Una memoria che resta sulla sua istanza: come il Brain archivia la conoscenza sotto forma di grafo

Situazione di partenza: la memoria esiste da tempo, solo che non segue le sue regole

La scena la conosce chiunque impieghi uno strumento di IA in azienda. Si spiega per la quinta volta come si chiama l’azienda, chi è la clientela, che aspetto ha da noi un’offerta e perché quel fornitore viene trattato diversamente da tutti gli altri. Il fatto che i grandi fornitori abbiano da tempo una funzione di memoria cambia meno di quanto ci si aspetti. Il motivo sta nella loro stessa documentazione, e non sta nel fatto che queste funzioni siano personali. Lo sono, e lo è anche il Brain di Kisuno. Sta piuttosto nel luogo in cui si trova il patrimonio e in chi decide su di esso.

Il patrimonio si trova nell’ambiente del fornitore, e le regole dell’azienda non vi si applicano da sole. Microsoft descrive per Copilot che i ricordi salvati, le informazioni ricavate dalla cronologia e le istruzioni personali si trovano nella casella di posta Exchange della rispettiva persona, in una cartella nascosta.¹ Anthropic stabilisce per Claude che i proprietari di un’organizzazione non possono né consultare né modificare i ricordi delle singole utenti e dei singoli utenti; esportarli secondo le regole di conservazione dell’organizzazione si può eccome.² Che queste memorie siano personali non è però il rimprovero. Lo è anche il Brain di Kisuno, e per il lavoro quotidiano questa è la forma costruttiva più ovvia. La differenza sta altrove: dove si trovino le voci, quanto a lungo restino e che cosa sparisca davvero con la cancellazione, lì non lo decide l’azienda che lavora con lo strumento.

La seconda lacuna riguarda il governo. Nella stessa documentazione Microsoft scrive che i criteri di conservazione impostati in Purview non valgono per la memoria di Copilot e che non esiste alcun comando amministrativo per imporre regole di conservazione apposite; che l’eliminazione di una chat non elimina i ricordi salvati che ne sono derivati; che le operazioni della memoria non generano voci nel registro di audit; e che un’amministrazione non può limitare quale tipo di informazioni venga affatto accolto nella memoria.¹ Per correttezza, lì è scritto altrettanto che i dati della memoria si possono cercare, estrarre e cancellare tramite eDiscovery e il Graph Explorer, e l’intera funzione è contrassegnata come anteprima.¹ Il quadro resta comunque questo, e riguarda i primi tre punti: le regole che un’azienda ha comunque per conservazione, cancellazione e tracciabilità non si applicano da sole in questo punto. Sul quarto punto ci tratteniamo, perché riguarda anche noi: nemmeno da noi un’amministrazione può limitare in anticipo che cosa venga accolto in un Brain. Può attivare o disattivare la funzione per ciascun accesso, nulla di più.

La terza lamentela è quella sul controllo del contenuto. Nel giugno 2026 OpenAI ha convertito la personalizzazione a un riassunto generato automaticamente, e l’elenco curabile a mano è rimasto accanto come patrimonio preesistente; nel forum ufficiale degli sviluppatori è nato di conseguenza il desiderio di vedere di nuovo con precisione e di gestire voce per voce ciò che viene memorizzato.³ Già un anno prima lo sviluppatore Simon Willison aveva criticato la versione precedente perché sottrae del tutto questo controllo e crea una condizione che agisce in modo invisibile su ogni risposta.⁴ Si tratta di voci singole e non di una rilevazione, e non le presentiamo come tali. Colgono però il punto in cui uno strumento per la comodità privata e uno strumento per un’azienda prendono strade diverse.

La quarta lacuna è la rettifica. La task force del Comitato europeo per la protezione dei dati ha rilevato nel suo rapporto su ChatGPT del maggio 2024 che OpenAI suggerisce alle persone interessate, almeno per ora, di passare dalla rettifica alla cancellazione quando una rettifica non sia praticabile a causa della complessità tecnica.⁵ Per un’azienda questa è la differenza tra un’informazione corretta e una scomparsa. Chi in seguito deve spiegare perché un’informazione era sbagliata ha bisogno della versione rettificata e della data della correzione, non di un vuoto.

Per correttezza va detto che non ogni punto vale per ogni fornitore. Anthropic descrive per Claude spazi di memoria separati per ciascun progetto e un elenco in cui ogni voce si può leggere, modificare e cancellare; l’impostazione predefinita cambia a seconda del piano: nelle versioni per singole persone la memoria è attiva, nelle versioni per team e aziende è l’amministrazione a decidere sulla disponibilità e per la singola persona essa resta dapprima disattivata.⁶ Non si tratta quindi di rimproverare a qualcuno una negligenza. Si tratta del denominatore comune: queste funzioni girano sui server del fornitore. Fino a che punto vi arrivino le regole proprie di un’azienda cambia da fornitore a fornitore, e in Copilot, stando alla documentazione del fornitore stesso, nei punti decisivi non vi arrivano.

E una memoria ha una caratteristica che a un foglietto di appunti non si attribuirebbe: è una superficie di attacco. La ricerca sulla sicurezza mostra dal 2024 che, attraverso contenuti preparati ad arte, si possono introdurre di nascosto nella memoria istruzioni durature, che agiscono oltre la singola conversazione.⁷ Un lavoro del luglio 2026 dimostra per i sistemi che agiscono come una sola e-mail lasci dietro di sé un ricordo falso.⁸ Non è un argomento contro le funzioni di memoria. È un argomento a favore del fatto che ogni voce debba portare con sé la propria provenienza e debba potersi rimuovere singolarmente, ed è esattamente ciò che deve garantire la forma costruttiva di cui si parla qui di seguito.

