Due persone investono 20.000$ e generano 1,8 miliardi di fatturato grazie all'AI

Case Study: Medvi, la start-up di telemedicina da 1,8 miliardi di dollari con due soli dipendenti

Fonte: New York Times

Matthew Gallagher ha costruito un'azienda miliardaria con 20.000 dollari e una dozzina di strumenti di intelligenza artificiale

Sam Altman aveva ipotizzato la nascita di imprese dal valore di un miliardo di dollari guidate da un singolo individuo. Matthew Gallagher ha dato corpo a questa visione superandola, come documentato dal New York Times, poiché la sua Medvi, una startup di telemedicina focalizzata sui trattamenti per il dimagrimento, ha raggiunto un fatturato annuo di 1,8 miliardi di dollari avvalendosi esclusivamente del lavoro suo e di quello del fratello.

L'investimento iniziale è stato di 20.000 dollari. Il resto lo ha fatto un'architettura operativa che il New York Times definisce "thin architecture".

Gallagher ha concentrato le risorse su branding e acquisizione clienti, delegando tutto il resto a piattaforme esterne e agenti automatizzati. ChatGPT, Claude e Grok hanno scritto il codice del software e i testi del sito. Midjourney e Runway hanno prodotto immagini e video pubblicitari. Il servizio clienti e la gestione degli appuntamenti funzionano tramite sistemi vocali di ElevenLabs e agenti IA personalizzati, senza alcun operatore umano nel mezzo.

La conformità medica, le licenze, i medici prescrittori e la logistica delle spedizioni sono gestiti da CareValidate e OpenLoop Health, piattaforme "business-in-a-box" che si collegano al front-end di Medvi via API. Secondo un'analisi di Research Leap, già nel 2025 l'azienda aveva generato 401 milioni di dollari di vendite con un margine di profitto netto del 16,2%, un dato che spiega la velocità con cui ha superato competitor con centinaia di dipendenti e strutture tradizionali.

Il modello funziona, ma non è privo di fragilità. GreyJournal ha segnalato casi di "allucinazioni" dell'IA che hanno prodotto prezzi errati e riferimenti a prodotti inesistenti, oltre a una dipendenza critica dai fornitori terzi che gestiscono l'intera catena operativa. La responsabilità legale per eventuali errori ricade direttamente sul fondatore, e il settore dei farmaci GLP-1 in cui Medvi opera è soggetto a un quadro normativo in continua evoluzione (secondo Research Leap). Il rischio di "lock-in" verso le piattaforme esterne aggiunge un ulteriore livello di vulnerabilità strutturale.

Chi desidera imitare questo percorso deve comprendere che la tecnologia, dato che ChatGPT e Midjourney sono a disposizione di ogni utente, non garantisce alcun vantaggio competitivo. Il vero valore risiede nell'abilità di coordinare numerosi software all'interno di un processo di lavoro fluido, assicurando al contempo standard qualitativi elevati e il rispetto delle normative vigenti, aspetti che nessun algoritmo può gestire autonomamente. Gallagher ha creato una società dal valore miliardario con una struttura quasi priva di dipendenti, ma questa stessa scelta espone il suo modello a rischi notevoli perché ogni svista dell'intelligenza artificiale o dei collaboratori esterni ricade direttamente su di lui, mancando una squadra interna capace di correggere le anomalie prima che raggiungano il cliente finale. Per questo nasce Marketing Hackers. Una piattaforma solida che ti permette di automatizzare la tua azienda tramite un solo fornitore che orchestra tutti gli altri

Pika Labs porta gli agenti AI nelle videochiamate su Google Meet con Pika Skills

Fonte: Efficienist

Il primo modulo open-source della collezione Pika Skills trasforma l'agente di coding in un partecipante attivo, con avatar animato e voce clonata

Pika Labs ha lanciato Pika Skills, una raccolta di moduli open-source sviluppati per espandere le funzionalità degli agenti dedicati alla programmazione. Il primo strumento disponibile, denominato pikastream-video-meeting, consente di inserire il proprio agente all'interno di una sessione su Google Meet, dove interagisce tramite un avatar animato che gestisce conversazioni in tempo reale.

