covey (Asana)
• 5 Whys, Sakichi Toyoda e Toyota Production System (Wikipedia)
• OODA Loop, John Boyd (Wikipedia)
• Gary Klein, Performing a Project Premortem (Harvard Business Review, settembre 2007)
• Gary Klein, pagina ufficiale Premortem

Continua altrove

Articolo scritto con il supporto dell’intelligenza artificiale, sotto la mia supervisione. La responsabilità di quello che leggi è mia.

Massimiliano Pioli

Divulgatore di Intelligenza Artificiale

Divulgo l’intelligenza artificiale con un approccio pragmatico. Su questo blog, su Substack, YouTube, WhatsApp e nel mio podcast Cronache di Intelligenza Artificiale racconto come uso davvero l’AI nel lavoro quotidiano: produttività per professionisti, ecosistema Google AI (Gemini, NotebookLM, AI Studio), Claude Cowork e Claude Code. Non racconto l’AI come magia: non ti dà il talento che non hai, ma può moltiplicare quello che sai già fare.