Perché conta dove si trova la memoria

Il bisogno non è una supposizione, sta nelle rilevazioni. In Svizzera la quota di PMI che integrano consapevolmente l’intelligenza artificiale nei propri processi di lavoro è salita nel giro di un anno dal 22% al 34%; più di frequente per le traduzioni con il 52% e per la corrispondenza con il 47%, quindi esattamente là dove fanno la differenza le parole dell’azienda e i suoi casi particolari. Una chiara regolamentazione della protezione dei dati per l’uso delle applicazioni di IA ce l’ha invece solo circa un terzo di quelle aziende che l’IA la impiegano davvero; tra quelle da cinque a nove dipendenti si tratta del 23%.⁹ I dati provengono da un sondaggio su 300 PMI della Svizzera tedesca e francese; è un campione piccolo, e non lo presentiamo come un censimento.

Il secondo motivo è più scomodo, perché ha a che fare con le persone. La conoscenza che fa il lavoro quotidiano sta raramente in un manuale. Sta nelle teste: chi decide davvero presso quel cliente, perché una voce viene calcolata diversamente dall’ultima ristrutturazione, quale collaudo non funziona senza la direzione lavori. Chi lavora ogni giorno con uno strumento di IA gli racconta esattamente questo, frase dopo frase, senza proporselo. La domanda è solo dove si trovino poi queste frasi. Quanto sia teso peraltro il mercato del lavoro lo mostrano i dati ufficiali: nel quarto trimestre 2025 l’Ufficio federale di statistica ha contato in Svizzera 86.000 posti vacanti, e il 36,2% delle imprese ha segnalato difficoltà di reclutamento.¹⁰ Un posto che si libera non viene quindi rioccupato in fretta, e fino ad allora manca anche ciò che quella persona sapeva. A livello europeo il Cedefop riconduce espressamente il fabbisogno di sostituzione a pensionamenti e cambi di professione, quindi a uscite con cui l’esperienza lascia l’azienda.¹¹ Un Brain personale non risolve questo problema, e nemmeno lo sosteniamo; più sotto, nella sezione sui limiti, se ne dice di più. Decide soltanto se la conoscenza raccolta si trovi presso di lei o presso il fornitore.

Che cosa accada quando in azienda non c’è una soluzione propria è stato anch’esso studiato. In uno studio di KPMG e della University of Melbourne con 48.340 intervistati in 47 paesi, due persone occupate su tre hanno dichiarato di essersi affidate a output di IA senza verificare le informazioni fornite, e una parte considerevole ha ammesso di usare l’IA contro le disposizioni aziendali; il rapporto cita al riguardo espressamente il caricamento di informazioni aziendali sensibili come dati finanziari, di vendita o dei clienti in strumenti di IA pubblici.¹² La domanda non è quindi se la conoscenza aziendale finisca in uno strumento di IA. La domanda è se finisca su un’istanza sulla cui conservazione, salvataggio e cancellazione decide l’azienda. Un divieto sposta il problema sull’accesso privato, dove nessuno guarda più.

A ciò si aggiunge la differenza di dimensione. Secondo Eurostat, nel 2025 il 20,0% delle imprese dell’UE con almeno dieci dipendenti utilizzava tecnologie di IA, dopo il 13,5% dell’anno precedente; nel dettaglio si tratta del 17% delle piccole, del 30,36% delle medie e del 55,03% delle grandi imprese.¹³ Tra quelle che hanno mai preso in considerazione l’impiego e non lo utilizzano, nello stesso anno in testa ai motivi stavano la mancanza di competenze specifiche con il 70,89%, l’incertezza sulle conseguenze giuridiche con il 52,52% e i timori per la protezione dei dati con il 48,83%.¹⁴ Questa popolazione di riferimento comprende espressamente solo le imprese che hanno mai preso in considerazione l’impiego, e non tutte. Il quadro resta comunque questo: ciò che frena le piccole aziende non è la tecnica, ma la mancanza di contesto e la mancanza di certezza su che cosa accada ai propri dati.

Il terzo motivo è giuridico ed è espressamente stabilito per la Svizzera. L’Incaricato federale della protezione dei dati e della trasparenza segnala che la legge svizzera sulla protezione dei dati è direttamente applicabile ai trattamenti di dati assistiti dall’IA.¹⁵ Chi quindi deposita dati personali in una memoria deve poterne dare informazione e poterli rettificare o distruggere; la legge sulla protezione dei dati disciplina entrambe le cose all’articolo 25 e all’articolo 32.¹⁶ Nell’Unione europea le stesse pretese stanno all’articolo 15 e all’articolo 17 del Regolamento generale sulla protezione dei dati.¹⁷ Non è una formalità, bensì un requisito posto alla forma costruttiva: chi non può mostrare singolarmente e cancellare singolarmente non può soddisfare queste pretese.