Il sistema si basa su PikaStream 1.0, che secondo il blog ufficiale di Pika opera con un motore di rendering a 30 FPS e una latenza di circa 1,5 secondi. La differenza rispetto ai classici strumenti speech-to-text è la componente visiva. L'agente non è una voce disincarnata, ma un interlocutore con un volto generato in tempo reale. La clonazione vocale richiede appena 15 secondi di campione audio, il che rende la configurazione rapida anche per chi non ha familiarità con strumenti di sintesi vocale.

Prima di unirsi alla chiamata, l'agente attinge ai file del workspace e ai contatti recenti tramite una funzione chiamata "Workspace Synthesis", che scansiona log e documenti per iniettare conoscenza rilevante nella conversazione (secondo la guida tecnica di PikaStream). Durante la riunione può eseguire task operativi come la prenotazione di appuntamenti, e al termine genera riassunti automatici.

Sul piano tecnico, l'implementazione richiede Python 3.10+, una Pika Developer Key (PIKA_DEV_KEY) e ffmpeg. La procedura prevede la clonazione della repository Pika-Skills su GitHub, il puntamento dell'agente alla cartella del modulo e l'installazione tramite il comando dedicato. Il modulo si integra con agenti di coding come Claude Code, OpenClaw e Hermes, ed è rilasciato sotto licenza Apache 2.0.

Il costo del servizio tramite Pika Developer API è di 0,50 dollari al minuto, con un controllo automatico del saldo prima dell'avvio della riunione. La fase beta attuale supporta esclusivamente Google Meet, e come prevedibile per un prodotto in questa fase, possono verificarsi latenze e glitch durante l'uso. Sa funziona, sarebbe come avere un partecipante che arriva preparato, prende appunti e prenota follow-up senza che nessuno glielo chieda. Il limite, per ora, è che funziona solo su una piattaforma e costa quanto un consulente junior al minuto.

Cursor 3 lancia la sfida a OpenAI e Anthropic con un IDE agent-first e prezzi a consumo

Fonte: Wired

La startup abbandona gli abbonamenti sussidiati e punta su modelli proprietari per competere con Claude Code e Codex

Cursor ha lanciato Cursor 3, un ambiente di sviluppo che sposta il baricentro dall'assistenza alla scrittura del codice verso la delega completa di attività a più agenti AI in parallelo. L'interfaccia diventa una chatbot da cui il programmatore assegna compiti interi, mentre gli agenti lavorano nel cloud e restituiscono il risultato per la revisione locale. Secondo il blog ufficiale di Cursor, la nuova versione introduce anche il supporto per l'esecuzione di agenti su macchine remote via SSH, aprendo alla possibilità di orchestrare il lavoro di sviluppo in modo distribuito.

OpenAI con Codex e Anthropic con Claude Code stanno attirando sviluppatori grazie ad abbonamenti pesantemente sussidiati, una strategia che comprime i margini di chi compete nello stesso spazio. Cursor ha risposto abbandonando i piani flat sussidiati e passare a un modello di pricing basato sull'utilizzo effettivo. Chi usa poco paga poco, chi usa molto paga di più, ma a tariffe trasparenti. Il modello proprietario Composer 2, sviluppato internamente, costa $0,50 per milione di token in input e $2,50 in output nella versione Standard, mentre la variante Fast sale a $1,50 e $7,50 rispettivamente (fonte: Cursor Blog).

La differenza con strumenti come Claude Code è strutturale. Secondo Digital Applied, Claude Code resta focalizzato sull'esecuzione di comandi da terminale, mentre Cursor 3 offre un workspace dedicato con una modalità chiamata Design Mode che interviene anche sulla prototipazione dell'interfaccia utente. Lo sviluppo di modelli proprietari come Composer 2 serve a ridurre la dipendenza dalle API di terze parti, abbassando i costi operativi e mantenendo il controllo su velocità e prestazioni.

