Passa al contenuto

Company brain: come creare una memoria condivisa per l'AI aziendale

Senza regole e definizioni interne i modelli tirano a indovinare. Come costruire un contesto condiviso e collegare i dati aziendali.

Chi approva un acquisto di software da 15.000 €? Se ponete questa domanda a un assistente di intelligenza artificiale, vi risponderà con tono sicuro anche quando non ha gli elementi per saperlo. Noi di QTNOVA portiamo assistenti AI in produzione nelle aziende, dove vengono usati ogni giorno, e sappiamo bene che la differenza tra una risposta convincente e una corretta sta tutta nelle regole non scritte che governano ogni singola organizzazione.

Esempio illustrativo: alla domanda «Chi approva un acquisto di software da 15.000 €?» un assistente AI senza contesto risponde con un'ipotesi, senza fonte; con il contesto aziendale dà la risposta giusta e cita la sua fonte.

La stessa domanda, senza e con il contesto aziendale. Esempio illustrativo: azienda, regole e risposte sono inventate.

I modelli linguistici conoscono internet, ma ignorano la realtà operativa della singola impresa. Non sanno che il vostro esercizio comincia a febbraio, che una capogruppo con tre controllate conta come un unico cliente o quale figura interna possiede le deleghe di spesa.

Il 30 ottobre 2026, il team di Ramp ha pubblicato una guida pratica per spiegare come superare questo limite strutturale costruendo un «company brain», cioè una memoria aziendale condivisa e leggibile dai modelli intelligenti[1].

Nelle aziende la dispersione delle informazioni ha già un impatto pesante: secondo una ricerca condotta da Atlassian su 12.000 lavoratori della conoscenza e 200 dirigenti, le persone sprecano il 25% del loro tempo lavorativo soltanto per cercare risposte[2]. Al tempo stesso, un'indagine commissionata da Microsoft su 2.003 dipendenti nel Regno Unito ha evidenziato che il 71% del personale ha utilizzato sul lavoro strumenti di intelligenza artificiale non approvati dall'azienda, e il 51% continua a farlo ogni settimana[3]. La conoscenza resta così frammentata in chat individuali che finiscono per perdersi non appena un collaboratore si dimette.

Indice

  1. Perché l'AI sbaglia: il sapere informale che nessun modello può indovinare
  2. Le trappole comuni: il mito del fine-tuning e il nodo dei permessi
  3. Come iniziare: il documento di contesto in una o due pagine
  4. Collegare i sistemi vivi: collaudo, responsabilità e protocollo MCP
  5. Dal prompt individuale al company brain: rendere il sapere collettivo
  6. L'approccio di QTNOVA: la conoscenza che resta nei processi con Snake Suite AI
  7. Una memoria che non si perde

Perché l'AI sbaglia: il sapere informale che nessun modello può indovinare

Senza una configurazione specifica, un modello linguistico non conosce la vostra impresa. Non può dedurre in autonomia le convenzioni, le politiche interne e i passaggi concreti con cui viene svolto il lavoro ogni giorno.

Questo sapere interno, spesso dato per scontato, riguarda punti critici che gli assistenti sbagliano di frequente:

  • Regole contabili ed esercizio. Se il fatturato va inteso come contrattualizzato oppure riconosciuto in bilancio, o se l'anno fiscale non coincide con il calendario solare, il modello applicherà presupposti generici. Lo stesso vale per le scadenze tassative di chiusura contabile.
  • Classificazione dei clienti. Stabilire se una capogruppo e le sue tre controllate contino come un solo cliente o come quattro richiede una convenzione interna che l'algoritmo non può inventare.
  • Autorizzazioni e limiti di spesa. Chi approva un determinato acquisto, sopra quale soglia economica e secondo quale scala gerarchica.
  • Normative interne e filiali. Criteri per i rimborsi delle trasferte, diarie e calendari di festività che variano a seconda della sede o del Paese.
  • Sigle e terminologia interna. Nomi in codice di prodotto, acronimi aziendali e denominazioni di reparto che all'esterno significano altro.