Elenco contro grafo: lo stesso contenuto, due risultati

Prima una domanda ovvia, perché quasi liquiderebbe il tema: perché non riversare semplicemente tutto in una grande finestra di contesto? Perché una finestra di contesto non è una memoria. Anthropic la descrive nella propria documentazione come memoria di lavoro per una singola chiamata; l’intera cronologia precedente viene inviata di nuovo a ogni giro e non risiede nel modello.¹⁸ E averne di più non aiuta automaticamente. Nella stessa documentazione è scritto che precisione e capacità di richiamo calano al crescere del numero di token, un comportamento per cui si è affermata la denominazione context rot, e che la scelta del contenuto è importante quanto lo spazio disponibile.¹⁸ Ricerche indipendenti mostrano lo stesso dall’esterno: se l’informazione pertinente sta nel mezzo di un contesto lungo, viene trovata nettamente peggio che all’inizio o alla fine, e questo vale anche per i modelli espressamente concepiti per contesti lunghi.¹⁹ La selezione batte la quantità. Un position paper del maggio 2026 formula la conclusione nel modo più netto: modelli con capacità finita non potrebbero per principio rappresentare l’ampiezza della conoscenza dei compiti aziendali, ragione per cui questa conoscenza andrebbe collocata in uno strato proprio accanto a essi.²⁰ Si tratta di un’argomentazione e non di una misurazione, e la riportiamo come tale. La domanda non è quindi quanto si invia, bensì come si trova ciò che è giusto.

Una memoria si può gestire in due modi. Il primo è un elenco. Ogni voce è una frase a sé: l’azienda ha quattordici dipendenti. La cliente si chiama Berger. Le offerte escono di norma in PDF. L’elenco cresce, si può cercare al suo interno e risponde in modo affidabile a ogni domanda che punta esattamente a una delle sue frasi. La maggior parte delle funzioni di memoria che oggi stanno in uno strumento di IA è un elenco di questo tipo.

Il secondo modo è un grafo. Esso memorizza non solo le frasi, ma il collegamento tra di esse, e questo collegamento è un oggetto a sé con un nome proprio. La cliente Berger è un nodo. L’offerta con il numero 114 è un nodo. In mezzo sta un arco che afferma qualcosa di preciso, ossia che questa offerta appartiene a questa cliente, e che ha una direzione. Accanto sta un secondo arco verso la persona che ha scritto l’offerta, e un terzo verso la regola di prezzo che valeva in quel momento.

La differenza si nota esattamente quando una domanda va oltre una sola frase. Chi vuole sapere quali offerte aperte siano interessate dalla regola di prezzo modificata a maggio, e chi di conseguenza debba informare la clientela, non pone una domanda di ricerca. Questa domanda non ha un risultato, ha un percorso: dalla regola alle offerte, dalle offerte alla clientela, da lì alle persone responsabili. Un elenco non può percorrere questa strada, perché non l’ha mai memorizzata. E le domande che in un’azienda vengono poste davvero hanno quasi sempre questo aspetto.

Che questa differenza non suoni soltanto plausibile, ma sia misurata, si può leggere nelle fonti. Microsoft Research descrive la debolezza della pura ricerca per similarità con la frase secondo cui essa fatica a collegare i punti, perché seguire informazioni sparse dovrebbe passare per caratteristiche comuni.²¹ Il lavoro corrispondente documenta miglioramenti per le domande rivolte a un intero corpus di testi, e precisamente nella completezza e nella varietà delle risposte; una cifra sulla correttezza esso non la indica espressamente, e perciò non ne affermiamo alcuna.²² Indipendentemente da ciò, quindi non da un fornitore di un prodotto di memoria, un lavoro della ricerca universitaria mostra per le domande su più passaggi un vantaggio fino al 20 per cento rispetto allo stato dell’arte.²³ Ciò che il grafo con questo non documenta ancora, ma soltanto inquadra: una serie di test dedicata alla memoria a lungo termine misura tra l’altro il ragionamento temporale e l’aggiornamento della conoscenza e riscontra, negli assistenti esistenti, su percorsi più lunghi un calo del 30 per cento nella conservazione delle informazioni.²⁴ Essa non confronta grafi con elenchi; mostra quanto sia grande il problema che entrambi dovrebbero risolvere.

L’idea è peraltro più antica dei modelli linguistici, e non viene da noi. Chi tiene i propri appunti in uno strumento come Obsidian conosce la vista in cui la propria raccolta appare come una rete di punti e linee: si vede a colpo d’occhio quale nota sia collegata a quale, quale sia rimasta isolata e dove si sia formato un centro di gravità. L’estensione open source Vault Graph disegna questa immagine deliberatamente in modo calcolabile invece che basato sulle forze, così che lo stesso patrimonio dia sempre la stessa immagine e una raccolta cresciuta nel tempo resti riconoscibile; l’elaborazione avviene sull’apparecchio, perché lì si trova anche tutto il resto.²⁵ Il progetto Graphify costruisce da un patrimonio misto un grafo della conoscenza interrogabile e contrassegna ogni arco a seconda che la relazione fosse presente nel materiale o sia stata solo dedotta.²⁶ Il pensiero che ne abbiamo ripreso è il più semplice dei due: un arco porta con sé da dove proviene.

Ripresa è peraltro la mentalità e non il codice. Un taccuino sul proprio apparecchio e un Brain che gira in azienda pongono requisiti diversi: l’uno può essere disordinato e finisce con l’apparecchio, l’altro si trova sull’istanza di un’azienda e deve reggere contraddizioni, termini, conservazione e richieste di cancellazione. Perciò la nostra realizzazione è propria, e perciò la prossima sezione non parla di grafi in generale, bensì di che cosa da noi dipenda da una singola voce.

La struttura: che cosa dipende da una singola voce

Una voce in questa memoria non è una frase, bensì un piccolo fascio di informazioni. Sembra un impiccio ed è il motivo per cui con essa si possono fare cose che con una nota non si possono fare.

