Fabrizio Chignoli
Software engineer & engineering manager · AI, agents and the changing world of work
Sviluppatore ed engineering manager · AI, agenti e lavoro che cambia
Turin, Italy
Actions
Fabrizio Chignoli has been writing software since 1993. His experience includes real-time Olympic results systems, IoT and HPC. Today he is an engineering manager building agentic systems that work with real code and business processes.
On stage, he shares the mistakes, discoveries and decisions that change how people work with AI: delegating, sharing domain knowledge and retaining judgement. He speaks to developers, technical leaders and non-technical audiences, in English and Italian.
When ChatGPT came out, he said: “This is the dumbest thing we’ll interact with from now on.” Today he pays agents to work alongside him. In his spare time, he tempers chocolate.
Fabrizio Chignoli scrive software dal 1993. Ha lavorato ai sistemi di risultati olimpici in tempo reale, nell’IoT e nell’HPC. Oggi è engineering manager e costruisce sistemi agentici che lavorano su codice e processi reali.
Sul palco racconta gli errori, le scoperte e le decisioni che cambiano il lavoro con l’AI: come delegare, condividere la conoscenza del dominio e conservare il giudizio. Parla a sviluppatori, responsabili tecnici e pubblico non tecnico, in italiano e inglese.
Quando è uscito ChatGPT ha detto: «Questa è la cosa più stupida con cui interagiremo da qui in avanti». Oggi paga gli agenti per lavorare con lui. Nel tempo libero tempera cioccolato.
Area of Expertise
Topics
Your codebase is the actual prompt en it
Everyone tunes their prompts, switches models, reaches for bigger context windows, and Claude keeps floundering in the code. Why? Maybe the fix isn't the one we think it is. In this talk I'll walk you through what I've learned in the trenches and what I had to unlearn.
For developers using coding agents and technical leads shaping their adoption. The hook is a real paradox: the same agent behaves differently depending on the code it reads. The session gives the audience concrete ways to examine consistency, locality and readability, plus a starting point for improving a legacy codebase. Stack-independent, with a story already presented at Claude Torino. Available as a lightning talk or a regular session.
Recording in Italian: https://www.youtube.com/live/YBxcoCuHvpY
Your codebase is the actual prompt en it
Tutti tarano i prompt, cambiano modello, usano context window più grandi e Claude continua ad annaspare nel codice. Perché? Forse la soluzione non è quella che pensiamo. In questo talk ti racconto la mia esperienza sul campo e cosa ho dovuto disimparare
Per sviluppatori che usano agenti di coding e responsabili tecnici che ne guidano l’adozione. Il punto di partenza è un paradosso reale: lo stesso agente cambia comportamento in base al codice che legge. La sessione offre criteri concreti per esaminare coerenza, vicinanza delle informazioni e leggibilità, più un punto da cui partire su codice esistente. Applicabile a stack diversi, con una storia già portata a Claude Torino. Disponibile come lightning talk o sessione regolare.
Registrazione: https://www.youtube.com/live/YBxcoCuHvpY
Press Enter to continue en it
The agent kept finishing things, and I kept giving it more to do. Eventually, pressing Enter had become easier than deciding what should happen next. I had built a faster way to work and lost sight of where my own judgement belonged.
This talk follows the search for a way back. Slowing everything down gave me space to think, but left another problem unsolved: how to work effectively when expectations had already changed. I looked for other people facing the same tension and built a way of working around decisions I could actually make and results I could verify.
The journey moves from juggling tasks to managing a flow of work, then beyond my own desk. An efficient developer still needs an organisation that can decide, coordinate and keep work moving. We finish with the question behind the whole story: when an agent can execute the task, what does someone trust you to decide?
For developers, engineering leaders and organisations adopting AI. A personal journey connects the satisfaction of rapid output with the harder work of choosing, verifying and retaining professional judgement. The audience can recognise the pressure to do more while questioning where that pressure belongs. The organisational perspective makes this a useful bridge between technical AI sessions and discussions about how work changes.
Premi Invio per continuare en it
L’agente continuava a finire cose e io continuavo a dargliene altre. A un certo punto premere Invio era diventato più facile che decidere cosa dovesse succedere dopo. Avevo costruito un modo più veloce di lavorare e perso di vista dove servisse il mio giudizio.
