Dossier
Freelance Cloud Platform & AI Security Engineer, base a Casale Monferrato. Aiuto team e aziende a rendere la loro infrastruttura cloud affidabile e sicura: automazione, pipeline, hardening, tooling interno. Lavoro fianco a fianco con il team del cliente, in pair programming invece che con consegne a scatola chiusa, così alla fine resta autonomo. Python è lo strumento principale per automazione, tooling interno e sicurezza applicativa.
La sicurezza non è una rifinitura finale: gestione dei segreti, gate automatici in CI e threat model scritto fanno parte della consegna, non di un intervento successivo. Quando in mezzo c'è un modello la lista si allunga: prompt injection sui contenuti che arrivano da fuori, trasparenza AI Act, catena di fornitura del software. Alla fine di un lavoro restano test che girano, documentazione che si legge e un team in grado di rimetterci mano senza di me.
Servizi
Sei modi di lavorare insieme. Qui sotto trovi cosa comprende ciascuno; se il tuo problema non rientra in nessuno, scrivimi lo stesso.
Security Audit
Ispezione ripetibile dello stack, dall'AI al sistema operativo: trovare i token esposti e le config deboli prima che li trovi qualcun altro.
AI & Agent Security
Mettere agenti AI in produzione senza aprire falle: la supervisione umana si progetta, l'autonomia si guadagna con tetti e guardrail, non si concede di default.
Automazione AI
Soluzioni AI su misura che tolgono lavoro ripetitivo: agenti, RAG e pipeline che girano da soli, con supervisione umana dove conta.
Cloud & Automazione
Infrastruttura che regge il peso, e la fiducia, di chi la usa. Provisioning, pipeline e container, con l'affidabilità come requisito.
Pair & Advisory
Il metodo di lavoro principale: hands-on, al tuo fianco. Non consegno una scatola nera: costruiamo insieme e il tuo team resta autonomo.
Siti Web
Siti veloci e curati, come per Vetreria Monferrina: Astro + CMS, Lighthouse 100, sicurezza e accessibilità di serie, con un agente IA per SEO/AEO se serve.
Non è un carrello: è un punto di partenza. Seleziona cosa ti serve, come e per quanto: genero una bozza di brief che puoi copiare o mandarmi via email in un clic.
Nessuna tariffa pubblicata: ogni intervento è dimensionato sul problema reale, non su un listino a taglia unica. Il primo confronto è sempre gratuito e senza impegno. Pair programming, non prompt-e-vai.
Field Notes
Un caso alla volta da un sistema che gira in produzione: problema, approccio, risultato, lezione appresa. Niente teoria, solo cose successe davvero.
Agentic OS — la telemetria di Claude Code, in produzione
Ogni sessione di Claude Code manda la sua telemetria a un hub che ho costruito, e da lì un widget pubblico su questo sito ne mostra i numeri. Misurato contro il client vero (v2.1.220), Claude Code spedisce cinque attributi di identità insieme alle metriche, e uno di quelli porta il mio indirizzo email reale. Tutto ciò che arriva a Prometheus diventa una label, e una label è per sempre.
La prima versione cancellava i cinque attributi conosciuti. È una deny-list, e una deny-list a un confine di privacy fallisce aperta su tutto ciò che non ha ancora sentito nominare: la telemetria di Claude Code è in beta, il suo insieme di attributi non è un contratto, e la prossima release può aggiungerne un sesto. Ora nel Collector c'è un allow-list che tiene sei chiavi note e scarta il resto, prima del batch, così un attributo sconosciuto diventa una label mancante invece che una fuga. Verificato contro il client vero, compresi attributi che nessuna versione emette ancora.
L'identità non arriva nemmeno all'archivio. L'intero hub è fatto di cinque servizi su Railway con un solo ingresso, dietro un Cloudflare Tunnel, e la sua superficie pubblica sono tre numeri aggregati: sessioni, token, costo. Quando l'hub non risponde il sito scrive tre trattini invece di uno zero, perché uno zero sembrerebbe una risposta.
Il costo del compromesso è dichiarato, non nascosto: un produttore nuovo le cui label non sono in lista se le vede sparire in silenzio. È la direzione in cui voglio che fallisca. Cancellare ciò che conosci ti protegge fino alla prossima release di qualcun altro.
Magazine
Ogni mese un caso vero su IA, sicurezza e governance sul lavoro: il problema, la scelta fatta, cosa è cambiato. Lo scrive una pipeline, controllato sulle fonti. Il primo è il punto zero: le idee migliorano strada facendo.