Il punto della validità è il più discreto e in azienda il più importante. In una memoria a elenco una nuova affermazione viene scritta sopra quella vecchia, e ciò che valeva prima sparisce. Qui invece l’affermazione vecchia riceve una fine e resta al suo posto. Chi a settembre chiede quale termine di sconto valga riceve quello nuovo. Chi deve ricostruire perché a maggio una fattura sia stata trattata diversamente riceve quello vecchio, insieme alla data in cui è stato sostituito. Una memoria che conosce solo l’ultimo stato non può rispondere a questa seconda domanda, ed è proprio quella che viene posta in una verifica. Il pensiero è elaborato nella ricerca: un’architettura per la memoria del 2025 tiene quattro marche temporali per ogni affermazione, distinte a seconda di quando qualcosa sia valso nel mondo e di quando il sistema ne sia venuto a conoscenza, e risolve le contraddizioni rendendo non valido con data l’arco più vecchio invece di sovrascriverlo.²⁷ La realizzazione corrispondente descrive lo stesso come finestra di validità per ogni affermazione e consente interrogazioni sia sullo stato odierno sia su un qualsiasi momento precedente.²⁸

Il secondo punto che conta nella quotidianità è la lingua. Ogni azienda ha parole proprie: una denominazione per un’operazione che esiste solo qui, un’abbreviazione per una macchina, un nome di cliente che non si scrive come suona. Queste parole stanno nel grafo come nodi a sé, con le loro grafie e i loro collegamenti. Perciò nessuno deve più spiegare che cosa si intenda con quel termine, e perciò da una risposta generica ne nasce una che si adatta all’azienda.

Con ciò cambia anche ciò che le restanti parti della piattaforma possono fare, ed è questa la vera ragione dello sforzo. Un agente di ruolo che può leggere il grafo non deve più essere alimentato con una pagina di indicazioni prima di rispondere in modo utile: responsabilità, termini e regole sono già lì. Un compito che attraversa più sistemi trova nel grafo l’attribuzione che in nessuno dei sistemi coinvolti sta per intero. Qui descriviamo che cosa consenta la forma costruttiva, e non promettiamo alcun calendario: che cosa ne divenga nella quotidianità si decide in base a quanto il grafo sia curato.

Il percorso di scrittura: come da una frase nasce una voce

Una memoria che memorizza tutto è priva di valore. Si riempie di cose irrilevanti, e più si riempie, meno affidabilmente ritrova ciò che è importante. Attorno esattamente a questo punto ruotano le lamentele sulla mancanza di controllo citate sopra. Perciò da noi la strada dalla frase pronunciata alla voce memorizzata non è un unico passo, bensì quattro.

Dapprima cade nella conversazione un’affermazione che va oltre il momento. Raramente è la domanda e quasi sempre un’osservazione incidentale: che presso quel cliente il collaudo passa sempre dalla direzione lavori, che una certa macchina dopo la ristrutturazione è regolata diversamente, che per questo gruppo merceologico vale un’altra aliquota IVA. Ciò che è unico non ne fa parte, e nemmeno ciò che si limita alla commessa in corso.

Poi ne nasce una proposta e non ancora una voce. La proposta indica quali nodi sarebbero interessati, quale arco nascerebbe e da dove proviene l’affermazione. Si può rifiutare, e rifiutato vuol dire rifiutato: la proposta non ritorna alla prossima occasione.

Il terzo passo è il confronto con il patrimonio, ed è la ragione dell’intera forma costruttiva. Se il nodo esiste già, non se ne crea un secondo, ma si integra quello presente. Se la nuova frase dice qualcosa di diverso da una già presente, ciò viene trattato come contraddizione e non come sovrascrittura: l’affermazione più vecchia riceve una fine, quella nuova un inizio, ed entrambe restano leggibili. E se l’affermazione non porta nulla di nuovo, viene scartata, affinché la memoria non soffochi nella propria abbondanza.

Solo dopo si scrive, insieme a provenienza e momento. Da quel momento la voce è a disposizione in ogni sua conversazione, non solo in quella in cui è nata. È questa la vera differenza rispetto a una cronologia: una cronologia appartiene a una conversazione, una voce appartiene al suo Brain e si trova sulla sua istanza. Anche da noi, quindi, una voce non sparisce per il fatto che lei cancelli la conversazione da cui proviene. La differenza è che lei la vede: sta con provenienza e data nel suo patrimonio e lì si può togliere singolarmente, invece di continuare a produrre effetti inosservata.

Il percorso di lettura: che cosa lascia il server e che cosa no

Ora la parte in cui si decide se una memoria sia affatto ammissibile per un’azienda europea. Una memoria serve solo se i suoi contenuti confluiscono nella risposta. Essi devono quindi in qualche modo arrivare al modello. La domanda è quanta parte.

Di fronte a una domanda Kisuno determina dapprima i nodi di ingresso, ossia i punti del grafo di cui si tratta. Da lì si seguono gli archi, di regola per uno o due passi, e ciò che ne risulta è una porzione piccola e coerente: alcuni nodi, gli archi tra di essi, le indicazioni sulla validità. Solo questa porzione va al modello insieme alla sua domanda.

Il grafo stesso resta dov’è. Si trova nella banca dati della sua istanza, oggi quindi nei data center di Green a Lupfig. Non appena il repository con le nostre estensioni sarà disponibile, nella gestione autonoma esso si troverà sul suo server. Non esiste alcuna operazione in cui la memoria nel suo complesso venga trasferita a un fornitore di modelli, vi venga replicata o vi venga costruita. Ciò che lascia la sua istanza è sempre e solo la porzione di cui ha bisogno la singola domanda, ed è lo stesso principio secondo cui lavora anche la base di conoscenza.