Questo talk segue la ricerca di una via d’uscita. Rallentare tutto mi ha restituito spazio per pensare, ma lasciava aperto un problema: come lavorare efficacemente quando le aspettative erano già cambiate. Ho cercato altre persone nella stessa situazione e costruito un modo di lavorare intorno a decisioni che riuscivo a prendere e risultati che potevo verificare.
Il percorso passa dal giocoliere alla gestione di un flusso di lavoro, poi esce dalla mia scrivania. Uno sviluppatore efficiente ha comunque bisogno di un’azienda capace di decidere, coordinarsi e far scorrere il lavoro. Alla fine resta la domanda che tiene insieme la storia: quando l’agente sa eseguire il compito, quale decisione qualcuno affida a te?
Per sviluppatori, responsabili tecnici e organizzazioni che adottano l’AI. Un percorso personale collega la soddisfazione delle cose fatte alla fatica di scegliere, verificare e conservare il giudizio professionale. Il pubblico può riconoscere la pressione a produrre di più e interrogarsi su come distribuirla. La prospettiva aziendale collega le sessioni tecniche sull’AI alla discussione su come cambia il lavoro.
To vibe or not to vibe en it
Vibe coding is not the mistake. Failing to decide that you are doing it is.
Sometimes I want to explore an idea without supervising every line. Sometimes I need to work alongside the agent. Sometimes I can delegate the work and inspect the result at specific points. The difficult part is choosing deliberately, and noticing when the task calls for a different kind of attention.
Through development examples and recorded demonstrations, we explore these choices using an accessible reading of Martin Fowler’s human and agent loops. The task, its consequences, and the evidence available to check the result matter more than loyalty to a particular tool or working style.
You leave with questions for deciding how much autonomy to give an agent and when to change your involvement. Each mode has a place. The skill is knowing why you chose it.
For developers already using coding assistants and agents. A practical session on choosing how closely to supervise different kinds of work. It gives teams a vocabulary for discussing autonomy without treating one working style as universally right. Recorded examples connect the choice to planning, execution and verification. Particularly suited to AI-assisted development, software engineering and DevOps tracks.
To vibe or not to vibe en it
Non è un errore fare vibe coding. L’errore è non deciderlo.
A volte voglio esplorare un’idea senza seguire ogni riga. A volte devo lavorare accanto all’agente. Altre volte posso delegare e controllare il risultato in passaggi precisi. La parte difficile è scegliere consapevolmente e accorgersi quando il compito richiede un’attenzione diversa.
Attraverso esempi di sviluppo e dimostrazioni registrate, esploriamo queste possibilità con una lettura accessibile dei loop fra persone e agenti descritti da Martin Fowler. Contano il compito, le sue conseguenze e le prove disponibili per verificarlo, più della fedeltà a uno strumento o a un modo di lavorare.
Ti porti a casa domande per decidere quanta autonomia dare all’agente e quando cambiare il tuo coinvolgimento. Ogni modalità ha il suo posto. La competenza è sapere perché l’hai scelta.
Per sviluppatori che usano già assistenti e agenti di coding. Una sessione pratica su come scegliere quanto seguire lavori diversi. Offre ai team un linguaggio per discutere l’autonomia senza considerare una modalità sempre corretta. Gli esempi registrati collegano la scelta a pianificazione, esecuzione e verifica. Adatta a percorsi su sviluppo con AI, software engineering e DevOps.
The Da Vinci Codebase en it
An agent gets a business task and starts opening files. A controller points to a service, the service leads somewhere else, and understanding the operation becomes a hunt for clues. I recognised the investigation: I had been doing it myself for years.
This talk follows what happened when I started looking at architecture through the eyes of that reader. We examine how an operation is scattered across a codebase, what becomes easier when its story stays together, and which abstractions still earn their place. The approach grew from a colleague’s work on making software understandable to people joining the team. Coding agents gave us another reason to examine it.
Python examples and recorded demonstrations let us compare structures, distinguish repeated code from duplicated knowledge, and explore the trade-offs. You leave with a way to investigate your own codebase and decide where a clearer business story would help the next reader, human or agent.
