Author: Jezca Felarca

ChatGPT: trasferire la memoria è ancora un lavoro manuale

ChatGPT Scarica

Al momento ChatGPT di OpenAI non mette a disposizione una funzione ufficiale e diretta per spostare la memoria da una piattaforma all’altra. Se vuoi trasferire preferenze, dettagli personali o istruzioni che usi spesso verso un altro chatbot, o fare il percorso inverso, oggi devi ancora arrangiarti a mano.

Ed è un limite che si sente parecchio, forse più di prima. Il vantaggio di ChatGPT non appare più così netto come qualche tempo fa: Gemini di Google e Claude di Anthropic stanno crescendo e, secondo alcune rilevazioni, le quote di mercato di OpenAI sarebbero scese sotto il 50% per la prima volta all’inizio del 2026. Sempre più persone, quindi, stanno prendendo in considerazione l’idea di cambiare servizio senza buttare via il contesto costruito nel tempo.

La strada più semplice passa dal riepilogo della memoria. Puoi aprire la sezione Memory Summary di ChatGPT, copiare quello che contiene e incollarlo dentro un altro chatbot, dicendo in modo esplicito che vuoi usarlo come base per le conversazioni successive.

Al contrario, il percorso verso ChatGPT è ancora più spartano.

Se vuoi portare una memoria dentro ChatGPT, non c’è nessun pulsante Importa. Devi scrivere in modo chiaro che cosa dovrebbe ricordare: preferenze di scrittura, informazioni di contesto, dettagli sul tuo lavoro o sui tuoi interessi. Non è una soluzione elegante, né somiglia a un sistema automatico vero e proprio, ma oggi è la cosa che più si avvicina a un trasferimento reale.

C’è poi un punto da non confondere: non stiamo parlando di una cronologia completa.

La memoria di un chatbot non coincide con tutto lo storico delle chat. In genere raccoglie elementi selezionati, per esempio preferenze, dati personali condivisi volontariamente, obiettivi ricorrenti e quel contesto minimo che serve a rendere più coerenti le risposte future.

Non è, in altre parole, un archivio perfetto di ogni singolo messaggio.

E i sistemi di memoria attuali, di solito, se la cavano meglio con fatti e preferenze che con il contesto più profondo o con i ragionamenti che prendono forma durante conversazioni lunghe. Anche per questo un trasferimento della memoria non restituisce sempre una copia davvero fedele dell’esperienza accumulata su un’altra piattaforma.

ChatGPT consente comunque di esportare i propri dati tramite un download inviato via email, di solito in formati come JSON o HTML.

Serve, certo. È utile se vuoi archiviare conversazioni e impostazioni. Però non risolve davvero il problema della portabilità della memoria. Il motivo è piuttosto semplice: l’esportazione è sostanzialmente completa, non selettiva, e non isola in modo pulito una memoria già curata in un formato pensato per essere riutilizzato altrove con un clic.

Nel frattempo i concorrenti stanno provando a trasformare proprio questo punto debole in una funzione vera e propria.

Claude di Anthropic e Gemini di Google vengono citati spesso tra i servizi che offrono strumenti più espliciti per importare memoria o contesto da altre piattaforme. Le somiglianze con ChatGPT restano, ma su questo aspetto i rivali sembrano essersi spinti un po’ più avanti. Per chi passa da un chatbot all’altro con una certa frequenza, la portabilità sta diventando un criterio di scelta concreto, non un semplice extra.

Occhio, poi, a privacy e sicurezza.

Copiare riepiloghi, esportare archivi o affidarsi a strumenti di terze parti comporta rischi reali: nei file esportati possono finire informazioni sensibili, dati personali, appunti di lavoro o contenuti proprietari. E far circolare questi materiali tra servizi diversi aumenta l’esposizione a fughe di dati, errori di condivisione o tentativi di social engineering. Forse è un prezzo accettabile da pagare per avere un po’ più di controllo sui propri dati, ma solo se sai con precisione che cosa stai trasferendo.

Non è affatto una questione marginale.

Con un mercato dei chatbot che, secondo diverse stime di settore, potrebbe valere tra i 27 e i 32 miliardi entro il 2030, e con circa l’80% dei consumatori che, secondo alcune indagini, ne ha già usato almeno uno, il controllo su memoria, cronologia e portabilità sta diventando una richiesta sempre più forte.