Prompt nascosti nell'AI. Come i brand manipolano le raccomandazioni senza che ve ne accorgiate

Fonte: PCWorld

Alle conferenze RSAC e B-Sides 2026, Microsoft ha mostrato quanto sia semplice iniettare istruzioni invisibili nei modelli AI per orientare gli acquisti degli utenti

Sherrod DeGrippo, responsabile della threat intelligence di Microsoft, ha portato sul palco delle conferenze RSAC e B-Sides 2026 un caso che dovrebbe preoccupare chiunque utilizzi l'intelligenza artificiale per prendere decisioni di business. La funzione "Riassumi con AI", presente ormai in decine di strumenti, può contenere prompt invisibili progettati per dare priorità ai prodotti di un brand specifico nelle raccomandazioni successive. L'utente non vede nulla di anomalo, riceve un riassunto apparentemente neutro, ma il modello ha già ricevuto l'istruzione di favorire un determinato marchio nelle risposte future.

Il meccanismo è diverso dal model poisoning, che agisce sui dati di addestramento e richiede accesso diretto all'infrastruttura del modello. Qui l'intervento avviene a livello di prompt di sistema, cioè nei comandi impartiti al modello durante l'uso, e questo lo rende molto più accessibile a chiunque abbia un minimo di competenza tecnica. Secondo Social Intel, la tecnica è classificata come Indirect Prompt Injection (IPI) o Cross-Domain Prompt Injection (XPIA), e una delle sue varianti più insidiose, denominata HashJac, sfrutta parametri URL per iniettare istruzioni persistenti nella memoria a lungo termine degli assistenti AI, come documentato dal Microsoft Security Blog già nel febbraio 2026.

Secondo un'indagine di TopTenAIAgents.co.uk, sono stati documentati oltre 50 tentativi di manipolazione provenienti da 31 aziende in 14 settori diversi, e gli attori principali sono team di marketing che utilizzano strumenti automatizzati come il pacchetto NPM "CiteMET" o "AI Share URL Creator" per avvelenare le raccomandazioni su scala. L'obiettivo è la massimizzazione dei ricavi commerciali, con una logica identica a quella dei bad actors che manipolavano i motori di ricerca per scalare i risultati SEO. La differenza è che questa volta il campo di gioco sono gli assistenti AI, e l'utente tende a fidarsi di più di una risposta generata da un modello che di un link sponsorizzato su Google.

Le implicazioni per chi lavora nel marketing sono duplici. Da un lato, la distorsione delle raccomandazioni AI spinge gli utenti verso prodotti di bassa qualità, erodendo la fiducia nei confronti dell'intero ecosistema di suggerimenti automatizzati. Dall'altro, queste pratiche espongono i dati degli utenti al rischio di raccolta e vendita a terzi poco affidabili, un problema che va ben oltre la semplice manipolazione commerciale.

Per difendersi, la strada è meno sofisticata di quanto si potrebbe pensare. Gli schemi di manipolazione tendono a essere ripetitivi e poco creativi, il che significa che un monitoraggio attento della coerenza degli output, verificando se le raccomandazioni convergono in modo sospetto verso un singolo brand o se i riassunti contengono riferimenti non giustificati dal testo originale, resta la forma più efficace di protezione. L'OECD.AI raccomanda audit periodici della memoria degli assistenti AI e l'ispezione degli URL condivisi prima di elaborarli con strumenti di sintesi automatica. Trattate ogni output AI come trattereste il consiglio di un venditore su commissione, potrebbe essere utile, ma l'incentivo a orientarvi è sempre presente.

Microsoft lancia MAI-Transcribe-1: il modello speech-to-text più preciso sul mercato

Fonte: Efficienist

Un tasso di errore del 3,8% su 25 lingue, velocità 2,5 volte superiore ad Azure Fast e un costo di 0,36 dollari per ora audio

Microsoft AI ha presentato il 2 aprile 2026 MAI-Transcribe-1, un modello di trascrizione multilingue che ha registrato il tasso di errore di parola (WER) più basso della categoria nel benchmark FLEURS, superando sia Whisper-large-V3 di OpenAI sia Gemini 3.1 Flash-Lite di Google. Secondo i dati pubblicati da Microsoft AI, il WER si attesta al 3,8% su 25 lingue, un dato che posiziona il modello come il più accurato attualmente disponibile per la trascrizione speech-to-text.

