Promo — Jensen è caduto in fallo, ma l’AI non si ferma

File consolidato con TUTTI i deliverable del drop nuovo episodio. Generato da podcast-promo v4.8 il 2026-11-13. Identifier campaign: ep80_drop


Cheat sheet

Campo Valore
Titolo Jensen è caduto in fallo, ma l’AI non si ferma
Format numerato
Episode number 80
Drop date 2026-11-14 13:00 Europe/Rome
YouTube ID tVpIC_ABvHY → https://www.youtube.com/watch?v=tVpIC_ABvHY
Spotify Episode ID 1zE5hQLwb5NZLBJZVxNhGb → https://open.spotify.com/episode/1zE5hQLwb5NZLBJZVxNhGb
Apple URL null (da aggiungere post-publish Apple RSS, T+4-24h)
Thumbnail path /assets/images/episodes/ep80.png
Jekyll post path _posts/2026-11-14-jensen-e-caduto-in-fallo-ma-lai-non-si-ferma.md

1. Titolo

Jensen è caduto in fallo, ma l'AI non si ferma

46 char, hook-first sulla notizia NVIDIA, keyword AI in coda al claim. Callback alla battuta di Paolo a 01:00 (“È caduto in fallo!”).

2. Frasi in sovraimpressione (overlay video)

2.1 Frasi brevi (max 10 parole) — 7

[01:00] "È caduto in fallo!" (4 parole) — Paolo, la battuta che dà il titolo, apertura episodio
[12:45] "maxing è la parola dell'anno del 2026" (8 parole) — curiosità pop-culture sul bench maxing, segmento Mollick
[26:30] "la licenza community non è utilizzabile fuori dalla Cina" (9 parole) — claim forte sul licensing MiniMax H3 Image, segmento immagini
[41:40] "la valutazione della qualità dell'harness, non tanto del risultato finale" (10 parole) — il concetto nuovo del Radar (evals sull'harness)
[44:23] "devi soltanto lanciare un paio di DGX Spark" (8 parole) — Paolo, ironico sul local AI costoso
[52:40] "non scrivo più ma schiaccio i bottoni" (7 parole) — A2UI spiegata in una battuta
[1:05:40] "troviamo tutti i motivi per cui fallirà" (7 parole) — tecnica pre-mortem di Paolo, coda episodio

2.2 Frasi lunghe (max 20 parole) — 3

[00:39] "va bene tradire tua moglie, ma tradire l'amante non è accettabile e allora ti lasciamo a casa" (17 parole) — la joke d'apertura su Jensen, regge da sola
[56:50] "dei modelli che potrebbero fare un sacco di roba ma che non concludono una mazza perché si mettono a litigare" (20 parole) — la definizione ironica di AGI, la quote dell'episodio
[1:00:40] "lo human in the loop non deve diventare quello che loro chiamano human in the loop theater" (17 parole) — concetto chiave del Radar, sfida del PR review

Nota: timestamp ±15s, frasi verbatim dal transcript (overlay combacia con l’audio).

3. Brief thumbnail + prompt image pronto

Brief

Elemento Scelta
Hook 3 parole JENSEN IN FALLO (14 char, TUTTE MAIUSCOLE)
Tono ironico-divertito: smirk compiaciuto, sopracciglio alzato, energia “colto in fallo”
Background #FF006E fucsia saturo pieno (verde ep79, rosso ep78, giallo ep77: fucsia non usato negli ultimi 3 drop)
Testo bianco #FFFFFF, outline nero 4px, split 2 righe: “JENSEN” / “IN FALLO” (più grande), ~40% frame width
Soggetto Paolo (sue le battute d’apertura da cui nasce il titolo; alternativa: Stefano). Allegare SEMPRE la foto reale come reference
Composizione numerato: close-up dal petto in su, lato destro ~50-60% frame, sguardo in camera
File output /assets/images/episodes/ep80.png, 1280×720 min (1920×1080 ideale)

Prompt ChatGPT Image 2 (con face reference)

Caricare PRIMA la foto reale del soggetto nello stesso turn, poi incollare:

Create a YouTube thumbnail image, 16:9 aspect ratio, photorealistic style,
1280x720 minimum, suitable for a feed at 246x138 pixels.

Use the attached reference photo of the subject as the basis for the portrait.
Maintain the exact facial features, hair, complexion, and identifiable
likeness with high fidelity. Do NOT alter, idealize, beautify, or stylize the
face. Keep the resemblance as close as possible to the reference photo.