Che cosa valga per questa porzione lo diciamo apertamente, perché è la frase più importante di questa sezione. Nessun fornitore di modelli conserva i suoi input né li utilizza per l’addestramento. Ciò che oltre a questo resta dipende dal modello scelto, e anche questo lo diciamo apertamente: il rilevamento degli abusi di AWS può trattenere richieste, quando esse potrebbero violare le condizioni di utilizzo di AWS o dei fornitori dei modelli. AWS conserva, per i modelli GPT, le richieste contrassegnate e, per Claude Fable 5 e 5.1, tutte le richieste fino a 30 giorni, per verificare gli abusi in modo automatico; le richieste contrassegnate possono inoltre essere esaminate a mano da AWS. Ai fornitori dei modelli questi dati, secondo quanto indicato da AWS, non vengono trasmessi. Se l’inferenza tra regioni è attivata, essi si trovano nella regione in cui la richiesta viene elaborata.²⁹ Chi vuole escludere anche questi trenta giorni sceglie i modelli di punta aperti che aziende europee gestiscono su server in Europa; lì l’US CLOUD Act non si applica.

La risposta torna poi indietro con la provenienza delle voci utilizzate. Lei vede quindi non solo che cosa Kisuno creda di sapere sul suo lavoro, ma anche da quale conversazione o da quale documento provenga questa conoscenza. È lo stesso pensiero del riferimento in una risposta tratta dalla base di conoscenza, e per la stessa ragione: un’affermazione senza provenienza verificabile in azienda non è utilizzabile.

Consultare, rettificare, cancellare

Una memoria che non si può aprire non è una memoria, bensì un’incognita nel processo. Perciò ogni voce è indirizzabile, e questo non è un dettaglio dell’interfaccia, bensì una proprietà della forma costruttiva: poiché la conoscenza è presente come nodi e archi e non come testo corrente, esiste affatto qualcosa su cui si può puntare il dito.

Ne derivano quattro cose che contano nella quotidianità. In primo luogo il patrimonio si può guardare, nodo per nodo, con provenienza e data. In secondo luogo un’affermazione sbagliata si può rettificare, e quella sbagliata non sparisce senza lasciare traccia, ma viene datata come sostituita; chi deve sapere perché una risposta precedente sia stata diversa ne trova il motivo. In terzo luogo una singola voce si può cancellare, e con essa se ne vanno gli archi che vi sono collegati. In quarto luogo l’intero patrimonio si trova sulla sua istanza, viene salvato con essa e cancellato con essa, e ogni accesso sta nel registro di audit.

Per le aziende in Europa questo ha un risvolto pratico che va oltre la comodità. Chi chiede informazioni ai sensi dell’articolo 15 del Regolamento generale sulla protezione dei dati o la cancellazione ai sensi dell’articolo 17, lo chiede riguardo a un oggetto determinato, e questo oggetto deve essere reperibile. In una memoria fatta di testo continuo questo è un compito di ricerca dall’esito incerto. In un grafo è un nodo con un identificativo e gli archi che vi sono collegati. Questo vale all’interno di un Brain. Attraverso più Brain non esiste alcuna ricerca, perché l’accesso ce l’ha solo la persona stessa; che cosa ciò comporti per una richiesta sta più sotto, tra i limiti. L’obbligo non è con ciò adempiuto; solo così esso diventa adempibile. Questa differenza la consideriamo il vero guadagno della forma costruttiva, ed è la ragione per cui l’abbiamo scelta.

E chi non vuole avere memorizzato proprio nulla disattiva la funzione per sé. Essa non è un componente senza il quale la piattaforma non lavora, bensì una possibilità per la quale ci si decide.

Limiti: che cosa una memoria non sa fare

Il primo limite è al tempo stesso la frase più importante di questo articolo. Una memoria non rende un modello più intelligente. Rende la domanda più precisa. Ciò che torna indietro è pur sempre testo generato da un modello linguistico, e suona plausibile anche quando la base è storta. Chi si affida a una risposta senza aprire la provenienza indicata non ha guadagnato nulla se non velocità.

Il secondo limite è più scomodo, perché cresce con il tempo. Una memoria memorizza anche cose sbagliate. Se una frase errata diventa una volta un nodo, essa ricompare nelle risposte e lì appare più credibile della prima volta, perché ora proviene dal patrimonio proprio. Il riconoscimento automatico sbaglia in ciò, secondo la nostra esperienza, in modo prevedibile: confonde un’osservazione incidentale con una regola vincolante. Proprio per questo la proposta è inserita prima della voce e la provenienza sta su ogni voce, e proprio per questo la cura resta un compito per le persone.

Il terzo limite è una delimitazione. Il Brain non sostituisce né la sua base di conoscenza né il suo ERP. Esso memorizza che cosa valga e che cosa sia collegato con che cosa, non ogni documento e nessuna scrittura contabile. I documenti restano nella base di conoscenza, i dati anagrafici restano nel sistema gestionale, e il collegamento verso di esso passa dal nostro gateway per i collegamenti degli strumenti, con la stessa gestione dei diritti di ogni altra parte. Che cosa sia possibile in proposito è indicato in Integrazioni. Una memoria che cerchi di sostituire tutto questo diventa una seconda banca dati, peggio curata.

Il quarto limite riguarda i dati personali. In un Brain rientra ciò che serve al proprio lavoro, e non ciò che si raccoglie incidentalmente sulle persone. Chi vi deposita informazioni sui collaboratori ha bisogno di una finalità, di una base giuridica e, a seconda del paese e della dimensione aziendale, del coinvolgimento della rappresentanza dei lavoratori. Questa valutazione non la togliamo a nessuno, e questo articolo non sostituisce una consulenza legale.