N.02AGOSTO 2026 · software-engineeringL'IA nel codice è ovunque, ma non basta da sola a far andare più veloci i team
LEGGI
L'IA nel codice è ovunque, ma non basta da sola a far andare più veloci i team
LEGGINel 2019 un ingegnere software poteva aver sentito parlare di deep learning applicato alla visione artificiale o alla traduzione, ma pochi immaginavano un impatto diretto sul proprio lavoro quotidiano. Cinque anni dopo la situazione è cambiata radicalmente: secondo il sondaggio di GitHub su 2.000 persone in team di sviluppo di Stati Uniti, Brasile, India e Germania, oltre il 97% degli intervistati ha usato strumenti di IA per il coding almeno una volta al lavoro, un dato costante nei quattro paesi. Il problema che resta aperto, però, è cosa succede dopo il primo utilizzo: una quota più piccola di intervistati dice che la propria azienda incoraggia attivamente l'adozione di questi strumenti, segno che l'entusiasmo individuale non si traduce automaticamente in adozione organizzativa.
Google ha costruito la propria risposta dentro l'ambiente di sviluppo interno dove gli ingegneri passano la maggior parte del tempo, intervenendo sia sull'inner loop (IDE, revisione del codice, ricerca nel codice) sia sull'outer loop (gestione dei bug, pianificazione), a partire dal completamento del codice basato su machine learning già introdotto internamente. Il team descrive questo lavoro come parte di una trasformazione continua degli strumenti interni, non come un progetto isolato. Sul fronte della misurazione, il report DORA 2025 sullo sviluppo software assistito da IA propone un approccio diverso: non chiedersi se l'IA funzioni in assoluto, ma osservare come amplifichi le dinamiche già presenti in un'organizzazione, buone o cattive che siano.
Il quadro che emerge non è quello di un salto automatico di produttività. Il report DORA 2025 conclude che l'IA non migliora automaticamente le prestazioni di consegna del software: agisce piuttosto come un amplificatore delle pratiche e delle condizioni organizzative già esistenti. In parallelo, il sondaggio GitHub mostra un'adozione individuale quasi universale (97% di utilizzo almeno una volta) accompagnata da un supporto aziendale ancora disomogeneo, con una parte più piccola di aziende che spinge attivamente sull'adozione. Sono due facce della stessa transizione: gli strumenti sono arrivati ovunque, i risultati organizzativi non ancora.
Chi guida un team di ingegneria non può trattare l'adozione dell'IA come un interruttore da accendere: se le pratiche di delivery sono già solide, l'IA le amplifica in positivo; se sono fragili, ne amplifica i limiti. Il primo passo utile non è misurare quante persone usano un tool di IA, ma capire se l'azienda sta davvero sostenendo quell'uso con incentivi e processi coerenti, perché l'uso individuale diffuso, come mostra il dato del 97%, non garantisce da solo un miglioramento delle prestazioni del team.
Numeri arretrati · la pila di quelli usciti prima
Edicola · dove la firma esce anche fuori
Progetti
Tre modelli di provider diversi messi a contraddirsi a vicenda, perché un LLM da solo tende a darti ragione. Rispondono separati, poi si valutano alla cieca, poi un presidente esterno tira le somme. Lo uso davvero, prima delle decisioni che pesano.
La compiacenza di un modello non si toglie col prompt: sta nei pesi, ci finisce durante l’addestramento. Un LLM usato come supporto alle decisioni conferma la direzione che gli segnali, anche quando è sbagliata.
Python solo libreria standard, zero dipendenze a runtime, e gli strumenti di sviluppo bloccati per hash invece che per numero di versione: la catena di fornitura è ridotta al minimo e verificata a ogni build. Tre voter indipendenti via OpenRouter con risposte anonimizzate, valutazione incrociata alla cieca, presidente scelto fuori dal gruppo dei voter così non può votarsi. Anthropic è escluso per principio: chi orchestra il council non vota nel council.
Repo pubblico con licenza MIT, coverage al 100% su tre versioni di Python, più un mutation testing settimanale che verifica se quei test possono davvero fallire. Mappatura completa della OWASP LLM Top 10 in SECURITY.md, con i punti fuori perimetro dichiarati e motivati.
Torino, ora di punta: dove la lasci la macchina? Un'API che risponde in tempo reale, costruita security-first come se fosse in produzione da anni: FastAPI async, PostGIS per il geospaziale, Redis con ETag. Prossima fermata: App Store.
Sapere in tempo reale dove c'è posto a Torino significava saltare tra fonti diverse, senza un'unica API pulita e veloce da interrogare.
API security-first: FastAPI async su Python 3.12, PostgreSQL 16 + PostGIS per il geospaziale, Redis 7 con compressione e richieste condizionali ETag, HMAC-SHA256 sulle API key (zero plaintext), rate limiting sliding-window multi-tier.
51 test tra unit, integration ed e2e con testcontainer, CI/CD e threat model documentato in SECURITY.md. Prossimo traguardo: portarla su Apple App Store come app nativa.
Quanto lavoro faccio davvero con l’AI, misurato invece che raccontato. Claude Code manda la sua telemetria a un hub mio, cinque servizi dietro un tunnel, e in questa pagina tre numeri veri si aggiornano da soli.