Quando queste regole rimangono non scritte, disperse in conversazioni informali o affidate alla memoria dei singoli, l'assistente formula risposte sicure nei toni, ma che possono rivelarsi sbagliate.

Le trappole comuni: il mito del fine-tuning e il nodo dei permessi

Di fronte a risposte inesatte, la strada a cui molte organizzazioni pensano per prima è il fine-tuning, cioè il riaddestramento del modello con dati proprietari. Si tratta però del metodo a cui si ricorre prima e di cui si ha meno bisogno. Come chiarisce la guida ufficiale di OpenAI sull'accuratezza, intervenire sul modello serve per renderne coerenti il comportamento, il tono o la formattazione, mentre quando mancano nozioni proprietarie, informazioni aggiornate o contesto specifico bisogna lavorare sul contesto fornito al modello[4]. Il fine-tuning non insegna fatti in modo affidabile e diventa superato non appena cambiano le regole aziendali.

L'altra insidia riguarda la gestione delle autorizzazioni. I connettori verso i servizi aziendali, di norma, ereditano l'accesso che ogni persona già possiede. Nella documentazione ufficiale di Claude viene specificato che “Claude inherits each person's permissions from the connected service”[5]. Se da un lato questo impedisce a un collaboratore di visualizzare file a cui non avrebbe accesso, dall'altro comporta che qualsiasi file condiviso in passato con «chiunque abbia il link» diventi rintracciabile tramite l'AI.

Questo accade in un contesto in cui la consapevolezza dei rischi resta limitata: dai dati dell'indagine per Microsoft emerge che solo il 32% dei lavoratori si dice preoccupato per la riservatezza dei dati aziendali o dei clienti immessi nei tool consumer, e appena il 29% teme per la sicurezza dei sistemi IT dell'organizzazione[3].

Come iniziare: il documento di contesto in una o due pagine

Per costruire una base solida senza avviare progetti complessi, la prassi indicata è partire da un testo iniziale di una o due pagine, redatto come se dovesse spiegare l'azienda a un nuovo assunto brillante nella sua prima settimana di lavoro. L'AI, esattamente come chi entra per la prima volta in organico, non possiede alcuno storico pregresso.

Schema di un documento di contesto di una o due pagine, in quattro parti: profilo e clienti, glossario e definizioni, flussi e fonti autorevoli, politiche interne e tono; in fondo, la data dell'ultimo aggiornamento.

Il documento da cui partire: una o due pagine, quattro parti e la data dell'ultimo aggiornamento.

Questo documento di partenza sintetizza ciò che il modello non può dedurre da solo:

  1. Profilo e clienti. Cosa vende l'impresa, a chi si rivolge, organico complessivo, entità societarie, data di inizio dell'esercizio e i criteri per distinguere piccole imprese, medie aziende o committenti enterprise.
  2. Glossario e definizioni. I nomi dei prodotti e dei team, gli acronimi interni e la formula di calcolo esatta per ciascuna metrica monitorata (come il margine lordo o il tasso di abbandono).
  3. Flussi e fonti autorevoli. Dove risiede la versione ufficiale dei dati — ad esempio chiarendo che le trattative commerciali vivono nel CRM e i ricavi nel gestionale —, chi approva le spese e quali sono le scadenze del calendario operativo.
  4. Politiche interne e tono. Limiti di spesa, soglie di approvazione, regole per la gestione dei dati e linee guida per la stesura di email ai clienti o documenti interni.

Su qualsiasi elemento soggetto a modifiche nel tempo, come l'organico o i listini, è importante indicare la data dell'ultimo aggiornamento, per capire quando un'informazione è superata.

Collegare i sistemi vivi: collaudo, responsabilità e protocollo MCP

Un documento statico stabilisce le definizioni generali, ma le informazioni necessarie per lavorare risiedono nei ticket di assistenza, nei verbali di riunione e nelle cartelle condivise. La fase successiva consiste nel collegare l'assistente ai due o tre strumenti in cui vengono effettivamente prese le decisioni quotidiane.