Il quinto limite è la successione. Il Brain è personale e se ne va con la persona: se l’accesso viene cancellato, viene cancellato anche il Brain. Chi lascia l’azienda non porta quindi via nulla, ma non lascia nemmeno nulla con cui possa lavorare chi le succede. Questa persona comincia con un Brain vuoto. Che l’esperienza vada perduta con le uscite, questa forma costruttiva non lo risolve, e noi non lo sosteniamo. Quanto pesi lo dicono i dati più sopra sui posti vacanti¹⁰ e sul fabbisogno di sostituzione in Europa.¹¹ Ciò che questa forma costruttiva risolve è la domanda su dove si trovi fino ad allora quanto raccolto.

Il sesto limite è il rovescio del fatto che ogni Brain è personale: l’accesso ce l’ha solo la persona stessa. Nessuna amministrazione e nessun altro in azienda vi guarda dentro. Con ciò non esiste nemmeno una ricerca su tutti i Brain né una cancellazione centrale di singole informazioni. Per una richiesta di accesso o di cancellazione questo significa che la via passa dalla persona che tiene il Brain; è un compito organizzativo e non tecnico. Senza di essa resta il rimedio più grossolano: un Brain si può cancellare per intero, sparisce comunque con l’accesso, e la funzione si può disattivare per ciascun accesso. Nuova, questa situazione non è. Anche una casella di posta personale, un taccuino o un archivio sull’apparecchio di lavoro sono raggiungibili per un’informativa solo attraverso la persona che ci lavora, e le aziende lo gestiscono da sempre in via organizzativa: stabilire prima lo scopo, regolare per iscritto l’estensione, e disattivare là dove questo non basta. Se ciò sia sufficiente per il suo caso lo decide la sua azienda in quanto titolare del trattamento, e questo articolo non sostituisce una consulenza legale.

Il settimo limite riguarda la gestione autonoma. La memoria fa parte dell’insieme completo delle funzioni e nella gestione autonoma si trova interamente sul suo server. La base LibreChat è rilasciata con licenza MIT; il repository con le nostre estensioni seguirà a breve. Fino ad allora il servizio gestito è la via attraverso la quale la funzione è disponibile, e preferiamo dirlo piuttosto che lasciarlo in sospeso.

L’ottavo limite è il grafo stesso. Esso non è una panacea. Il suo vantaggio è documentato per determinati tipi di domanda: per le domande rivolte a un intero patrimonio, per le domande su più passaggi e per le domande sul mutamento nel tempo. Per le semplici domande su un singolo fatto esso non è dimostrabilmente migliore di una normale ricerca per similarità. Un’indagine di un altro fornitore misura per la variante con grafo, rispetto alla variante senza grafo, un punteggio complessivo migliore di circa il due per cento; da ciò segue che la parte maggiore del guadagno non deriva dalla forma a grafo, bensì dal fatto che una memoria venga tenuta.³⁰ Citiamo questa cifra perché parla contro di noi. La nostra ragione per il grafo è comunque un’altra: validità e provenienza per ogni voce e la cancellazione di singole voci insieme ai loro collegamenti non trovano posto in un elenco.

Domande frequenti sulla memoria di Kisuno

Fonti

Tutte le citazioni, le cifre e i dati di questo articolo provengono dalle fonti seguenti, verificate da ultimo nel settembre 2026. Dove una pubblicazione proviene dal fornitore del prodotto descritto, lo indichiamo; i contributi nei forum sono contrassegnati come voci singole e non come rilevazione.