Del lavoro assistito dall’AI si parla per aneddoti. Non sapevo quanto ne facessi, con quali modelli, a che costo, e nessuno strumento me lo diceva senza spedire le mie sessioni a qualcun altro.
OpenTelemetry da Claude Code verso un Collector che autentica l’ingest e applica una allow-list sulle label: ciò che non è dichiarato sicuro non diventa mai una metrica. Prometheus conserva, Grafana mostra dietro Cloudflare Access, e una status API espone esattamente tre numeri aggregati: nessuna query libera, nessun contenuto di sessione.
In produzione su Railway dietro un Cloudflare Tunnel, con nessun servizio esposto su un dominio pubblico della piattaforma. La allow-list è nata da una misura, non da una lettura: la mia email vera arrivava come label di Prometheus, e la correzione ovvia perdeva dati in silenzio.
L'esperimento filosofico del lotto: un knowledge graph su Obsidian che si chiede come si costruiscono memoria e identità. Accantonato come prodotto, insostituibile come strumento di pensiero, e la versione SaaS con RAG è ancora sul tavolo.
Le note sparse non si parlavano tra loro: idee, letture, progetti finivano isolati invece di connettersi.
Un grafo di conoscenza personale su Obsidian, pensato non solo come archivio ma come domanda aperta su come memoria e identità si costruiscono nel tempo.
Deprioritizzato come prodotto rispetto a ciò che stava spedendo, ma resta lo strumento di pensiero più usato, e l'idea di una versione SaaS con RAG resta sul tavolo.
Percorso
Full Stack & AI Engineer
Sito di produzione (Astro + Sanity) e un agente IA per SEO/AEO con RAG su Supabase e governance secondo l'AI Act.
Full Stack Engineer
Piattaforma enterprise per il recupero crediti, full-stack: backend Python (Clean/DDD) su AWS serverless e SPA React/TypeScript multi-ruolo.
Software Engineer
Software per infrastrutture critiche: supervisione video 24/7 della Metropolitana C di Roma e diagnostica di rete enterprise per Etihad Airways (Scapy).
Stack
Python & Backend
La lingua di casa: backend e API con Clean Architecture e DDD (FastAPI, Flask, Falcon). Frontend: Astro e Vite, questo sito incluso; React e TypeScript quando serve una SPA.
Security
OWASP hardening, crittografia PII (AES-256), threat modeling e audit scritto nel repo; security gate in CI: Bandit, CodeQL, Gitleaks.
AI Security
OWASP LLM Top 10 su un RAG che sta in produzione: difesa dalla prompt injection sui contenuti che arrivano da fuori, LLM-as-a-judge come gate in CI, trasparenza AI Act (art. 50), MITRE ATLAS come mappa delle minacce.
AI & Agenti
RAG con citazioni (embedding Voyage), guardrail e revisione umana dentro il flusso, evals: su Claude API e Model Context Protocol (MCP).
Supply Chain
SBOM CycloneDX e attestation di provenance firmata (OIDC keyless) a ogni deploy, dipendenze pinnate per SHA, zizmor sui workflow, gitleaks su tutta la storia.
Cloud & IaC
AWS (Lambda, SQS, S3, IAM, VPC), Kubernetes / K3s, Terraform, Cloudflare Tunnel.
Database
PostgreSQL + PostGIS, Redis, MongoDB, SQLite FTS5, per il geospaziale e il caching ad alte prestazioni.
Deploy & Observability
Docker e K3s, CI/CD su GitHub Actions; Sentry, Langfuse, Prometheus e Grafana.
Certificazioni · ognuna verificabile alla fonte
Security
Questa pagina fa l’audit di sé stessa. La tabella qui sotto non è una dichiarazione: è letta dal vivo dagli header di risposta che il tuo browser ha appena ricevuto.
$ header di sicurezza serviti da questa pagina
FONTE: HEAD SELF · LIVElettura degli header di risposta…
Gli header sono applicati all’edge (Cloudflare) e letti live dalla risposta di questa pagina, quindi in locale possono risultare assenti.
Il terminale di questa pagina stampa testo scritto da un modello. Perché quel testo non diventi codice non basta fidarsi del modello: serve che la pagina si rifiuti di eseguire qualunque cosa inline. Le ultime due righe sono quel rifiuto, letto dalla policy che il tuo browser ha appena applicato.
Appuntamenti
Trenta minuti, gratis, nessun impegno. Fuso orario gestito in automatico, conferma via email, senza scambi di messaggi per trovare un orario. Se poi lavoriamo insieme, la prima giornata la paghi solo se ti convince.
CAL.EU — CARICATO SU RICHIESTA
Il calendario è servito da Cal.eu, una terza parte. Finché non clicchi non viene caricato nulla, e nulla lascia il tuo browser.