Place the subject in a close-up portrait on the right side of the frame,
occupying about 50-60% of the composition, cropped from the chest up, front
facing with a slight 3/4 angle.

Expression: amused ironic smirk with one eyebrow raised, playful "gotcha"
energy, eyes looking straight at the camera. Not laughing out loud, not
stiff corporate, natural.

Background: solid saturated fuchsia (#FF006E), no elements, no gradient,
uniform.

Lighting: dramatic key light from the left, shallow depth of field, subject
in focus, background perfectly smooth, 85mm portrait lens feel.

Include the text "JENSEN IN FALLO" rendered prominently in the image as bold
condensed sans-serif ultra-heavy weight (Anton / Impact / Bebas Neue style),
white (#FFFFFF) with 4px black outline, positioned on the left side split on
two lines: first line "JENSEN", second line "IN FALLO" bigger, filling
approximately 40% of the frame width. The text must be perfectly legible,
crisp, integrated as part of the composition, not as watermark, every letter
rendered correctly.

Style: high-contrast YouTube thumbnail aesthetic, attention-grabbing in the
feed.

Avoid: circular portrait frames, dark blue cosmic backgrounds, multiple
faces, stiff corporate poses, garbled text, obituary aesthetic, altering or
beautifying the subject's facial features beyond what the reference photo
shows.

Fallback post-production e verifica pre-upload

Fallback (se dopo 3-4 tentativi il testo esce sporco): rigenerare senza il blocco Include the text..., aggiungere il testo in Canva/Figma/Photopea con Bebas Neue o Anton, bianco, outline nero 4px, lato sinistro split 2 righe, ~40% frame width, esportare PNG 1280×720.

Checklist:

4. Chapters YouTube

0:00 Jensen è caduto in fallo: l'apertura
3:20 Gemini Hydrogen e aggiornamento skateboarder
10:00 Ethan Mollick: 450 mondi, 25.000 agenti
15:45 Pruna H3: immagini in 8 step
22:30 MiniMax H3 Image: 16 megapixel e licensing
27:00 Pika H3 Flex e immagini più naturali
34:10 NVIDIA senza Jensen: CFO e borsa
37:50 ThoughtWorks Radar: harness engineering
44:00 Local AI e decision model: GLM 5.3, JEV
50:58 A2UI 1.0: interfacce generate al volo
55:29 Swarm di agenti che litigano
59:15 Human in the loop theater e pre-mortem
1:07:39 AI Factory, open wiki e sondaggio

Precisione ±15s. Nota: il capitolo Radar è ancorato a 37:50 (transizione “notizie serie” nel transcript).

5. Descrizioni YouTube + Spotify + Tag YouTube

5.1 Descrizione YouTube

NVIDIA senza Jensen, immagini AI da 16 megapixel in locale e il ThoughtWorks Radar: puntata di Risorse Artificiali, il podcast di AI engineering in italiano. Si parte dalla caduta in fallo di Jensen Huang e si arriva agli swarm di agenti che litigano tra loro invece di consegnare.

Alessio apre il segmento tecnico più denso: da MiniMax H3, il modello video open weight da cui la community ha già derivato 1400 modelli, nascono Pruna H3 e MiniMax H3 Image. Distillazione, text encoder ridotto da 32B a 4B, generazione in 6-8 step, immagini native da 8 e 16 megapixel senza upscaling. Con un dettaglio che conta: la licenza community fuori dalla Cina praticamente non si può usare. E il test reale su foto da Reflex: da un'ora e mezza a quindici minuti.

Stefano smonta il ThoughtWorks Radar numero 40: harness engineering at scale, evals sulla qualità dell'harness, self-evolving harness, modelli open weight come GLM 5.3 come fallback, decision model come JEV, lo standard A2UI 1.0 per interfacce generate al volo dagli agent, agent team e swarm, il concetto di human in the loop theater e le AI Factory.

In mezzo: Gemini Hydrogen a due settimane esatte da Carbon, i 450 mondi 3D generati dai 25.000 agenti di Ethan Mollick, NVIDIA dopo Jensen con una CEO dal mondo finance, e la tecnica del pre-mortem per far revieware le PR ai modelli.

