Mi è capitato tra le mani Vector Ink Studio e ho fatto quella cosa che faccio sempre: invece di guardare solo cosa fa, mi sono chiesta perché è fatto così. Forse perché ho iniziato proprio da lì, da illustratrice vettoriale, con curve di Bézier e path perfetti come mestiere. E il pattern che ho visto è lo stesso che ha attraversato Netflix in vent'anni, solo compresso in molto meno tempo.
Netflix nasce spedendo DVD via posta. Un oggetto fisico, un catalogo, una logistica. Vector Ink nasce come editor SVG: penna vettoriale, shape builder, path perfetti. Uno strumento che fa una cosa sola, e la fa bene.
In questa fase l'utente lascia pochi segnali. Netflix sa solo quale DVD hai noleggiato. Vector Ink sa solo quale forma hai disegnato. Punto.
Poi Netflix diventa streaming, e cambia tutto. Non spedisci più un oggetto, osservi un comportamento: ogni click, ogni pausa, ogni abbandono a metà episodio è un dato. Vector Ink fa lo stesso salto diventando uno studio nodale, dove generazione di immagini, video, codice e design vivono nello stesso workspace visuale. Ogni nodo che colleghi, ogni prompt che scrivi, ogni output che scarti e rigeneri, è un segnale in più.
Non è solo un salto tecnologico. È un cambio di modello di raccolta. Lo strumento smette di essere un canale passivo e diventa un sistema che ti guarda lavorare.
(Se ti interessa questo tipo di salto, da strumento statico a sistema che impara, ne ho scritto anche a proposito degli NPC nei videogiochi: dal maggiordomo congelato di Tomb Raider agli NPC intelligenti.)
Ed è qui che la cosa mi affascina davvero. Il cold start non è un problema che Netflix ha subito, è un traguardo che si è costruita: riuscire a capire un utente nuovo fin dal primo minuto, senza aspettarsi mesi di cronologia alle spalle. Nel paper fondativo del 2015, "The Netflix Recommender System: Algorithms, Business Value, and Innovation" (Gomez-Uribe & Hunt, ACM TMIS), i due autori, all'epoca rispettivamente VP Product Innovation e Chief Product Officer, raccontano come questo sia diventato il cuore del business, non solo un dettaglio tecnico. E la storia continua: un paper più recente firmato da un team Netflix, "LLM Reasoning for Cold-Start Item Recommendation" (2026), mostra che oggi affrontano lo stesso problema usando LLM, gli stessi modelli su cui si basa la generazione AI di strumenti come Vector Ink. Il cerchio si chiude da solo.
Vector Ink Studio, aggiungendo nodi AI, prompt e generazione, si sta dotando degli stessi ingredienti. Ogni workflow costruito, ogni combinazione di nodi scelta, ogni iterazione su un'immagine o un video, è materiale potenziale per capire come lavora un creator, ancora prima che abbia una storia lunga sulla piattaforma.
Netflix usa i dati per decidere cosa mostrarti. Uno strumento come Vector Ink potrebbe usarli per un obiettivo diverso: migliorare i modelli generativi stessi, suggerire nodi o template pertinenti, anticipare il prossimo passo di un workflow. Stesso meccanismo di raccolta, scopo diverso: non curare un catalogo per te, ma affinare uno strumento che lavora con te.
In entrambi i casi però, a un certo punto, il vero prodotto smette di essere l'oggetto iniziale (il DVD, il path vettoriale) e diventa il sistema che impara osservando come lo usi.
La storia è piena di episodi così. Nintendo ha prodotto carte da gioco Hanafuda prima di diventare giocattoli, poi il colosso videoludico che conosciamo oggi. Netflix da DVD via posta a motore di raccomandazione. Vector Ink da editor SVG a piattaforma AI.
E la mia storia, in piccolo, segue la stessa curva. Quella illustratrice vettoriale di cui parlavo all'inizio è passata al frontend, e oggi fa la solution architect e si occupa di AI engineering. Ogni volta lo strumento cambiava, ma la curiosità che mi spingeva a chiedermi dove stessimo andando è rimasta la stessa.
(Questo passaggio da un tool creativo all'altro l'ho raccontato anche altrove, quando a ottobre ho sostituito le tavole di Inktober con le pull request di Hacktoberfest: da Inktober a Hacktoberfest, come la creatività può evolvere nel codice.)
Poco fa, mentre guardavo un episodio di Grey's Anatomy, una frase mi ha colpita: "La nostra meta-analisi conferma la correlazione tra il microbioma intestinale e l'Alzheimer." "Bene, allora guardiamo i dati." Ma i dati, da soli, non raccontano tutta la storia. La correlazione ci dice che due fenomeni si muovono insieme, ma non ci dice […]
Leggendo "AI Engineering" di Chip Huyen, sono rimasta colpita dal parallelo che l'autrice traccia tra l'Evaluation-Driven Development (EDD) e il Test-Driven Development (TDD). Un'analogia che non solo illumina le sfide uniche dell'ingegneria AI, ma ci fornisce anche un framework concreto per costruire sistemi più affidabili. Dal Test-Driven al Evaluation-Driven Development Nel mondo dello sviluppo software […]