1. Microsoft, Gestire la personalizzazione e la memoria di Copilot, Microsoft Learn, stato al 2 settembre 2026; la funzione è lì contrassegnata come anteprima. Testualmente si legge che i ricordi si trovano «in the user’s Exchange mailbox in a hidden folder», che i criteri di conservazione di Purview non valgono per la memoria di Copilot e «There are no admin controls to enforce retention rules specifically for Copilot memory», inoltre «Deleting a chat doesn’t delete saved memories that were generated from that chat», «Memory and personalization actions don’t generate audit log entries in Purview» e, alla domanda su una limitazione di contenuto, «No, admins can’t restrict what type of information is added to Copilot memory»; allo stesso tempo vi è descritto che i dati della memoria si possono cercare, estrarre e cancellare tramite eDiscovery e il Microsoft Graph Explorer: learn.microsoft.com
2. Anthropic, Use Claude’s chat search and memory to build on previous context, Claude Help Center, consultato il 14 settembre 2026: «Owners can’t view or edit a user’s individual memories», «Each project has its own separate memory space and dedicated project summary» e «All memory is retained and exportable by admins in accordance with your organization’s chat data retention policies»: support.claude.com
3. OpenAI Developer Community, richiesta di funzionalità «Memory Summary should not replace Saved Memories», aperta il 13 giugno 2026, con ulteriori interventi e una risposta del supporto di OpenAI fino al 17 giugno 2026. Si tratta di voci di utenti in un forum aperto e non di una rilevazione: community.openai.com
4. Simon Willison, I really don’t like ChatGPT’s new memory dossier, 21 maggio 2025: «The new memory feature removes that control completely» e «There’s now an enormously complex set of extra conditions that can invisibly affect the output of the models». Opinione singola di uno sviluppatore, qui come prova del tipo di critica e non della sua frequenza: simonwillison.net
5. Comitato europeo per la protezione dei dati, Report of the work undertaken by the ChatGPT Taskforce, versione 1.0, adottato il 23 maggio 2024, paragrafo 34: «OpenAI suggests users to shift from rectification to erasure when rectification is not feasible due to the technical complexity of ChatGPT»: edpb.europa.eu
6. Anthropic, Claude’s memory works everywhere, and you decide what’s in it, 25 agosto 2026: «Memory is on by default on Free, Pro and Max plans across web, desktop, and mobile», per Team ed Enterprise «memory is off for individual users until they turn it on» e «admins control availability for their organization»; le voci stanno in un elenco in cui si possono leggere, modificare e cancellare: claude.com
7. The Hacker News, ChatGPT macOS Flaw Could’ve Enabled Long-Term Spyware via Memory Function, settembre 2024, sul lavoro SpAIware del ricercatore di sicurezza Johann Rehberger: thehackernews.com
8. The Hacker News, New MemGhost Attack Plants Persistent False Memories in AI Agents Through One Email, luglio 2026, sul lavoro «When Claws Remember but Do Not Tell» del 6 luglio 2026: thehackernews.com
9. AXA Svizzera, KMU Arbeitsmarktstudie 2025: Künstliche Intelligenz, comunicato stampa dell’8 ottobre 2025, condotto dall’istituto di ricerca Sotomo, sondaggio su 300 PMI della Svizzera tedesca e francese, rilevazione dal 3 al 10 marzo 2025. La quota di PMI che integrano consapevolmente l’IA nei propri processi di lavoro è salita dal 22% al 34%, gli ambiti di impiego più frequenti sono le traduzioni con il 52% e la corrispondenza con il 47%; sulla regolamentazione della protezione dei dati si legge testualmente «Lediglich ein Drittel der Unternehmen, die KI einsetzen, verfügt über eine klare Datenschutzregelung im Umgang mit KI-gestützten Anwendungen», e per le aziende da cinque a nove dipendenti «nur gerade 23 Prozent». Il portale PMI della Segreteria di Stato dell’economia riporta lo stesso risultato con il 34% e riferito a tutte le PMI interpellate; noi indichiamo la popolazione di riferimento più stretta dell’editrice dello studio. La Svizzera italiana non è rilevata: axa.ch; kmu.admin.ch
10. Ufficio federale di statistica, Leichte Zunahme der Beschäftigung im 4. Quartal 2025, comunicato del 26 febbraio 2026, statistica dell’impiego BESTA: il 36,2% delle imprese segnala difficoltà di reclutamento, si contano 86.000 posti vacanti: admin.ch
11. Cedefop, Labour and Skills Shortage Index, 16 dicembre 2024, proiezione fino al 2035. Il fabbisogno di sostituzione vi è ricondotto espressamente ai pensionamenti e ai cambi di professione: «Supply focuses on replacement needs, driven by retirements, career changes». In questo punto la fonte non indica alcuna singola percentuale: cedefop.europa.eu
12. KPMG International e University of Melbourne, Trust, attitudes and use of artificial intelligence: A global study 2025, maggio 2025, 48.340 intervistati in 47 paesi, rilevazione da novembre 2024 a metà gennaio 2025, il 67% degli intervistati era occupato. Testualmente: «Two in three report relying on AI output without evaluating the information it provides»; in un altro punto il rapporto quantifica espressamente lo stesso valore come «two thirds (66%) of employees». Quanto all’inserimento di dati aziendali, esso cita il caricamento di informazioni aziendali sensibili come dati finanziari, di vendita o dei clienti in strumenti di IA pubblici: kpmg.com
13. Eurostat, 20% of EU enterprises use AI technologies, comunicato dell’11 dicembre 2025, nonché Use of artificial intelligence in enterprises, Statistics Explained, anno di rilevazione 2025, tutte le imprese con almeno dieci dipendenti, insieme di dati isoc_eb_ai. Le classi dimensionali sono: piccole da 10 a 49, medie da 50 a 249, grandi da 250 dipendenti; Eurostat indica i decimali in modo non uniforme, noi li riprendiamo invariati. La Svizzera non è compresa in questa serie: ec.europa.eu; ec.europa.eu
14. Eurostat, Use of artificial intelligence in enterprises, Statistics Explained, dati sugli ostacoli dall’anno di rilevazione 2025, testualmente «In 2025, among EU enterprises who had ever considered using AI technologies, the most common reason for not using AI technologies was the lack of relevant expertise (70.89%)». La popolazione di riferimento è costituita espressamente solo dalle imprese che hanno preso in considerazione l’impiego dell’IA e vi hanno rinunciato, non da tutte le imprese: ec.europa.eu