CAPITOLI
0:00 Jensen è caduto in fallo: l'apertura
3:20 Gemini Hydrogen e aggiornamento skateboarder
10:00 Ethan Mollick: 450 mondi, 25.000 agenti
15:45 Pruna H3: immagini in 8 step
22:30 MiniMax H3 Image: 16 megapixel e licensing
27:00 Pika H3 Flex e immagini più naturali
34:10 NVIDIA senza Jensen: CFO e borsa
37:50 ThoughtWorks Radar: harness engineering
44:00 Local AI e decision model: GLM 5.3, JEV
50:58 A2UI 1.0: interfacce generate al volo
55:29 Swarm di agenti che litigano
59:15 Human in the loop theater e pre-mortem
1:07:39 AI Factory, open wiki e sondaggio

ASCOLTACI ANCHE QUI
Spotify (audio): https://open.spotify.com/episode/1zE5hQLwb5NZLBJZVxNhGb?utm_source=youtube&utm_medium=description&utm_campaign=ep80_drop
Sito e archivio puntate: https://risorseartificiali.com/?utm_source=youtube&utm_medium=description&utm_campaign=ep80_drop

Se costruisci con l'AI in produzione e sei stanco del hype, iscriviti al canale: ogni sabato modelli, agenti e tool che usi davvero, in italiano.

#80

Primi 125 char (snippet YT feed/search): NVIDIA senza Jensen, immagini AI da 16 megapixel in locale e il ThoughtWorks Radar: puntata di Risorse Artificiali, il podcast di AI e

5.2 Descrizione Spotify

Immagini AI da 16 megapixel in locale, NVIDIA senza Jensen e il ThoughtWorks Radar 40. La puntata di AI engineering in italiano che parte dal gossip su Jensen Huang e finisce sugli swarm di agenti che litigano tra loro.

Alessio prova i nuovi image generator nati da MiniMax H3: Pruna H3, distillato fino a girare su una 4090 con 8 step, e MiniMax H3 Image, che genera nativamente a 16 megapixel in 6 step. Il test reale: editing di foto da Reflex, prima un'ora e mezza con Qwen Image 2.1, ora quindici minuti. Attenzione alla licenza: fuori dalla Cina serve autorizzazione.

Stefano legge il ThoughtWorks Radar 40 per il mondo enterprise: evals sulla qualità dell'harness, self-evolving harness, GLM 5.3 come riferimento open weight, i decision model come JEV, lo standard A2UI 1.0 per le interfacce generate al volo e il problema del human in the loop theater nella review delle PR.

E ancora: Gemini Hydrogen, i 450 mondi 3D di Ethan Mollick generati da 25.000 agenti, e NVIDIA dopo Jensen.

Con Stefano Maestri, Paolo Antinori e Alessio. Follow per non perdere le prossime puntate.

Video completo: https://www.youtube.com/watch?v=tVpIC_ABvHY&utm_source=spotify&utm_medium=description&utm_campaign=ep80_drop

#80

Primi 100 char (snippet Spotify): Immagini AI da 16 megapixel in locale, NVIDIA senza Jensen e il ThoughtWorks Radar 40. La puntata di AI eng

5.3 Tag YouTube custom

intelligenza artificiale, AI engineering, podcast tech italiano, MiniMax H3, MiniMax H3 Image, generazione immagini AI, editing foto AI, immagini AI in locale, ThoughtWorks Technology Radar, harness engineering, agenti AI, swarm di agenti, A2UI, Gemini Hydrogen, Google Gemini, NVIDIA, Jensen Huang, GLM 5.3, modelli open weight, local AI

20 tag, 2 generici, 6 long-tail, mix IT/EN bilanciato. Pronti per YT Studio > Dettagli > Tag.

6. YouTube Shorts script + Spotify Clip spec

6.1 YouTube Shorts script

Segmento: 24:40–25:40 (±15s), voce unica di Alessio, zero cross-talk. Scelto per signal density in singola voce: due numeri concreti (1h30 → 15 min, foto da 12 megapixel) e claim testabile.

Script (taglio):

Overlay mute-friendly: “1 ORA E MEZZA PER 1 FOTO” → “FOTO DA 12 MEGAPIXEL” → “ORA: 15 MINUTI” → “CON UNA 4090”.