Schema: un documento curato, di una o due pagine, con regole e definizioni, e i connettori MCP verso gestionale, email e cartelle, che passano dai permessi di chi li usa, danno il contesto all'assistente AI, che risponde e cita la fonte.

Il contesto in due livelli: un documento curato per regole e definizioni, i connettori per i dati che cambiano.

Per garantire la tenuta del sistema occorre seguire alcuni passaggi operativi:

  • Audit delle cartelle condivise. Prima di attivare i connettori, è necessario verificare le cartelle ad accesso allargato che contengono dati del personale, documenti contabili o informazioni sui clienti, stabilendo chi può abilitare le integrazioni e separando l'accesso in lettura da quello in scrittura.
  • Standard aperti. Per connettere le applicazioni intelligenti a database e strumenti esterni esistono standard aperti come il Model Context Protocol (MCP): uno standard open source per collegare le applicazioni AI ai sistemi esterni, che funziona in modo simile a una porta USB-C per il software[6].
  • Domande di verifica. È utile preparare da 10 a 20 domande di controllo con risposte già note — dalla formula del margine a chi approva una determinata spesa — da eseguire a ogni aggiornamento del contesto[1]. L'assistente deve mostrare i riferimenti da cui attinge ed essere impostato per dichiarare apertamente «non lo so» quando l'informazione manca, evitando di tirare a indovinare.
  • Proprietari del contesto. Ciascuna sezione della conoscenza deve avere un responsabile incaricato di tenerla aggiornata (ad esempio l'amministrazione per le metriche contabili e le risorse umane per le politiche interne). Se l'AI commette un errore, il dato va registrato e catalogato come nozione mancante da inserire o informazione obsoleta da correggere.

Dal prompt individuale al company brain: rendere il sapere collettivo

Nelle imprese l'adozione dell'AI attraversa spesso tre fasi: l'uso isolato da parte del singolo dipendente, i progetti condivisi all'interno di un team e la memoria aziendale comune. Nel primo caso il beneficio resta personale e svanisce quando il collaboratore chiude la scheda del browser o cambia azienda. Nel secondo i documenti caricati invecchiano se nessuno si occupa di rinnovarli.

Le tre fasi: l'uso individuale, che si perde con chi lo usa; i progetti di team, che invecchiano se nessuno li aggiorna; il company brain, accessibile a tutta l'azienda.

Le tre fasi: dal singolo collaboratore a tutta l'azienda.

Il passaggio al «company brain» si compie quando i flussi messi a punto dai singoli durante il lavoro quotidiano diventano processi accessibili a tutta la struttura. Ramp lo racconta con il proprio workspace Glass[1]: un account manager aveva salvato un prompt che estrae le richieste di funzionalità direttamente dalle telefonate con i clienti, richieste che prima venivano ricopiate a mano in Salesforce. Quel prompt è stato condiviso: ora, racconta la guida, raccoglie le richieste per tutto il team, un secondo prompt le ordina per priorità e un terzo avvisa via email i clienti quando la funzionalità richiesta viene rilasciata.

Il sapere operativo cessa così di essere un appunto individuale per trasformarsi in una procedura stabile su cui colleghi e agenti possono collaborare.

L'approccio di QTNOVA: la conoscenza che resta nei processi con Snake Suite AI

In azienda l'informazione c'è quasi sempre: manuali in PDF, procedure sull'intranet, email, cartelle condivise. Il problema è arrivarci in fretta senza dover ricopiare i dati a mano e senza trasformare il tecnico esperto in un collo di bottiglia per quesiti già risolti decine di volte. Con Snake Suite AI abbiamo costruito un'architettura modulare in cui la conoscenza caricata una volta vale per tutti i moduli collegati: l'assistente lavora dentro un recinto chiuso, interroga solo la documentazione interna, cita sempre la fonte e non attinge al web aperto; i documenti restano su infrastruttura nell'Unione Europea e non vengono usati per addestrare modelli pubblici.