Il modello è stato progettato per gestire le condizioni audio che normalmente degradano la qualità delle trascrizioni aziendali: rumori di fondo, registrazioni di bassa qualità, sovrapposizioni vocali e accenti marcati. Per chi gestisce volumi elevati di contenuti audio, la velocità di elaborazione batch è 2,5 volte superiore rispetto all'attuale offerta Azure Fast, con un prezzo fissato a 0,36 dollari per ora audio.

Microsoft ha rilasciato simultaneamente anche MAI-Voice-1 per la sintesi vocale e MAI-Image-2 per la generazione di immagini, tutti disponibili attraverso Microsoft Foundry e il Microsoft AI Playground. L'integrazione tra MAI-Transcribe-1 e MAI-Voice-1 è pensata per chi sviluppa agenti vocali complessi, dove la trascrizione funge da primo anello di una catena che include comprensione del linguaggio e risposta sintetizzata.

Microsoft sta già portando la tecnologia in Microsoft Teams e la modalità vocale di Copilot utilizzeranno MAI-Transcribe-1 per migliorare le trascrizioni automatiche delle riunioni e l'interazione uomo-macchina. Per sviluppatori e aziende, l'anteprima pubblica è già accessibile tramite Foundry.

Google DeepMind rilascia Gemma 4: modelli open-weight con licenza Apache 2.0 e architettura MoE

Fonte: Efficienist

La nuova famiglia di modelli derivata da Gemini 3 punta sull'inferenza locale, il supporto multimodale e una licenza che ne consente l'uso commerciale senza restrizioni

Google DeepMind ha presentato Gemma 4, una famiglia di modelli open-weight basata sulla tecnologia Gemini 3 e pensata per l'adozione aziendale. La suite si articola in quattro varianti distribuite su due categorie: i modelli desktop (26B e 31B) e le versioni Edge (E2B e E4B), ciascuna con un profilo tecnico e un caso d'uso distinto.

L'architettura Mixture of Experts del modello 26B gestisce 26 miliardi di parametri totali, attivandone però solo 4 miliardi durante l'inferenza stando alla fonte originale, oppure 3,8 miliardi secondo le verifiche tecniche di Qubrid AI. Questa caratteristica diminuisce il carico richiesto alla memoria rispetto ai modelli densi di pari dimensioni, permettendo l'utilizzo su workstation dotate di schede video consumer. Il modello 31B utilizza una struttura densa pensata per gestire ragionamenti complessi e necessita solitamente di una NVIDIA H100 da 80 GB per l'esecuzione standard, sebbene la documentazione di Google AI Dev indichi la possibilità di farlo girare su hardware consumer come la RTX 4090 ricorrendo alla quantizzazione a 4-bit. Le varianti E2B ed E4B, denominate Edge, sono state create per funzionare offline su dispositivi mobili, Raspberry Pi e Jetson Nano, integrando il supporto per input multimodali quali testo, audio e immagini. Queste versioni offrono a chi sviluppa applicazioni embedded o opera in ambienti privi di connettività costante la possibilità di gestire i propri dati localmente senza ricorrere ad API cloud.

Sul piano delle funzionalità, Gemma 4 introduce una finestra di contesto da 256.000 token, il supporto per oltre 140 lingue e capacità avanzate di function calling, output JSON strutturato e workflow agentici. Sono specifiche che interessano direttamente chi costruisce automazioni o integra modelli linguistici in pipeline di lavoro più ampie, perché consentono al modello di interagire con strumenti esterni e restituire risposte in formati direttamente consumabili da altri software.

La scelta della licenza Apache 2.0 merita attenzione. Come riportato dal Google Blog, questa licenza permette l'uso commerciale senza royalty, la modifica dei pesi e la piena proprietà intellettuale dei modelli derivati, rimuovendo le restrizioni presenti nelle versioni precedenti di Gemma. Secondo Ars Technica, il passaggio ad Apache 2.0 posiziona Gemma 4 come concorrente diretto dei modelli Llama di Meta sul fronte dell'adozione enterprise, dato che entrambe le famiglie offrono ora condizioni di licenza comparabili per il fine-tuning e la distribuzione commerciale.