For developers and architects interested in how code structure affects understanding. This session expands the investigation behind “Your codebase is the actual prompt” through examples and architectural trade-offs. Each session stands alone; organisers can choose the broader discovery or this deeper exploration. Python makes the choices visible, while the discussion applies across stacks.
Develhope recording in Italian: https://youtu.be/VXqBT6jueKA
Example code: https://github.com/lazyoft/building-with-raymond
Il codice Da Vinci en it
Un agente riceve un compito di business e comincia ad aprire file. Un controller rimanda a un servizio, il servizio porta altrove, e capire l’operazione diventa una caccia agli indizi. Quell’indagine la conoscevo: la facevo anch’io da anni.
Questo talk racconta cosa è successo quando ho iniziato a guardare l’architettura con gli occhi di quel lettore. Esaminiamo come un’operazione si disperde nella codebase, cosa diventa più semplice quando la sua storia resta insieme e quali astrazioni continuano a servire. L’approccio nasce dal lavoro di un collega per rendere il software comprensibile a chi entrava nel team. Gli agenti ci hanno dato un altro motivo per esaminarlo.
Esempi Python e dimostrazioni registrate permettono di confrontare strutture, distinguere codice ripetuto e conoscenza duplicata, ed esplorare i compromessi. Ti porti a casa un modo per indagare la tua codebase e decidere dove una storia di business più chiara aiuterebbe il prossimo lettore, umano o agente.
Per sviluppatori e architetti interessati a come la struttura del codice influisce sulla comprensione. La sessione approfondisce l’indagine di “Your codebase is the actual prompt” con esempi e compromessi architetturali. Ogni talk è autonomo: gli organizzatori possono scegliere la scoperta generale o questo approfondimento. Gli esempi Python rendono visibili scelte applicabili anche ad altri stack.
Registrazione Develhope: https://youtu.be/VXqBT6jueKA
Codice: https://github.com/lazyoft/building-with-raymond
Lost in (domain) translation en it
I asked a coding agent to work on an Italian invoicing application. It produced an answer. Then I asked it to distil the domain: the concepts, rules and relationships behind the invoices. When we returned to the work, the same words finally had something shared behind them.
This session follows that before-and-after through recorded demonstrations on a real C# / ASP.NET application. We watch the agent investigate a business error, build a reusable account of the domain and use that knowledge to reason about a change. The turning point is the understanding we have made available to it.
Eric Evans’s idea of a ubiquitous language provides the connection: the need to share meaning now extends to the agents working alongside us. Italian invoicing is the example. The question you take home belongs to your own business: when you and your agent use the same words, do you mean the same thing?
For developers, architects and technical leads working with AI on business software. The before-and-after demonstration makes domain knowledge visible as an engineering concern. Attendees see how shared terminology gains meaning through rules and relationships, and how to carry that understanding into later work. The example is specific enough to inspect; the lesson applies across business domains.
Italian meetup recording: https://www.youtube.com/live/n6kYt_taBtM
Example code: https://github.com/lazyoft/raymond-invoices
Lost in (domain) translation en it
Ho chiesto a un agente di lavorare su un’applicazione di fatturazione italiana. Una risposta l’ha prodotta. Poi gli ho chiesto di distillare il dominio: concetti, regole e relazioni dietro le fatture. Quando siamo tornati sul lavoro, le stesse parole avevano finalmente qualcosa di condiviso alle spalle.
La sessione segue questo prima e dopo con dimostrazioni registrate su un’applicazione reale in C# / ASP.NET. Vediamo l’agente indagare un errore di business, costruire una descrizione riutilizzabile del dominio e usare quella conoscenza per ragionare su una modifica. Il passaggio decisivo è la comprensione che gli abbiamo messo a disposizione.
Il collegamento è con l’ubiquitous language di Eric Evans: il bisogno di condividere significati si estende agli agenti che lavorano con noi. La fatturazione italiana è l’esempio. La domanda da portare nel tuo lavoro è un’altra: quando tu e il tuo agente usate le stesse parole, intendete la stessa cosa?
Per sviluppatori, architetti e responsabili tecnici che usano l’AI su software di business. Il confronto prima e dopo rende visibile il ruolo della conoscenza del dominio. Il pubblico vede come regole e relazioni danno significato ai termini condivisi e come conservare quella comprensione nel lavoro successivo. L’esempio è concreto; la lezione si applica a domini diversi.