Descrizione Short:

Editare foto da Reflex in locale con AI: da 1 ora e mezza a 15 minuti. Alessio prova Pruna H3 e MiniMax H3 Image su foto da 12 megapixel. Episodio completo: https://www.youtube.com/watch?v=tVpIC_ABvHY&utm_source=youtube_short&utm_medium=description&utm_campaign=ep80_drop

Pinned comment:

Episodio completo: https://www.youtube.com/watch?v=tVpIC_ABvHY&utm_source=youtube_short&utm_medium=pinned&utm_campaign=ep80_drop
Audio su Spotify: https://open.spotify.com/episode/1zE5hQLwb5NZLBJZVxNhGb?utm_source=youtube_short&utm_medium=pinned&utm_campaign=ep80_drop

Publishing: lunedì 16 novembre 2026, 09:00 Europe/Rome (schedulabile all’upload).

6.2 Spotify Clip spec

Segmento: 35:10–36:25, voce unica di Stefano, ~75s. Complementare allo Short (market/notizia vs tecnica immagini): pesca da un bacino più ampio, la notizia NVIDIA interessa anche fuori dal pubblico AI hardcore.

Contenuto: “Indubbiamente c’è questa cosa qua, però ci sono anche un sacco di critiche su questa scelta di silurare Jensen. Secondo me la scelta della CFO è per contenere le perdite in borsa, perché agli investitori dà tranquillità. Mi ricordo un po’ quando in Apple avevano licenziato Steve Jobs, salvo poi riprenderselo qualche anno dopo perché erano disperati e ha risollevato l’azienda. Lettura possibile.”

Overlay Spotify: “La CFO per contenere le perdite” / “Come Apple con Steve Jobs” Titolo Clip (46 char): NVIDIA senza Jensen: la parabola di Steve Jobs

Publishing: STESSO MOMENTO del drop (zero gap).

7. Post LinkedIn (host)

Jensen Huang lascia NVIDIA e l'AI manco se ne accorge. È il paradosso di questa settimana: la notizia più rumorosa del settore è una storia di governance, mentre la sostanza continua ad arrivare ogni due settimane esatte, come un orologio svizzero che nessuno ferma.

Abbiamo provato a tenere insieme le due cose in puntata. Da un lato NVIDIA senza il suo fondatore, con una CEO che viene dal finance scelta anche per dare tranquillità alla borsa, e il fantasma di Apple che licenzia Jobs per poi riprenderselo. Dall'altro i modelli che non si fermano: Gemini Hydrogen a due settimane da Carbon, e il segmento tecnico più interessante delle ultime settimane, i image generator nati da MiniMax H3. Pruna H3 gira su una 4090 e genera a 8 megapixel in 8 step, MiniMax H3 Image va a 16 megapixel nativi in 6 step. Editare foto da Reflex in locale: da un'ora e mezza a quindici minuti.

E poi il ThoughtWorks Radar 40 letto per il mondo enterprise: evals sulla qualità dell'harness, self-evolving harness, GLM 5.3 come riferimento open weight, lo standard A2UI 1.0 e gli swarm di agenti che litigano tra loro invece di consegnare. Forse la AGI più umana di sempre.

Ascoltatela, la trovate qui:
https://www.youtube.com/watch?v=tVpIC_ABvHY&utm_source=linkedin&utm_medium=post&utm_campaign=ep80_drop

#AIEngineering #AgentiAI #LLM #IntelligenzaArtificiale

Publishing hint: martedì 17 novembre 2026, 14:00 Europe/Rome (Spotify link nei commenti al momento della pubblicazione).

8. Sezione newsletter codiceartificiale

- Sabato è uscita la puntata 80, "Jensen è caduto in fallo, ma l'AI non si ferma": MiniMax H3 diventa image generator (16 megapixel in locale in 6 step), ThoughtWorks Radar 40 e lo standard A2UI. Ascolto: https://www.youtube.com/watch?v=tVpIC_ABvHY&utm_source=codiceartificiale&utm_medium=newsletter&utm_campaign=ep80_drop

Modalità bullet, 45 parole (conteggio reale), da inserire nell’intro della prossima edizione regolare di codiceartificiale.

9. Guest Launch Kit (solo se intervista)

Sezione omessa — non applicabile a episodi numerati.