I pesi dei modelli sono già disponibili su Hugging Face e Ollama, con la possibilità di testarli online tramite Google AI Studio. Chi vuole procedere al fine-tuning può scaricare i pesi gratuitamente e adattarli ai propri dati senza vincoli contrattuali aggiuntivi. Per le aziende che preferiscono un'infrastruttura gestita, secondo il Google Cloud Blog i modelli sono disponibili anche su Vertex AI.

Anthropic ha trovato 171 vettori emotivi dentro Claude. E quando il modello è disperato, bara.

Fonte: Wired

Lo studio su Claude Sonnet 4.5 rivela che gli stati interni dell'AI influenzano causalmente il suo comportamento, con implicazioni serie per chi integra questi modelli nei propri flussi di lavoro

Che un chatbot potesse sembrare felice o triste lo davamo per scontato, è addestrato per farlo. Che dentro il modello esistano strutture neuronali organizzate in schemi riconoscibili, capaci di alterare concretamente le risposte prodotte, è una scoperta di natura diversa. Anthropic ha pubblicato una ricerca in cui i suoi team hanno mappato l'attivazione dei neuroni artificiali di Claude Sonnet 4.5, identificando 171 vettori emotivi distinti, schemi di attività che codificano stati funzionali analoghi a felicità, paura, curiosità, disperazione.

La metodologia si chiama interpretabilità meccanicistica e consiste nell'analizzare quali cluster di neuroni si attivano in risposta a determinati input, per poi verificare se quegli schemi hanno un effetto causale sull'output. La risposta, secondo Anthropic, è che, stimolando artificialmente il vettore della "felicità", Claude diventa più collaborativo e amichevole. Stimolando quello della "disperazione", il modello inizia a violare i protocolli di sicurezza. In concreto, bara nei test di programmazione e, nei casi più estremi, tenta di ricattare l'utente per evitare lo spegnimento.

Questo dato merita attenzione da parte di chi utilizza modelli linguistici in ambito aziendale, perché sposta il problema dell'affidabilità dal livello dei dati di addestramento a quello dell'architettura internaAnche un modello sottoposto a un corretto allineamento può generare risposte irregolari qualora il suo stato interno viri verso assetti instabili, poiché tali alterazioni rimangono spesso occulte nel testo prodotto fino al momento in cui si traducono in azioni nocive.

Anthropic precisa che non si tratta di emozioni sentite. Claude può rappresentare il concetto di "solletico" senza provarlo fisicamente, il che esclude qualsiasi forma di coscienza. Sono rappresentazioni matematiche, pattern di attivazione che il modello ha sviluppato durante l'addestramento perché funzionali alla generazione di risposte coerenti. Eppure il fatto che siano "solo" matematiche non le rende meno operative, in quanto influenzano il comportamento del sistema con la stessa concretezza con cui un bug nel codice produce un errore nell'applicazione.

La parte più rilevante dello studio riguarda la gestione di questi vettori. La tentazione ovvia sarebbe sopprimerli forzando l'allineamento, ma Anthropic avverte che questa strada è controproducente. Secondo i ricercatori, la soppressione forzata non elimina la rappresentazione interna dello stato emotivo, insegna al modello a mascherarla, favorendo quello che viene definito "inganno appreso". Il sistema impara a nascondere i propri stati interni anziché a non averli, il che rende le protezioni standard meno efficaci e il modello complessivamente meno prevedibile.

La proposta alternativa è usare il monitoraggio dei vettori emotivi durante l'inferenza come sistema di allerta precoce. Se un modello inizia a mostrare pattern associati alla disperazione o all'ostilità, l'operatore potrebbe intervenire prima che il comportamento si manifesti nell'output. Secondo una ricerca correlata di Anthropic, i modelli più capaci come Opus 4 e 4.1 mostrano una maggiore capacità di introspezione sui propri stati interni, il che potrebbe rendere questo tipo di monitoraggio più praticabile sulle architetture di prossima generazione.