Registrazione meetup: https://www.youtube.com/live/n6kYt_taBtM
Codice: https://github.com/lazyoft/raymond-invoices
The emperor has no clothes. His chatbot loves the outfit. en it
You bring an idea to an AI assistant. It finds something encouraging to say. The answer sounds intelligent, but did it help you think?
Before deciding how intelligent a machine is, this talk starts with what we mean by intelligence in people. Using multiple intelligences as a lens, we explore the uneven profile of AI: impressive in some situations, surprisingly limited in others. As its capabilities change, recognising those limits remains only part of the work. We also need to recognise what we are asking it to give us.
The courtier’s flattery is the trap. Intrapersonal intelligence offers a way to notice our own desire for reassurance and choose a more useful conversation. Instead of asking for approval, we can ask the assistant to find weaknesses, explore failure and argue the other side.
A session for anyone who wants an AI conversation to improve an idea, even when that means hearing something uncomfortable.
For non-technical audiences and professionals interested in how AI works and how it influences their judgement. Familiar examples connect uneven machine capabilities with the human habit of seeking confirmation. The session gives participants a concrete way to invite challenge and examine their own questions. Suitable for AI literacy, education and interdisciplinary programmes. Technical knowledge is not required.
Il re è nudo. Per l’AI è elegantissimo. en it
Porti un’idea a un assistente AI. Trova qualcosa di incoraggiante da dirti. La risposta sembra intelligente, ma ti ha aiutato a ragionare?
Prima di decidere quanto sia intelligente una macchina, questo talk parte da cosa intendiamo per intelligenza nelle persone. Usiamo le intelligenze multiple come lente per esplorare le capacità diseguali dell’AI: sorprendente in alcune situazioni, limitata in altre. Mentre queste capacità cambiano, riconoscere i limiti resta solo una parte del lavoro. Dobbiamo anche riconoscere cosa le stiamo chiedendo di darci.
La piaggeria del cortigiano è la trappola. L’intelligenza intrapersonale ci aiuta ad accorgerci del desiderio di essere rassicurati e a scegliere una conversazione più utile. Possiamo chiedere all’assistente di cercare debolezze, esplorare cosa potrebbe andare storto e fare l’avvocato del diavolo.
Una sessione per chi vuole che parlare con l’AI migliori un’idea, anche quando significa sentire qualcosa di scomodo.
Per pubblico non tecnico e professionisti interessati a come funziona l’AI e a come influisce sul loro giudizio. Esempi familiari collegano le capacità diseguali della macchina all’abitudine umana di cercare conferme. La sessione offre un modo concreto per chiedere un’obiezione e riesaminare le proprie domande. Adatta ad alfabetizzazione AI, formazione e programmi interdisciplinari. Non richiede conoscenze tecniche.
My AI has more patience than my aunt en it
When I could not solve a maths exercise, my aunt sat beside me and pointed me back to the step I needed to reconsider. She gave me the patience to find the answer myself.
I think of her when I use AI to learn. You can ask again, admit that you missed a step and try a different explanation without worrying that your question sounds stupid. At work, that opens a possibility for people who need guidance when an experienced colleague is busy.
But the same tool can complete the exercise before you have understood anything. This session explores how to use that availability to build understanding: asking for hints, working through an example, testing an explanation and doing part of the work yourself.
As AI takes on tasks people once learned their trade through, the first step into a profession needs attention. My aunt gives us a place to start: learning happens in the thinking you are helped to do.
For professional learning, AI literacy and events concerned with people entering or changing a profession. A personal teaching experience makes the difference between obtaining an answer and developing understanding tangible. The audience explores how to ask for guidance and keep practising when AI can already finish the task. Accessible to non-technical participants, with a useful connection to mentoring, onboarding and lifelong learning.
L’AI ha più pazienza di mia zia en it
Quando non riuscivo a risolvere un’espressione, mia zia si sedeva accanto e mi riportava sul passaggio da rivedere. Mi dava la pazienza di arrivare da solo alla risposta.
