La tua azienda impara a velocità macchina. E non ricorda quasi nulla.

Per molto tempo potevi liquidare la cosa come una curiosità: qualche entusiasta che chiacchiera con un bot. Quella cornice è morta. L’analisi di Anthropic su 1,2 milioni di sessioni Claude Cowork in più di 600.000 organizzazioni ha trovato che lo sviluppo software è solo l’8,7% dell’uso. Gran parte del resto è il cuore operativo delle aziende: business process & operations da solo vale il 33,4%, la categoria più grande, insieme a contenuti, DevOps, ricerca, analisi dati, gestione documenti e sales operations[1]. Anthropic lo chiama «the work around the work». Noi lo chiameremmo in un altro modo: è esattamente lo strato dell’azienda dove vive la conoscenza tacita.

OpenAI, intanto, dichiara oltre un milione di clienti business e seat ChatGPT Enterprise cresciuti di 9 volte anno su anno[2]. Il traffico LLM misurato su un singolo router di modelli è cresciuto di un ordine di grandezza in circa un anno, fino ai quadrilioni di token[3].

Detto semplice: una quota sostanziale del ragionamento quotidiano della tua azienda ormai avviene dentro le interazioni coi modelli. Le interazioni sono cresciute di un ordine di grandezza in un anno. Il registro organizzativo di quelle interazioni, in quasi tutte le aziende, è zero.

Nel 2025 il progetto NANDA del MIT ha pubblicato il numero che ogni speaker da conferenza ripete da allora: 95%. Di solito viene citato male. Il claim reale del report è che il 95% delle organizzazioni intervistate non otteneva alcun ritorno misurabile a P&L dagli investimenti GenAI nella finestra di osservazione, e che solo il 5% circa dei tool AI custom arrivava in produzione. Gli stessi autori segnalano i numeri come «directionally accurate», basati su 52 interviste e 153 survey, con una finestra di sei mesi che può sottostimare i successi[4]. Trattali con cura.

Quello che quasi nessuno ripete è la diagnosi del report. Vale la pena citarla esattamente:

Gli intervistati lo dicono più semplice. Un legale d’azienda: lo strumento «non conserva le preferenze dei clienti e non impara dalle revisioni precedenti. Ripete gli stessi errori e richiede di reinserire il contesto a ogni sessione». Le barriere più citate: «non impara dal nostro feedback» e «troppo contesto manuale ogni volta»[4]. Letto accanto ai dati di adozione, il quadro è scomodo: le aziende non stanno fallendo con l’AI perché i modelli sono deboli. I modelli sono diventati buoni più in fretta del previsto. Falliscono perché ogni sessione riparte dall’amnesia istituzionale, e ogni correzione di un dipendente è un regalo che l’organizzazione butta via al logout.

Verrebbe da pensare che i vendor lo sistemeranno con finestre di contesto più grandi o un interruttore «memoria». L’evidenza tecnica dice altro. Primo: il contesto non si comporta come la memoria. Lo studio «Lost in the Middle» ha mostrato che le prestazioni degradano bruscamente quando l’informazione rilevante sta in mezzo a un contesto lungo; nei casi peggiori, dare al modello il documento giusto sepolto tra molti altri rendeva meno che non dargli niente[5]. La valutazione di Chroma su 18 modelli di frontiera arriva alla stessa conclusione da un’altra strada: l’affidabilità cala man mano che l’input cresce, anche su compiti banali[6]. Una finestra più lunga è una scrivania più grande, non un archivio.

Secondo: la persistenza tra sessioni non esiste, di default. L’intera linea di ricerca sulla memoria degli agenti, da MemGPT in poi, parte dalla stessa premessa: ciò che sta fuori dalla finestra è perso, a meno che un sistema esterno non lo catturi e lo reintroduca deliberatamente[7]. Quando i ricercatori hanno dato ad agenti web la capacità di conservare e riusare i workflow già scoperti, i tassi di successo sono migliorati del 24,6% e del 51,1% in termini relativi sui benchmark standard[8]. Quel delta è la misura di quanto valore evapora quando nessuno scrive niente.

Terzo: perfino chi costruisce gli agenti di frontiera ci lavora intorno, a mano. La guida di ingegneria di Anthropic raccomanda lo «structured note-taking»: l’agente scrive appunti fuori dalla finestra di contesto, perché il contesto critico «would otherwise be lost» nei task lunghi[9]. Le funzioni di memoria dei vendor esistono proprio perché, come scrisse OpenAI lanciando la memoria di ChatGPT, ricordare tra le chat «ti evita di dover ripetere le informazioni»[10]. Sono progressi veri, e sono perimetrati a una persona e a un prodotto. Il tuo account ricorda te. L’azienda non ricorda niente. Questa distinzione è l’intero problema, quindi rendiamola esplicita.

Quando un’analista senior passa venti minuti a insegnare all’assistente AI i casi limite del revenue recognition aziendale, nella maggior parte delle organizzazioni valgono tre cose. La correzione migliora quella conversazione. Forse migliora le conversazioni future di quella persona, se la memoria personale l’ha catturata. Non raggiungerà mai la collega a due scrivanie di distanza, che domani farà lo stesso errore, né l’agente che quella collega usa, né l’auditor che tra due anni chiederà perché due sistemi hanno risposto in modo diverso alla stessa domanda.