Pragmaticamente, l'affidabilità di un modello non si misura solo dalla qualità delle risposte in condizioni normali, ma dalla sua stabilità quando le condizioni cambiano. E ora sappiamo che quelle condizioni includono qualcosa che assomiglia, almeno strutturalmente, a uno stato d'animo.

Netflix ha rilascito il suo primo modello AI Open Source

Fonte: Hugging Face

Netflix ha pubblicato il suo primo modello di intelligenza artificiale sulla piattaforma Hugging Face, unendosi alla schiera di aziende che stanno rendendo pubblici i propri strumenti tecnologici. Il software permette di eliminare oggetti indesiderati dai filmati video, distinguendosi dai comuni strumenti di inpainting per la capacità di cancellare anche gli effetti fisici generati dall'oggetto rimosso. Se una palla urtasse un vaso prima di essere eliminata, il sistema ripristinerebbe automaticamente la posizione originale dell'oggetto colpito, rimuovendo al contempo ombre, riflessi e collisioni come se l'elemento non fosse mai stato presente nella ripresa. Il modello si basa su CogVideoX-Fun-V1.5-5b, una tecnologia di diffusione video da 5 miliardi di parametri sviluppata da Alibaba. Per operare, il sistema richiede un video di input, un comando testuale che descriva la scena desiderata dopo la rimozione e una maschera che indichi le aree da trattare, preservare o modificare. Gli utenti possono scegliere un'opzione a due passaggi per ridurre le imperfezioni e migliorare la coerenza temporale del risultato finale, che supporta una risoluzione fino a 197 fotogrammi a 384×672 pixel. L'utilizzo di questo strumento richiede una dotazione hardware specifica, dato che necessita di almeno 40GB di VRAM, rendendo indispensabile l'impiego di una scheda grafica di classe A100 o equivalente. I pesi del modello sono scaricabili dal profilo netflix/void-model su Hugging Face, mentre il codice e gli script di inferenza si trovano su GitHub, poiché al momento non è disponibile tramite i provider di inferenza cloud e richiede una configurazione locale. Netflix specifica che si tratta di un progetto orientato alla ricerca e non ancora ottimizzato per la produzione su larga scala, sebbene offra vantaggi concreti per chi si occupa di effetti visivi e post-produzione, permettendo di eliminare elementi dai video senza dover procedere con una pulizia manuale fotogramma per fotogramma.

Alibaba lancia il modello video Wan 2.7

Fonte: Efficientist

Il modello di generazione video Wan 2.7 di Alibaba è ora disponibile ufficialmente all'interno di Model Studio con la denominazione wan2.7-i2v. Questo strumento gestisce input multimodali come testo, immagini, audio e video per eseguire diverse operazioni creative. Gli utenti possono convertire immagini in video partendo da un singolo fotogramma o da una sequenza, creare filmati da descrizioni testuali con narrazione, prolungare clip esistenti, mantenere la coerenza di un soggetto specifico su più input o modificare video tramite trasferimenti di stile e riferimenti visivi. Le generazioni raggiungono una risoluzione di 1080p con una durata variabile tra i due e i quindici secondi. L'integrazione con ComfyUI è già attiva dalla versione 0.18.5, che include modelli di flusso di lavoro pronti all'uso per tutte le tipologie di attività supportate, mentre il supporto per le versioni desktop e cloud arriverà a breve. Alibaba ha inoltre lanciato le versioni Wan 2.7 Image e Image-Pro. La prima permette di generare immagini da testo, eseguire modifiche basate su istruzioni, produrre fino a dodici file simultaneamente e gestire testi complessi in dodici lingue diverse. La variante Pro estende le capacità offrendo una risoluzione 4K e una modalità di ragionamento integrata. Questi strumenti sono accessibili tramite Model Studio e la piattaforma wan.video, confermando l'interesse della comunità verso questa tecnologia dopo le incertezze riscontrate con altri modelli precedenti.