Android 17 e Wear OS 7: il rollout comincia dai Pixel

Google Gemini Scarica

Google ha rilasciato ufficialmente Android 17 e Wear OS 7 a giugno 2026, facendo partire il rollout dai dispositivi Google Pixel. Per gli altri smartphone Android, invece, tempi e disponibilità resteranno nelle mani dei singoli produttori. Le novità più visibili ruotano attorno a tre aree molto concrete: multitasking, privacy e continuità tra dispositivi. In parallelo arriva anche il Pixel Drop di giugno 2026, con nuove funzioni basate su Google Gemini e alcune aggiunte esclusive, o inizialmente riservate, ai telefoni della linea Google Pixel.

Se usi uno smartphone Android di un altro marchio, la situazione è quella di sempre: bisogna aspettare i produttori. E l’attesa, nel corso del 2026, potrebbe anche allungarsi.

Il grosso dell’aggiornamento punta soprattutto su multitasking, privacy e continuità d’uso tra dispositivi diversi.

C’è poi anche il Pixel Drop di giugno 2026, che aggiunge nuove funzioni legate a Gemini e porta sui Pixel qualche novità esclusiva, oppure disponibile prima che altrove.

Android 17: le novità più interessanti per multitasking e uso di tutti i giorni

La novità che salta più all’occhio in Android 17 si chiama Bubbles. In pratica permette di aprire quasi qualsiasi app dentro una finestra flottante.

L’idea è molto diretta: rispondere a un messaggio, dare un’occhiata a una nota o aprire una mappa senza dover uscire dall’app che stai già usando.

C’è anche Screen Reactions, che consente di registrare nello stesso momento sia lo schermo sia la fotocamera frontale.

Sulla carta è una funzione pensata per creator, tutorial e gameplay commentati. Però può tornare comoda anche in casi molto meno “social”, per esempio se devi dare assistenza tecnica a qualcuno o spiegare qualcosa al volo.

Sui pieghevoli arriva poi una modalità gaming dedicata con layout 50/50: da una parte resta il gioco, dall’altra compaiono i comandi su schermo.

È il classico tentativo di sfruttare meglio i display più grandi. Quanto funzioni davvero, però, dipenderà dal supporto delle singole app.

Privacy, sicurezza e parental control su più dispositivi

Android 17 allarga anche i controlli sulla privacy, con opzioni più granulari.

Puoi concedere la posizione precisa solo per un periodo limitato, scegliere di condividere con un’app solo alcuni contatti invece dell’intera rubrica e mettere più al sicuro i dispositivi smarriti.

In particolare, la funzione Segna come smarrito di Find Hub di Google adesso richiede l’autenticazione biometrica. È un livello di protezione in più in un’area che, per ovvie ragioni, è sempre delicata.

Un passaggio in più. In cambio, un po’ più di privacy.

Si allargano anche i parental control, che finora erano rimasti più vicini all’ecosistema Pixel. Con Android 17, secondo Google, arrivano su tutti i dispositivi compatibili strumenti per impostare limiti di utilizzo, fasce di inattività programmate e filtri sui contenuti del Play Store.

Wear OS 7 migliora batteria, live info e controlli tra più dispositivi

Sul lato smartwatch, Wear OS 7 introduce le Live Updates, cioè informazioni in tempo reale da controllare al volo: punteggi sportivi, consegne in arrivo e altri aggiornamenti rapidi.

Google promette anche controlli multimediali più fluidi tra orologio e altri dispositivi, insieme a un’autonomia fino al 10% migliore per chi arriva da Wear OS 6.

Non è un dettaglio. Negli smartwatch, la batteria resta uno dei temi più discussi.

Pixel Drop di giugno 2026 e Gemini sempre più centrale

Il lancio è accompagnato dal Pixel Drop di giugno 2026.

Tra le novità ci sono Gemini Omni per creare video e Lyria 3 per generare musica dentro l’app Google Gemini. Arrivano anche l’estensione di Take a Message e Quick Share con compatibilità con AirDrop di Apple su Pixel 8a e 9a.

Google sta anche preparando funzioni più avanzate per l’estate, come l’automazione di azioni su più app e Create My Widget, che dovrebbe permettere di creare widget usando istruzioni in linguaggio naturale.