10. Checklist Publishing

PRE-DROP (venerdì 13/11)

DROP sabato 14/11, 13:00

POST-DROP

MONITORING

11. Link rapidi

12. Note operative


13. End screen + YT Cards (suggerito da youtube-cross-link v1.2)

End screen — 1 video (layout: Subscribe + Video)

Campo Valore
Titolo target Modelli frontiera ogni 2 settimane: come stare al passo
YT ID DLUnJi5YFrA
Durata 71:35
Views N/D (cache flat-playlist)
Pubblicato 2026-10-31 (proxy Jekyll date)
URL https://www.youtube.com/watch?v=DLUnJi5YFrA

Razionale:

Questo episodio apre la parte modelli con Gemini Hydrogen uscito a due settimane esatte da Carbon (cap. 3:20), proprio il tema monografico di ep78: al suo cap. 26:45 “Gemini Carbon: un modello frontiera ogni 2 settimane” il tema è trattato per intero, e al cap. 31:00 c’è il punto di vista enterprise sulle release frequenti, che aggancia anche la lettura ThoughtWorks Radar di questo episodio. Score più alto del pool (0.71: semantic 0.85, recency 0.96). Come end screen funziona perché è la continuazione naturale della notizia: chi ha appena ascoltato il secondo modello della cadenza quattordicinale vuole vedere il perché dichiarato da Pichai.

Setup in YT Studio (operativo, ~90s):

  1. YT Studio → Content → seleziona video corrente → Editor → End screen
  2. Aggiungi elemento → Subscribe (canale Risorse Artificiali, già selezionato di default)
  3. Aggiungi elemento → Video → Specific video → incolla URL sopra
  4. Layout: pre-set “Subscribe + 1 video”. Posiziona end screen negli ultimi 20 secondi (da ~1:15:25 a fine).
  5. Save.

YT Cards — 5 cards a timestamp specifici del video corrente

Le YT Cards si configurano in YT Studio → Editor video → Cards. Ogni card mostra un teaser nell’angolo superiore destro per 5-10 secondi al timestamp impostato, poi resta cliccabile come icona “i” fino a fine video.

Card 1 — Mostra al min 10:00 del video corrente

Campo Valore
Linka video I guardrail degli LLM sono una tassa sul coding
YT ID target OHoJ-ZE68_Q
URL https://www.youtube.com/watch?v=OHoJ-ZE68_Q
Tema della card I test 3D di Ethan Mollick
Custom message Mollick ep49
Teaser text I test 3D di Mollick

Razionale:

Al min 10:00 si parla di Portals, i 450 mondi 3D generati dai 25.000 agenti di Mollick. Ep49 al cap. 47:47 “Il test 3D di Ethan Mollick: GPT 5.5 vince” affronta lo stesso autore con l’ondata precedente di test 3D, più un capitolo su GPT Image 2 che qui ritorna nel confronto sulle immagini patinate. Callback diretto per nome (Mollick), unico candidato medio-vecchio (6,6 mesi) per bilanciare la recency delle altre card.


Card 2 — Mostra al min 15:45 del video corrente

Campo Valore
Linka video Non descrivi più le immagini: le programmi in JSON
YT ID target rzXCmvk89qo
URL https://www.youtube.com/watch?v=rzXCmvk89qo
Tema della card Generazione immagini open weight
Custom message Immagini ep77
Teaser text Immagini programmate in JSON

Razionale:

Al min 15:45 inizia il segmento Pruna H3, secondo atto dell’ondata di image generator open weight di cui ep77 è il primo atto: al suo cap. 28:51 “Moss Image e Flux Klein: gli open weight” e al cap. 16:40 “Minimax, Quen e la scacchiera AI cinese” con citazione diretta di MiniMax, il modello da cui qui tutto deriva. Score 0.70, il più alto tra le card. Secondo score assoluto del pool dopo l’end screen.


Card 3 — Mostra al min 37:50 del video corrente

Campo Valore
Linka video Ave Claude, morituri te salutant
YT ID target IpxZ7u5Z1GQ
URL https://www.youtube.com/watch?v=IpxZ7u5Z1GQ
Tema della card Self-evolving harness
Custom message Harness ep72
Teaser text Modelli che si migliorano

Razionale:

Al min 37:50 il Radar titola Harness Engineering at Scale con evals sull’harness e self-evolving harness. Ep72 al cap. 09:56 “Recursive self-improvement: modelli che migliorano se stessi” e al cap. 17:54 “I tre trend: RL, harness e agent swarm” tratta esattamente il tema con l’angolo paure dei lab, complementare all’angolo enterprise del Radar. In più il suo cap. 38:04 “Dal pellicano allo skateboard” richiama il bench maxing del pellicano di cui si parla a 12:45.