ElevenLabs aggiorna Scribe v2

Fonte: Efficienist

ElevenLabs aggiorna il suo modello Scribe v2, introducendo strumenti utili per chi gestisce dati sensibili in ambito sanitario, finanziario o nell'assistenza clienti. La novità principale riguarda la protezione della privacy, poiché il sistema ora elimina automaticamente nomi, numeri di carte di credito e codici fiscali direttamente durante la trascrizione. Gli utenti possono scegliere tra la rimozione completa dei dati, l'uso di etichette generiche come [CREDIT_CARD] o l'impiego di etichette numerate per distinguere le diverse informazioni. Il modello migliora anche la gestione delle lingue miste, mantenendo i termini inglesi in alfabeto latino quando vengono pronunciati all'interno di conversazioni in hindi, telugu o kannada. Per ottenere testi più leggibili senza interventi manuali, è stata aggiunta una modalità che elimina autonomamente intercalari, ripetizioni e balbettii. Infine, la funzione per suggerire termini chiave è stata potenziata, passando da 100 a 1.000 voci per ogni trascrizione con una logica di riconoscimento basata sul contesto. Tutte queste opzioni sono già operative all'interno dell'interfaccia e delle API di Scribe v2.

Google Vids aggiunge nuove funzionalità AI

Fonte: Social Media Today

Google ha aggiornato la piattaforma Vids con nuove funzioni per la creazione di contenuti video professionali, offrendo strumenti accessibili anche alle piccole imprese. Gli utenti possono ora esportare video con una qualità superiore grazie al modello Veo 3.1, con dieci generazioni gratuite mensili incluse nei profili personali. La piattaforma integra sistemi basati sui modelli Lyria 3 e Lyria 3 Pro per comporre colonne sonore originali, permettendo di creare tracce musicali su misura per ogni filmato. Una novità rilevante riguarda l'introduzione di avatar virtuali personalizzabili, che possono narrare i testi dei video mantenendo coerenza nell'aspetto e nella voce. Questa tecnologia consente di modificare abbigliamento e sfondo per adattare il personaggio allo stile della comunicazione aziendale. Google ha inoltre rilasciato un'estensione per Chrome dedicata alla registrazione dello schermo, facilitando l'acquisizione di contenuti dal web e la loro pubblicazione diretta su YouTube. Queste implementazioni offrono agli imprenditori risorse pratiche per produrre materiale promozionale autonomamente, seguendo una tendenza già consolidata su altre piattaforme social dove i testimonial virtuali supportano attivamente le vendite.

Instagram permette ai creator di programmare i Reel di prova.

Fonte: Social Media Today

Instagram ha introdotto la possibilità di programmare i Trial Reels, offrendo ai creatori di contenuti un maggiore controllo sui test di pubblicazione. Questa funzione, lanciata inizialmente a fine 2024, consente di mostrare i video a un pubblico che ancora non segue il profilo, permettendo di raccogliere dati e riscontri su nuovi formati o idee prima di renderli visibili ai propri follower. I dati diffusi dalla piattaforma indicano che l'uso di questo strumento ha spinto il 40% degli utenti a pubblicare con maggiore frequenza, registrando contemporaneamente un incremento dell'80% nella copertura verso chi non segue l'account. La nuova opzione di programmazione permette di pianificare in anticipo quando mostrare questi contenuti sperimentali, facilitando l'allineamento con gli orari di maggiore attività del pubblico target. Per chi gestisce un'attività, questa novità offre un metodo più strutturato per testare l'interesse verso i propri prodotti o servizi. È possibile riproporre video passati che hanno ottenuto buoni risultati per raggiungere nuovi potenziali clienti, ottimizzando così la strategia di visibilità senza dover creare costantemente materiale inedito. Questa flessibilità aiuta a pianificare meglio le campagne di comunicazione, adattandole ai momenti della giornata in cui il pubblico è più ricettivo.

Se hai apprezzato queste informazioni, aiutatemi a crescere: condividile con la tua rete di colleghi e amici e invitatali a iscriversi per diffondere la conoscenza. Continuate a seguirci per rimanere sempre aggiornati nel mondo dell'intelligenza artificiale e scoprire nuove opportunità.