Inoltre, Snake non è vincolato a un singolo fornitore di intelligenza artificiale: si collega ai principali modelli di mercato — Claude di Anthropic, GPT di OpenAI e Gemini di Google — e viene scelto di volta in volta quello più adatto al singolo progetto per qualità delle risposte, costo per interazione o requisiti di riservatezza. Se in futuro conviene cambiare modello, la knowledge base aziendale resta dov'è.

I dati misurati dai clienti che usano Snake ogni giorno descrivono l'impatto di questo approccio:

  • Pelazza Peppino S.r.l., realtà attiva dal 1974 nella componentistica per ascensori, doveva gestire un centralino tecnico sovraccarico di chiamate da parte dei manutentori sul campo per la richiesta di schemi elettrici. Integrando Snake Document e Snake AI Helpdesk dentro il gestionale Odoo, sono stati indicizzati 11.600+ disegni tecnici e 50+ manuali. L'assistente garantisce copertura di primo livello H24, identifica codici e stato di garanzia e applica una regola di sicurezza esplicita: se dopo 5 scambi il problema non è risolto, apre in automatico un ticket strutturato per l'ingegnere con la trascrizione della chat. Il progetto ha ottenuto l'ANACAM Product Award 2026 nella categoria «Servizi a supporto del settore ascensoristico». Inoltre, la spiegazione vocale registrata dal tecnico a chiusura ticket viene trascritta e memorizzata, permettendo all'AI di risolvere quel guasto in autonomia fin dal caso successivo.
  • Radici Products S.r.l., punto di riferimento da oltre 25 anni nei tecnopolimeri con oltre 15.000 ordini all'anno gestiti su disegno, impiegava in media 60 minuti per elaborare una singola offerta tra analisi dei file e inserimento manuale nell'ERP. Adottando Snake Document e Snake Quote integrati al gestionale, il tempo medio per offerta è sceso da 60 a 10 minuti, riducendo il tempo di preventivazione dell'83%, rilevato su media trimestrale.

Su documentazione già ordinata un assistente è operativo in pochi giorni, e un prototipo sui vostri documenti reali si vede entro la prima settimana; dal pannello vedete tutto quello che fa, e quando serve passa la mano a una persona.

Una memoria che non si perde

Lasciare che ciascun collaboratore interroghi l'AI dalle proprie finestre di chat isolate significa affidarsi a risposte apparentemente convincenti ma prive delle regole interne dell'azienda, rischiando di perdere quel patrimonio non appena una persona lascia la mansione. Costruire una memoria aziendale condivisa significa invece trasformare policy, dati e flussi quotidiani in una risorsa accessibile a tutti, verificabile e allineata alle decisioni reali.

E nella vostra impresa, la conoscenza operativa vive ancora confinata negli appunti personali o è pronta a diventare un patrimonio comune? Trenta minuti, un campione dei vostri documenti reali, e vedete in diretta che risposte dà Snake: nessun impegno, e se non vi convince lo sapete subito. Se preferite partire da una chiacchierata, parliamone.

Vuoi saperne di più? Lasciaci una mail qui sotto, ti ricontattiamo al più presto.

Invia 

Grazie per il riscontro

Il nostro team ti risponderà al più presto.
Nel frattempo vi invitiamo a visitare il nostro sito web.

Fonti:

  1. Ramp — “How to give AI company context and build a company brain” (30 ottobre 2026) – ramp.com
  2. Atlassian — “State of Teams 2025” – atlassian.com
  3. Microsoft UK Stories — “Rise in ‘Shadow AI’ tools raising security concerns for UK organisations” (13 ottobre 2025) – ukstories.microsoft.com
  4. OpenAI — “Optimizing LLM Accuracy” – developers.openai.com
  5. Claude Help Center — “connectors” – support.claude.com
  6. Model Context Protocol — “What is the Model Context Protocol (MCP)?” – modelcontextprotocol.io
AI Act: cosa cambia davvero il 2 agosto 2026
Inventario, classificazione, governance: la guida pratica per arrivare pronti alla piena applicazione del Regolamento UE 2024/1689, senza gergo legale e senza panico.