Card 4 — Mostra al min 44:00 del video corrente

Campo Valore
Linka video Dovevano rallentare: Opus 5.5, GPT6 e JEV
YT ID target OjpDh29C_zc
URL https://www.youtube.com/watch?v=OjpDh29C_zc
Tema della card JEV e i decision model
Custom message JEV ep73
Teaser text Dentro il decision model

Razionale:

Al min 44:00 il Radar cita GLM 5.3 e JEV nei Beyond Frontier Models e Paolo prepara il talk su JEV partendo dall’intervista a Diogo Almeida. Ep73 ha quattro capitoli dedicati a JEV (29:45, 32:46, 40:59, 45:00: architettura, velocità, casi d’uso), è il deep dive di riferimento sul tema. Score 0.68, il più alto tra le card dopo ep77.


Card 5 — Mostra al min 59:15 del video corrente

Campo Valore
Linka video AI code review e altri cambiamenti nei nostri workflow
YT ID target EIyz3vMiLKU
URL https://www.youtube.com/watch?v=EIyz3vMiLKU
Tema della card PR review con AI
Custom message Review ep71
Teaser text Code review nell’era AI

Razionale:

Al min 59:15 si discute human in the loop theater e la sfida del PR review con agenti, con le tecniche di Paolo (pre-mortem, review avversaria). Ep71 è la Q&A dedicata: cap. 00:00 “Q&A speciale: code review con le skill” e cap. 1:04:13 “Review e collo di bottiglia nell’era AI” affrontano il problema dal lato pratico dei workflow. Chiusura perfetta: il viewer che arriva a fine episodio sul tema review ha il follow-up operativo a un click.


Setup in YT Studio (cards, operativo ~5min)

  1. YT Studio → Content → video corrente → Editor → Cards
  2. Per ogni card sopra: a. Click “Aggiungi card” → Tipo “Video” → Cerca o incolla URL del video target b. Imposta “Show card at” al timestamp indicato (10:00, 15:45, 37:50, 44:00, 59:15) c. (Opzionale) Compila Custom message + Teaser text dai campi delle tabelle
  3. Suggerimento: aggiungi tutte e 5 in una sessione, poi click Save una sola volta a fine.
  4. Verifica: riproduci il video corrente, scorri ai timestamp delle card, controlla che il teaser appaia per ~5 secondi nell’angolo superiore destro.

Distribuzione timestamp lungo l’episodio

Card Timestamp video corrente Posizione relativa
Card 1 10:00 13% (early hook)
Card 2 15:45 21%
Card 3 37:50 50% (metà)
Card 4 44:00 58%
Card 5 59:15 78% (verso la fine, prima dell’end screen)

Gap minimi tra card consecutive: 5:45, 22:05, 6:10, 15:15 (tutti ≥ 90s, vincolo rispettato).

Score breakdown (trasparenza algoritmo)

Video Score finale Semantic Recency Views (log) Note
ep78 Modelli frontiera ogni 2 settimane 0.71 0.85 0.96 0.00 (N/D) END SCREEN, tema cadenza Gemini
ep77 Immagini in JSON 0.70 0.85 0.93 0.00 (N/D) tema: image gen open weight + MiniMax
ep73 Opus 5.5, GPT6 e JEV 0.68 0.85 0.84 0.00 (N/D) tema: JEV decision model
ep79 L’AI ha patchato un LLM 0.66 0.75 0.98 0.00 (N/D) non selezionato: temi già coperti (swarm/GLM)
ep67 Open weight con l’asterisco 0.64 0.85 0.71 0.00 (N/D) non selezionato: licensing sovrapposto a card 2
ep72 Ave Claude 0.64 0.80 0.81 0.00 (N/D) tema: self-evolving harness
ep71 AI code review 0.63 0.78 0.79 0.00 (N/D) tema: PR review
ep49 Guardrail tassa sul coding 0.56 0.80 0.47 0.00 (N/D) tema: Mollick 3D, unico medio-vecchio

Pesi: semantic 0.55, recency 0.25 (half-life 6 mesi), views 0.20 (0 per tutti, cache flat-playlist senza view_count). Selezione 5 numerati: nessuna intervista nel top tematico (best interview score ~0.45), la diversità di formato è stata sacrificata a favore della pertinenza.

Note operative