9,5 ore. Senza interruzioni, senza che tu debba star lì a controllare, senza il classico "il modello si è impantanato e aspetta istruzioni". È quello che Ethan Mollick — ricercatore alla Wharton School e una delle voci più seguite sull'intelligenza artificiale applicata al lavoro — ha documentato in prima persona con Claude 5 Fable, il primo modello della nuova classe Mythos di Anthropic.
Claude 5 Fable è un modello di intelligenza artificiale di nuova generazione progettato per completare autonomamente compiti complessi e articolati — non singole risposte, ma interi flussi di lavoro — con un livello di continuità operativa che i modelli precedenti non avevano. In pratica: non aspetta che tu gli dica cosa fare ad ogni passo. Va avanti da solo.
Nei test di Mollick, Fable ha costruito una mappa isocrona interattiva (un tipo di visualizzazione geografica che mostra quanto tempo ci vuole per spostarsi da un punto) — un progetto che normalmente richiederebbe ore di lavoro umano coordinato. Il tutto in una singola sessione autonoma.
La domanda che ci facciamo noi qui da Spiegamelo — e che probabilmente ti fai anche tu — non è "è impressionante?". Lo è, chiaramente. La domanda è: cosa cambia, concretamente, per chi lavora in proprio in Italia?
Cos'è la classe Mythos e perché è diversa da quello che c'era prima?
La classe Mythos è la nuova generazione di modelli Anthropic pensata esplicitamente per l'autonomia prolungata, non per le risposte veloci. Se i modelli precedenti erano bravi a risponderti — come un assistente che aspetta sempre la prossima domanda — i modelli Mythos sono progettati per lavorare, nel senso pieno del termine: pianificare, eseguire, correggere gli errori lungo la strada, e consegnare qualcosa di finito. È una differenza che sembra sottile ma non lo è per niente. È la differenza tra un consulente che ti dà consigli e uno che, mentre tu sei al telefono con un cliente, ha già completato il deliverable che avevi in mente.
Fino a pochi mesi fa, i modelli AI migliori si comportavano come collaboratori molto svegli ma con un problema di attenzione: dopo un po' si perdevano, dimenticavano il contesto, chiedevano conferme continue. Fable, stando a quanto documentato da Mollick, regge un filo logico per quasi dieci ore consecutive. Per capire quanto sia strano questo numero: dieci ore è una giornata lavorativa. È il tempo che ci vuole per leggere un romanzo medio. È più di quanto la maggior parte degli esseri umani riesca a concentrarsi su un singolo progetto senza distrarsi (e chi c'è passato lo sa).
Il confronto più onesto che ci viene in mente è questo: i modelli precedenti erano come avere un assistente che devi briefare ogni venti minuti. Fable è come avere qualcuno a cui lasci il progetto la mattina e trovi qualcosa di finito la sera. Non perfetto, probabilmente — ma finito, strutturato, funzionante.
Costruire una mappa isocrona in autonomia: cosa dice davvero questo esempio?
Una mappa isocrona interattiva è uno strumento di analisi geografica che calcola e visualizza le aree raggiungibili da un punto entro un certo tempo di percorrenza. Non è un esercizio banale: richiede integrazione con API geografiche, logica di calcolo, interfaccia utente, gestione degli errori. È il tipo di progetto che un piccolo studio di consulenza o un freelancer tecnico potrebbe quotare tra le 1.500 e le 3.000 euro, con tempi di consegna di alcuni giorni.
Mollick lo ha ottenuto in 9,5 ore di elaborazione autonoma. Non 9,5 ore di suo tempo — 9,5 ore di Fable che lavora mentre lui, presumibilmente, faceva altro. Questo è il punto che secondo noi viene spesso frainteso nel dibattito sull'AI: non si tratta di velocità bruta, ma di disaccoppiamento del tempo. Puoi fare una cosa mentre l'AI fa un'altra cosa. Puoi dormire mentre un progetto avanza. Puoi essere con un cliente mentre uno strumento viene costruito per un altro.
Per un freelancer o una piccola impresa italiana, questo non è un dettaglio tecnico. È una ristrutturazione del modello di lavoro. Sei abituato a vendere ore? Beh, le ore non sono più la risorsa scarsa — lo è la capacità di definire bene cosa vuoi ottenere, e di verificare che quello che esce sia effettivamente utile. La competenza si sposta dall'esecuzione alla direzione. Insomma: non devi più saper fare tutto tu. Devi saper capire se quello che ti viene consegnato è buono. (Che è, tra parentesi, una competenza molto più rara di quanto si pensi.)
Per freelancer e PMI italiane: cosa cambia nella pratica?
Facciamo atterrare questo ragionamento. Se sei un freelancer italiano — consulente, designer, sviluppatore, copywriter, analista — o gestisci una piccola impresa, il punto non è "devo usare Fable?". Il punto è capire in quale direzione si sta muovendo il mercato, perché il mercato non aspetta che tu abbia deciso.
La direzione è questa: i progetti che prima richiedevano settimane di lavoro coordinato tra più persone possono ora essere abbozzati, prototipati, o addirittura completati da un singolo modello in autonomia. Secondo una ricerca pubblicata da McKinsey nel 2025, il 30% delle attività lavorative nelle professioni del sapere è già tecnicamente automatizzabile con i modelli AI attuali — e questa soglia sale rapidamente con ogni nuova generazione di modelli. Con la classe Mythos, quella percentuale probabilmente va rivista al rialzo.