Le organizzazioni hanno sempre perso conoscenza così, ben prima dell’AI. McKinsey stimava che un interaction worker passi quasi il 20% della settimana a cercare informazioni interne o a rintracciare i colleghi che le detengono[11]. Lo studio di Panopto ha dato un numero al lato partenze: il 42% della conoscenza istituzionale è unico della persona che la detiene, e un knowledge worker spreca più di cinque ore a settimana ad aspettare o ricreare conoscenza che esiste già da qualche parte[12]. Entrambi gli studi hanno i loro caveat, ed entrambi precedono gli LLM. Il punto è proprio questo: l’AI non ha creato il problema dell’oblio organizzativo. Ha moltiplicato il volume di conoscenza prodotta lasciando il tasso di ritenzione a zero.

E c’è uno strato più scuro: gran parte di tutto questo non avviene nemmeno in account che l’azienda può vedere. Il Work Trend Index di Microsoft ha trovato che il 78% degli utenti AI porta al lavoro strumenti propri[13]. La telemetria di Cyberhaven, basata sull’uso reale e non su survey, ha trovato che il 73,8% degli account ChatGPT usati al lavoro è non-corporate, e che la quota di dati aziendali sensibili incollati negli strumenti AI è più che raddoppiata in un anno, dal 10,7% al 27,4%[14]. Il report breach di IBM ci attacca un costo: le organizzazioni con molta shadow AI hanno assorbito in media 670.000 dollari di costi di violazione aggiuntivi[15]. La conoscenza non è solo non conservata: si sta accumulando, non governata, in posti che l’organizzazione non può nemmeno auditare. Ne abbiamo scritto anche sul piano di governance in AI governance per le PMI.

L’orologio regolatorio. L’applicabilità generale dell’AI Act europeo arriva il 2 agosto 2026, con gli obblighi di trasparenza e high-risk, e i doveri dei deployer che entrano a scaglioni[16]. L’EDPB ha già pubblicato una metodologia di rischio specifica per i sistemi LLM[17]. Non faremo finta che questa regolamentazione parli di memoria organizzativa: non lo fa. Ma rende inevitabile una domanda per qualunque azienda europea con AI nei flussi veri: cosa sapevano i tuoi sistemi, da dove veniva quella conoscenza, e chi l’ha approvata? Un’azienda la cui conoscenza operativa vive in un milione di sessioni cancellate non ha una risposta. Sul perché la sovranità del dato conti anche qui, abbiamo scritto un pezzo dedicato.

L’orologio competitivo è più interessante. La Request for Startups di Y Combinator per l’estate 2026 include una voce chiamata, letteralmente, «Company Brain». Il framing di Tom Blomfield: «The biggest blocker to AI automation of companies is no longer the models... Now the blocker is the domain knowledge», e alle aziende serve «a system that pulls knowledge out of all these fragmented sources, structures it, keeps it current», perché «AI agents can’t operate like that» su conoscenza sparsa tra teste, thread e ticket[18]. Quando Y Combinator dichiara che manca un primitivo, i team finanziati seguono. Il report MIT trova la stessa dinamica dal lato buyer: le richieste principali degli executive ai vendor erano sistemi che imparano dal feedback (66%) e che conservano il contesto (63%), e un CIO mette l’endgame in chiaro: «una volta investito il tempo per addestrare un sistema sui nostri workflow, i costi di switching diventano proibitivi»[4].

La memoria, in altre parole, sta diventando il moat. L’unica domanda aperta è se sarà il tuo moat o quello del tuo vendor. È la stessa domanda di fondo di chi possiede il company brain.

Abbiamo passato mesi su questo problema, prima dentro la nostra azienda, poi con altre. Non abbiamo una risposta finita. Siamo diventati sicuri delle proprietà che qualunque risposta vera deve avere, e le offriamo qui come checklist, soprattutto perché vorremmo essere sfidati su ciascuna.

Le tensioni sono il punto: chi le risolve, in qualunque forma, definirà come le aziende ricordano nell’era degli agenti. Da dove partire per capire a che punto sei, invece, l’abbiamo formalizzato nel Company Brain Maturity Model: la scala L0-L4 di come vive la conoscenza operativa di un’azienda.

Ecco l’aritmetica scomoda da fare sulla tua organizzazione. Prendi il numero di interazioni AI dei tuoi team il mese scorso, autorizzate o no. Stima la frazione che conteneva una correzione, una decisione, una regola, un’eccezione: conoscenza che la tua azienda ha pagato in stipendi per produrre. Ora chiediti che percentuale la tua organizzazione saprebbe recuperare oggi.

Per quasi tutte le aziende con cui abbiamo parlato, la risposta onesta è un errore di arrotondamento sopra lo zero. La tua azienda sta imparando a velocità macchina. Sta ricordando circa zero. Quel divario si accumula ogni giorno, è invisibile su qualunque dashboard, e se la diagnosi del MIT è giusta, è ciò che separa le poche organizzazioni che estraggono valore reale dall’AI da tutte le altre.

Stiamo facendo ricerca su come le organizzazioni gestiscono questo problema oggi: workaround, tool interni, policy, rassegnazione. Se gestisci AI o agenti in produzione e il problema ti suona familiare, ci interessa davvero confrontarci. Scrivici. Il risultato peggiore possibile è una buona conversazione.