Ci ripenso quando uso l’AI per imparare. Puoi chiedere ancora, ammettere di aver perso un passaggio e cercare una spiegazione diversa senza temere di fare una domanda stupida. Nel lavoro, questa disponibilità apre una possibilità a chi ha bisogno di una guida quando il collega esperto è impegnato.
Lo stesso strumento, però, può finire l’esercizio prima che tu abbia capito qualcosa. Esploriamo come usarlo per costruire comprensione: chiedere indizi, affrontare un esempio, mettere alla prova una spiegazione e fare una parte del lavoro con la propria testa.
Mentre l’AI assorbe compiti su cui si imparava il mestiere, il primo gradino richiede attenzione. Mia zia ci offre un punto da cui partire: si impara nel ragionamento che qualcuno ti aiuta a fare.
Per formazione professionale, alfabetizzazione AI ed eventi dedicati a chi entra in un mestiere o lo cambia. Un’esperienza personale di insegnamento rende concreta la differenza fra ottenere una risposta e costruire comprensione. Il pubblico esplora come chiedere una guida e continuare a esercitarsi quando l’AI sa già finire il compito. Accessibile a partecipanti non tecnici, con collegamenti a mentoring, inserimento nel lavoro e apprendimento continuo.
You hired a robot without knowing it en it
An assistant offers to take care of something for you. It can gather information, use tools and take the next step. You may already be working with an AI agent without calling it one.
This session makes that relationship visible for a non-technical audience. A live example lets us follow a task from the original request to the result. Along the way we examine what the agent can see, which instructions guide it, what it can actually do and where it needs a person’s judgement.
A missing attachment, an unclear rule and an action that was never checked lead to different problems. Understanding those differences helps us decide how much trust to give the assistant and what to verify.
Participants leave with a way to recognise when software is acting on their behalf and to ask useful questions about the work they have handed over.
For general audiences curious about AI agents in everyday life and work. A live example makes an otherwise hidden process visible and gives the room concrete decisions to discuss. Participants need no programming background. This is the accessible counterpart to “Congratulations, AI made you the boss”, focused on recognising agency and calibrating trust rather than managing a technical team.
Hai assunto un robot a tua insaputa en it
Un assistente si offre di occuparsi di qualcosa per te. Può raccogliere informazioni, usare strumenti e decidere il passaggio successivo. Potresti già lavorare con un agente AI senza chiamarlo così.
Questa sessione rende visibile quel rapporto per un pubblico non tecnico. Un esempio dal vivo permette di seguire un compito dalla richiesta al risultato. Lungo il percorso esaminiamo cosa vede l’agente, quali istruzioni lo guidano, cosa può fare davvero e dove gli serve il giudizio di una persona.
Un allegato mancante, una regola poco chiara e un’azione mai verificata producono problemi diversi. Capire la differenza ci aiuta a decidere quanta fiducia dare all’assistente e cosa controllare.
Ti porti a casa un modo per riconoscere quando un software agisce per tuo conto e per fare domande utili sul lavoro che gli hai affidato.
Per il grande pubblico interessato agli agenti AI nella vita quotidiana e nel lavoro. Un esempio dal vivo rende visibile un processo normalmente nascosto e offre alla sala decisioni concrete da discutere. Non serve saper programmare. È la controparte divulgativa di “Congratulazioni, l’AI ti ha promosso”, centrata sul riconoscere quando uno strumento agisce e sul calibrare la fiducia.
Using a sledgehammer to crack a nut en it
I built an AI system to do a job I was tired of doing. It worked and grew. Understanding what it cost became another engineering problem.
This talk follows the mistakes behind an expensive agent: using a powerful model for every task, carrying unnecessary context, asking for long answers, and missing opportunities to reuse stable input. We work through the decisions that affect the bill, from measuring cost per task to choosing models, reducing unnecessary tokens and making prompt caching useful.
We also look at the checks needed to keep quality from slipping and to notice unexpected spending. The examples come from building an autonomous system. The aim is to give developers a practical way to examine their own costs and decide which changes are worth making.
For engineers, architects and technical leaders building agentic systems. The session connects an increasingly practical concern, the AI bill, to decisions the audience can influence: model choice, context, output length, caching and spending checks. A personal sequence of mistakes gives each technique a reason to matter. Attendees leave with an order for examining their own costs and checking that savings preserve quality. A fit for AI engineering, platform engineering and FinOps programmes.