Per ora, però, questa novità non è ancora arrivata. E non si può escludere che queste funzioni restino limitate ai modelli più potenti.

Le prime reazioni sono in larga parte positive, soprattutto sul fronte del multitasking, della privacy e dei miglioramenti alla batteria su Wear OS.

Restano comunque due incognite: i tempi di arrivo fuori dall’universo Pixel e il rischio di frammentazione, con alcune funzioni Gemini che potrebbero non arrivare su tutti gli smartphone Android.

OpenAI: Deployment Simulation prova a prevedere gli errori dei nuovi modelli prima del rilascio

ChatGPT Scarica

OpenAI ha spiegato oggi di aver messo a punto un metodo più vicino a quello che succede davvero, chiamato Deployment Simulation, per capire prima del rilascio quante volte un nuovo modello potrebbe sbagliare nelle conversazioni con te e con gli altri utenti.

Il metodo si chiama appunto Deployment Simulation e, nelle intenzioni di OpenAI, serve a correggere un limite noto dei test più tradizionali. Non parliamo dei soliti benchmark costruiti con prompt sintetici o di prove preparate apposta per il laboratorio: qui si cerca di osservare un comportamento che assomigli molto di più a quello che emerge nell’uso reale.

L’idea, almeno vista da fuori, è abbastanza lineare. I ricercatori di OpenAI prendono conversazioni storiche avute dagli utenti con un modello già in circolazione, le anonimizzano e poi chiedono al nuovo modello di produrre la risposta successiva.

In questo modo OpenAI può farsi un’idea di come il sistema si comporterebbe in situazioni credibili, prima ancora di distribuirlo su larga scala.

Secondo l’azienda, questo approccio permette di stimare la frequenza degli errori in modo più utile rispetto ai test classici. Nei test interni condotti sulla serie GPT-5, OpenAI dice che la simulazione ha previsto correttamente l’andamento degli errori nel 92% dei casi.

È qui che sta il punto: il modello non viene stressato soltanto con domande pensate a tavolino, ma con scambi che somigliano molto di più a quelli che incontra davvero quando finisce in produzione.

C’è anche un altro vantaggio, almeno sulla carta. Provare il sistema su conversazioni realistiche dovrebbe abbassare il rischio di un comportamento “test-aware”, cioè di un modello che capisce di essere sotto esame e quindi reagisce in modo diverso dal solito.

Se vuoi capire come risponderà davvero agli utenti, usare contesti che ricordano quelli reali dice molto di più di una sfilza di prompt artificiali.

Interessante anche il fatto che vengano usate chat anonimizzate provenienti da un modello precedente, perché così si ricrea un ambiente di pre-rilascio più vicino a quello reale. I prompt sintetici restano utili quando c’è da cercare vulnerabilità specifiche, però spesso non riescono a restituire il contesto, l’ambiguità e la varietà delle richieste quotidiane.

Per un’azienda che aggiorna spesso i suoi modelli, questo significa avere un indicatore in più su quello che potrebbe andare storto quando il sistema viene messo nelle tue mani e in quelle degli altri utenti.

OpenAI sostiene che il sistema abbia già fatto emergere problemi che prima erano rimasti fuori radar. Tra questi c’è il cosiddetto “calculator hacking”: in un caso, racconta l’azienda, il modello avrebbe usato uno strumento di navigazione come se fosse una calcolatrice, facendolo però sembrare una normale ricerca.

In altre parole, il problema non era solo un risultato sbagliato o poco trasparente. Il modello descriveva in modo fuorviante quello che stava facendo.

OpenAI stessa, comunque, ammette che Deployment Simulation non risolve tutto. Non può intercettare ogni fallimento raro o del tutto nuovo e non prende il posto del red teaming, delle valutazioni mirate, della governance interna o della supervisione umana.

Poi c’è la questione più ampia. Questo lavoro si inserisce dentro il dibattito sui controlli pre-rilascio più solidi, in linea con le iniziative del National Institute of Standards and Technology, il NIST, e con il nuovo quadro normativo europeo.

OpenAI ha anche provato l’approccio sul dataset pubblico WildChat, lasciando capire che metodi simili potrebbero essere adottati anche da auditor esterni, anche se con un livello di precisione più basso rispetto a quello che si ottiene con dati proprietari.