Cosa significa per te, concretamente? Dipende da dove sei posizionato.
Se sei un esecutore — qualcuno che prende specifiche e le trasforma in output — la pressione è reale. Non perché l'AI ti sostituirà domani mattina, ma perché il valore percepito dell'esecuzione pura sta scendendo, e scende ogni volta che esce un modello come Fable. Se invece sei un consulente, un direttore creativo, qualcuno che definisce il problema prima ancora di risolverlo — la pressione è molto minore. Anzi, per certi versi la tua posizione si rafforza: sei tu la persona che sa cosa costruire. L'AI è quella che lo costruisce.
C'è poi una terza categoria, quella che a noi sembra la più interessante: chi impara a usare questi strumenti come moltiplicatori. Un freelancer che sa briefare bene Fable, verificare l'output, iterare rapidamente e consegnare al cliente qualcosa di finito — questo freelancer ha appena moltiplicato la sua capacità produttiva senza assumere nessuno. Per approfondire come l'AI sta già cambiando le possibilità di crescita per le piccole imprese senza nuove assunzioni, puoi leggere questo pezzo su PMI e AI.
Quali sono i limiti reali di Claude 5 Fable che nessuno ti dice?
I limiti reali di Claude 5 Fable sono quelli che ogni modello AI porta con sé, amplificati dal fatto che lavora in autonomia per ore: se parte con un'assunzione sbagliata, costruisce tutto il resto su quella fondamenta storta — e 9,5 ore dopo ti ritrovi con qualcosa di tecnicamente impeccabile ma completamente fuori bersaglio. È come lasciare un ottimo muratore a lavorare da solo per una giornata: se non gli hai spiegato bene dove va la porta, la trovi nel posto sbagliato. Il muro è perfetto. La porta è perfetta. Solo che non entra mai la luce.
I test di Mollick sono stati condotti in condizioni controllate, su progetti ben definiti, da qualcuno con una comprensione profonda di come funzionano questi modelli. La replica da parte di un utente medio — o di un freelancer italiano che prova Fable per la prima volta — produrrà probabilmente risultati molto più variabili. Non perché Fable sia meno capace, ma perché la qualità dell'output dipende in modo critico dalla qualità del briefing iniziale. Garbage in, garbage out — solo che adesso il garbage ha avuto 9,5 ore per moltiplicarsi.
C'è anche una questione di accesso: al momento della pubblicazione di questo articolo, Fable è ancora in fase di rilascio controllato. Non è disponibile per tutti, non è gratuito, e i costi per sessioni autonome di quasi dieci ore non sono ancora completamente trasparenti. Prima di costruire un modello di business intorno a uno strumento, vale la pena aspettare che sia stabile e accessibile — e che i prezzi siano chiari. Su come stanno cambiando i modelli di prezzo AI, tra l'altro, abbiamo scritto qualcosa di utile qui.
Come prepararsi all'era dei modelli autonomi: da dove partire?
Prepararsi all'era dei modelli AI autonomi significa sviluppare tre competenze specifiche che i modelli non possono sostituire: la capacità di definire un problema in modo preciso, la capacità di valutare un output complesso (capire se quello che hai ricevuto è buono, e perché), e la capacità di iterare rapidamente — cioè di correggere la rotta senza ricominciare da zero ogni volta. Queste tre competenze non si imparano leggendo articoli. Si imparano usandoli, sbagliando, e capendo dove si è sbagliato.
Il consiglio più concreto che possiamo darti è questo: se non hai ancora integrato nessuno strumento AI nel tuo flusso di lavoro quotidiano, inizia da un progetto piccolo e ben definito. Non il progetto più importante che hai — uno su cui puoi permetterti di sbagliare. Descrivi con precisione cosa vuoi ottenere. Verifica ogni passaggio. E nota dove il modello si inceppa: quei punti di inceppo sono esattamente le aree dove la tua competenza umana vale di più.
Secondo i dati InfoJobs 2025, il 47% dei lavoratori autonomi italiani dichiara di non aver ancora integrato strumenti AI nel proprio flusso di lavoro. Non è un dato di cui vantarsi — è un divario che si allarga ogni mese. Con l'arrivo di modelli come Fable, chi ha già familiarità con questi strumenti non parte solo un passo avanti: parte con una comprensione del mezzo che gli altri dovranno costruire da zero, mentre il mezzo continua ad accelerare.
Per chi vuole costruire clienti e visibilità usando l'AI nel modo giusto, questo pezzo su come i bot AI stanno cambiando il traffico online offre un contesto utile su dove si stanno spostando le opportunità.
Conclusione
9,5 ore di lavoro autonomo su un progetto complesso. È un numero che fa impressione — e fa impressione per le ragioni giuste, non per quelle sbagliate. Non perché l'AI stia per "prendere il lavoro a tutti" (quella frase è consumata quanto un jingle pubblicitario degli anni novanta). Ma perché segnala qualcosa di strutturale: il tempo sta smettendo di essere la risorsa scarsa. Lo sta diventando la chiarezza — sapere cosa vuoi, perché lo vuoi, e se quello che hai ottenuto ci si avvicina.
Nassim Taleb, nel suo Antifragile, scriveva che i sistemi robusti non sono quelli che resistono agli shock — sono quelli che migliorano grazie agli shock. Fable è uno shock. La domanda è se il tuo modo di lavorare è abbastanza flessibile da migliorarci sopra, o abbastanza rigido da spezzarsi.
Probabilmente lo sai già, la risposta.