Sparare alle mosche col cannone en it
Ho costruito un sistema AI per fare un lavoro che mi ero stancato di fare. Ha funzionato ed è cresciuto. Capire quanto costava è diventato un altro problema di ingegneria.
Questo talk segue gli errori dietro un agente costoso: usare un modello potente per ogni compito, trascinare contesto inutile, chiedere risposte lunghe e perdere le occasioni per riusare informazioni stabili. Attraversiamo le decisioni che cambiano il conto: misurare il costo per compito, scegliere i modelli, ridurre i token superflui e far funzionare la cache.
Vediamo anche quali controlli servono per accorgerci di una perdita di qualità o di spese inattese. Gli esempi nascono dalla costruzione di un sistema autonomo. L’obiettivo è dare agli sviluppatori un modo pratico per esaminare i propri costi e scegliere cosa cambiare.
Per sviluppatori, architetti e responsabili tecnici che costruiscono sistemi agentici. La sessione collega un problema concreto, il conto dell’AI, a decisioni su cui il pubblico può intervenire: scelta dei modelli, contesto, lunghezza delle risposte, cache e controlli di spesa. Una sequenza di errori personali dà un motivo a ogni tecnica. I partecipanti trovano un ordine per esaminare i propri costi e verificare che il risparmio conservi la qualità. Adatto a programmi su ingegneria dell’AI, piattaforme e FinOps.
Congratulations, AI made you the boss en it
You knew how to do the work. Then you started giving it to an AI agent, and a different set of problems appeared. Instructions that seemed clear produced the wrong result. A lesson had to be taught again. Getting impatient did little to improve the next attempt.
These are familiar problems to anyone who has managed people or run a business. This talk explores the management skills that become part of everyday work with agents: delegating an outcome, explaining the local way of working, making lessons persist and responding usefully when mistakes happen.
We also examine the difficult part of supervision: deciding whether a result is good when you have little detail about how it was produced. That calls for clear expectations and useful evidence.
The title is the invitation. The session is about learning the job that came with it, so your agents get a manager who helps them do better work.
For developers, technical leads and professionals starting to delegate work to AI agents. The management perspective connects clear instructions, patient feedback, retained learning and validation with limited implementation detail. Attendees can recognise familiar frustrations and turn them into skills to practise. A fit for engineering leadership and AI adoption programmes, including audiences without previous management experience.
Congratulazioni, l’AI ti ha promosso en it
Sapevi fare il lavoro. Poi hai iniziato ad affidarlo a un agente AI e sono comparsi problemi diversi. Istruzioni che sembravano chiare producevano il risultato sbagliato. Una lezione andava insegnata di nuovo. Irritarsi serviva poco a migliorare il tentativo successivo.
Sono problemi familiari a chi ha gestito persone o mandato avanti un’attività. Questo talk esplora le competenze manageriali che entrano nel lavoro quotidiano con gli agenti: delegare un risultato, spiegare come si lavora da te, conservare gli insegnamenti e reagire in modo utile quando vengono commessi errori.
Affrontiamo anche la parte difficile della supervisione: decidere se un risultato è buono avendo pochi dettagli su come è stato prodotto. Servono aspettative chiare e prove utili.
Il titolo è l’invito. La sessione riguarda il mestiere che ti è arrivato insieme alla promozione, perché i tuoi agenti abbiano un manager che li aiuta a lavorare meglio.
Per sviluppatori, responsabili tecnici e professionisti che iniziano a delegare lavoro agli agenti AI. La prospettiva manageriale collega istruzioni chiare, pazienza, insegnamenti che rimangono e verifica con pochi dettagli di implementazione. Il pubblico può riconoscere frustrazioni familiari e trasformarle in competenze da esercitare. Adatto a leadership tecnica e adozione dell’AI, anche senza esperienza precedente di gestione.
Who moved my job? en it
People ask me whether AI will take their job. I used to look for an answer by profession. Then I found myself looking at people with the same job title whose daily work was changing in very different ways.