15. Incaricato federale della protezione dei dati e della trasparenza, KI und Datenschutz, pubblicazione del 24 settembre 2025, secondo cui la legge svizzera sulla protezione dei dati è direttamente applicabile ai trattamenti di dati assistiti dall’IA: edoeb.admin.ch
16. Legge federale sulla protezione dei dati, articolo 25, che disciplina il diritto d’accesso, e articolo 32, che al capoverso 1 disciplina la pretesa alla rettifica, testo nella Raccolta sistematica del diritto federale: fedlex.admin.ch
17. Regolamento (UE) 2016/679 (Regolamento generale sulla protezione dei dati), articolo 15 (diritto di accesso) e articolo 17 (diritto alla cancellazione), testo nella Gazzetta ufficiale: eur-lex.europa.eu
18. Anthropic, Context windows, Claude Developer Platform, consultato il 14 settembre 2026. La finestra di contesto vi è descritta come «a working memory for the model»; sulla lunghezza si legge «As token count grows, accuracy and recall degrade, a phenomenon known as context rot» nonché «more context isn’t automatically better», e la scelta del contenuto sarebbe importante quanto lo spazio disponibile: platform.claude.com
19. Nelson F. Liu e altri, Lost in the Middle: How Language Models Use Long Contexts, presentato il 6 luglio 2023, pubblicato nelle Transactions of the Association for Computational Linguistics 2024. Le prestazioni sarebbero massime quando l’informazione pertinente sta all’inizio o alla fine, e calerebbero nettamente quando il modello deve accedere a informazioni nel mezzo, «even for explicitly long-context models»; esaminato su risposte a domande attraverso più documenti e su interrogazioni chiave-valore: arxiv.org
20. Kuldeep Singh, Anson Bastos e Isaiah Onando Mulang', Position: Avoid Overstretching LLMs for every Enterprise Task, presentato il 10 maggio 2026. Si tratta di un position paper con argomentazione teorica e senza misurazione empirica; lo citiamo come argomento e non come prova con una cifra: arxiv.org
21. Microsoft Research, GraphRAG: Unlocking LLM discovery on narrative private data, 13 febbraio 2024: «Baseline RAG struggles to connect the dots», perché il collegamento di informazioni sparse presupporrebbe un percorso attraverso caratteristiche comuni, e «Baseline RAG performs poorly when being asked to holistically understand summarized semantic concepts». Si tratta di un’affermazione del produttore, sostenuta dal lavoro della nota seguente: microsoft.com
22. Darren Edge e altri, From Local to Global: A Graph RAG Approach to Query-Focused Summarization, presentato il 24 aprile 2024, rivisto il 19 febbraio 2025. Sono documentati miglioramenti nella completezza e nella varietà delle risposte a domande rivolte a un intero corpus di testi, non una percentuale di successo; una percentuale sulla correttezza il lavoro non la indica: arxiv.org
23. Bernal Jiménez Gutiérrez e altri, HippoRAG: Neurobiologically Inspired Long-Term Memory for Large Language Models, presentato il 23 maggio 2024, rivisto il 14 gennaio 2025, pubblicato alla NeurIPS 2024. Sulle domande a più passaggi il metodo supera lo stato dell’arte «by up to 20%»; il lavoro non proviene da un fornitore di un prodotto di memoria: arxiv.org
24. Di Wu e altri, LongMemEval: Benchmarking Chat Assistants on Long-Term Interactive Memory, presentato il 14 ottobre 2024, rivisto il 4 marzo 2025, pubblicato alla ICLR 2025. Sono esaminati tra l’altro il ragionamento temporale e l’aggiornamento della conoscenza; si misura un calo del 30 per cento nella conservazione delle informazioni attraverso interazioni più lunghe: arxiv.org
25. Lukas Proprentner, vault-graph, codice sorgente con licenza MIT, consultato il 14 settembre 2026, nonché la voce nella directory delle estensioni di Obsidian. Il layout è espressamente «deterministic, not force-directed», ragione per cui «the same vault always draws the same picture», e l’elaborazione avviene in locale: «Nothing leaves your machine»: github.com; community.obsidian.md
26. Graphify Labs, graphify, codice sorgente su GitHub, consultato il 14 settembre 2026. Il progetto genera da un patrimonio misto un grafo della conoscenza interrogabile e contrassegna ogni arco a seconda che la relazione fosse presente nel materiale o sia stata dedotta: «Every edge is tagged EXTRACTED, INFERRED, or AMBIGUOUS»: github.com
27. Preston Rasmussen e altri, Zep: A Temporal Knowledge Graph Architecture for Agent Memory, 20 gennaio 2025. Il lavoro descrive quattro marche temporali per ogni affermazione, distinte secondo la validità nel mondo e la conoscenza da parte del sistema, e risolve le contraddizioni rendendo non valido l’arco più vecchio invece che sovrascrivendolo. Si tratta della pubblicazione del fornitore sul proprio prodotto: arxiv.org
28. Zep AI, graphiti, codice sorgente, consultato il 14 settembre 2026: «each fact in a context graph has a validity window: when it became true, and when (if ever) it was superseded» nonché «When information changes, old facts are invalidated», espressamente non cancellati; si può interrogare sia lo stato odierno sia un qualsiasi momento precedente, «Query what’s true now, or what was true at any point in time»: github.com
29. Amazon Web Services, Abuse detection, guida per l’utente di Amazon Bedrock, consultata il 14 settembre 2026. Vi è descritto che Amazon Bedrock di regola non memorizza né gli input né gli output, che per i modelli GPT citati «classifier-flagged traffic will be retained for up to 30 days» e per Anthropic Claude Fable 5 e 5.1 «all traffic will be retained for up to 30 days», che le richieste contrassegnate sono «subject to potential human review performed by AWS», che i dati conservati sono «stored and processed by AWS and are not shared with third-party model providers» e che, in caso di inferenza tra regioni, essi si trovano nella regione che effettua l’elaborazione: docs.aws.amazon.com
30. Prateek Chhikara e altri, Mem0: Building Production-Ready AI Agents with Scalable Long-Term Memory, 28 aprile 2025, misurato sull’insieme di dati LOCOMO. La variante con grafo vi raggiunge «around 2% higher overall score than the base configuration»; la parte maggiore del guadagno deriva quindi dall’architettura della memoria e non dalla forma a grafo. Anche questa è una pubblicazione del fornitore sul proprio prodotto: arxiv.org