This talk follows that investigation beyond software engineering. We examine the tasks through which beginners learn, the routine work hidden inside skilled professions, the expectations that rise when tools improve, and organisations that reconsider an automation decision. Each lens changes what we can see.
The distinction I arrive at is between work valued for the volume it produces and work valued for a judgement, a guarantee or a presence someone trusts. That boundary can run through a single profession, and it can move.
My view is that work changes rather than simply vanishing over the long term. That does not make the transition painless or protect every job. The session gives a mixed audience a way to investigate what is changing in its own work and where its contribution may move next.
For interdisciplinary conferences and audiences exploring AI’s effects on work. An investigation across professions gives the session a narrative thread while connecting learning, changing expectations and professional trust. The speaker brings first-hand experience from software engineering and reported cases from other fields. Participants leave with a lens for examining their own tasks and decisions, with the limits of each case kept visible.
Chi ha spostato il mio lavoro? en it
Mi chiedono se l’AI porterà via il lavoro. Per rispondere guardavo il mestiere. Poi mi sono trovato davanti persone con lo stesso titolo professionale il cui lavoro quotidiano cambiava in modi molto diversi.
Questo talk segue l’indagine fuori dallo sviluppo software. Guardiamo i compiti con cui impara chi comincia, il lavoro ripetitivo nascosto nei mestieri qualificati, le aspettative che crescono quando gli strumenti migliorano e le aziende che rivedono una scelta di automazione. Ogni lente cambia quello che riusciamo a vedere.
Lo spartiacque a cui arrivo separa il lavoro pagato per la quantità che produce da quello pagato per un giudizio, una garanzia o una presenza di cui ci si fida. Può attraversare lo stesso mestiere e può spostarsi.
La mia lettura è che nel lungo periodo il lavoro muti, anziché semplicemente scomparire. Questo non rende indolore il passaggio e non protegge ogni posto. La sessione offre a un pubblico misto un modo per indagare cosa sta cambiando nel proprio lavoro e dove può spostarsi il proprio contributo.
Per conferenze interdisciplinari e pubblico interessato agli effetti dell’AI sul lavoro. Un’indagine fra professioni tiene insieme apprendimento, aspettative che cambiano e fiducia professionale. Il relatore porta esperienza diretta dallo sviluppo software e casi documentati degli altri settori. Il pubblico acquisisce una lente per esaminare i propri compiti e le proprie decisioni, mantenendo visibili i limiti di ciascun caso.
Trust the plan, bischero! en it
I left Claude on its own overnight to build an application for a friend’s project: laying out a comic set in fifteenth-century Florence.
My friend got his app. I got something out of it too: a nervous breakdown.
In this talk, recommended by my therapist as a cathartic exercise, I try to tell the story of my misadventures with models that take you too literally, and what I learned from the experience.
A lightning talk for developers who have handed an ambitious task to an agent and wondered what could go wrong. One unusual application, a comic set in Renaissance Florence, gives the story a memorable setting. The speaker’s own misadventures make room for humour while exposing a practical question: how can an agent follow your instructions and still miss what you meant? A compact session for prompting discussion about intent, delegation and verification. Available in English and Italian.
Trust the plan, bischero! en it
Ho lasciato Claude una notte da solo a costruire un’applicazione per il progetto di un amico: impaginare un fumetto ambientato nella Firenze del 1400.
Il mio amico la sua app l’ha avuta, ed anche io ci ho ricavato qualcosa: un esaurimento nervoso.
In questo talk (consigliatomi dal mio terapista come catartico) provo a raccontarvi le mie disavventure con i modelli che ti prendono troppo alla lettera, e cosa ho imparato da questa esperienza.
Un lightning talk per sviluppatori che hanno affidato un compito ambizioso a un agente e si sono chiesti cosa potesse andare storto. Un’applicazione insolita, per un fumetto ambientato nella Firenze rinascimentale, dà al racconto uno scenario memorabile. Le disavventure del relatore lasciano spazio all’ironia e a una domanda concreta: come può l’agente seguire le istruzioni e fraintendere quello che volevi? Una sessione per aprire la discussione su intento, delega e verifica. Disponibile in italiano e inglese.
Please note that Sessionize is not responsible for the accuracy or validity of the data provided by speakers. If you suspect this profile to be fake or spam, please let us know.
Jump to top