Come costruire un company brain su file partendo dalle persone.

Molte aziende pensano di avere già una knowledge base perché hanno Drive, Notion, Slack, qualche SOP e molte persone esperte. In realtà hanno frammenti. Il sapere vive nei documenti, ma soprattutto nelle teste: perché si fa un’eccezione, quale cliente va trattato con attenzione, quale dato è affidabile, quale regola scritta nessuno segue più.

Il company brain serve a rendere quella conoscenza leggibile. È il passaggio pratico dopo la domanda politica che abbiamo affrontato in Chi possiede il company brain: se la memoria operativa dell’azienda diventa una funzione AI, deve restare tua, verificabile e portabile. Strumenti come Claude Projects mostrano bene il modello: un workspace utile non vive solo nella chat, ma in un contesto che il sistema può rileggere[3]. La differenza è chi governa quel contesto e quanto è chiaro.

Non iniziare con “mettiamo tutta l’azienda in un company brain”. È il modo più veloce per creare un archivio ingestibile. Parti da un confine piccolo: un processo, una funzione, un tipo di decisione, un flusso ricorrente.

Un buon confine ha tre caratteristiche: torna spesso, produce errori quando il contesto manca, e oggi dipende da una o due persone esperte. Se una junior non può eseguirlo senza chiedere aiuto, probabilmente lì c’è sapere tacito da catturare.

La knowledge transfer interview funziona perché non chiede alle persone di “scrivere la procedura”. Chiede di raccontare il lavoro reale. Le fonti migliori non sono le descrizioni astratte, ma gli episodi: l’ultimo caso difficile, l’eccezione gestita bene, il cliente quasi perso, il controllo fatto prima di premere invio.

Noi proponiamo di solito 2-3 sessioni 1:1 con un membro del team Yempik. Registriamo la call, facciamo domande mirate, poi usiamo la trascrizione come materiale grezzo per costruire file strutturati[1]. È qui che il sapere umano diventa leggibile dalla macchina senza perdere il giudizio umano.

La speech-to-text accorcia la parte più lenta: non devi riscrivere tutto a mano. Modelli come Whisper hanno reso molto più accessibile la trascrizione di call e interviste[4]. Ma la trascrizione resta una fonte grezza. Può perdere contesto, confondere nomi, inventare parole o appiattire una decisione complessa[5].

Per questo il flusso giusto è: registra, trascrivi, estrai pattern, costruisci file, poi fai validare all’esperto. La persona non deve riscrivere tutto: deve correggere, approvare o bloccare. È una differenza enorme, perché sposta il carico dal foglio bianco alla revisione intelligente.

Il valore non sta nella registrazione. Sta nei file che restano dopo. Devono essere piccoli, nominati bene, aggiornabili e abbastanza espliciti da essere letti sia da una persona sia da un modello.

Un company brain muore quando nessuno lo aggiorna. La governance minima non è burocrazia: è sapere chi può cambiare una regola, quando una fonte va archiviata e come si corregge un’informazione sbagliata. Il NIST AI RMF insiste proprio su governance, mappatura, misurazione e gestione del rischio come funzioni continue[6]. Tradotto in piccolo: il file deve avere un proprietario.

Prendiamo un team commerciale che prepara preventivi B2B. Il senior sa quando applicare uno sconto, quando chiedere approvazione, quali clienti sono delicati e quali promesse non vanno mai fatte. Nulla di tutto questo vive in modo completo nel CRM.

Sessione 1: flusso reale. Ricostruiamo l’ultimo preventivo complesso: richiesta, dati usati, controlli, eccezioni, output finale.

Sessione 2: criteri. Tiriamo fuori le regole non scritte: soglie di sconto, rischi, casi da portare al founder, parole che cambiano priorità.

Sessione 3: validazione. Portiamo i file generati al senior: corregge le regole, approva gli esempi, segnala ciò che non deve diventare automatico.

A quel punto il company brain non è “una bella documentazione”. È materiale operativo: può aiutare una persona nuova, può dare contesto a Claude Cowork e può diventare base per un agente, se il processo regge. Se vuoi capire quando fare quel salto, il passaggio successivo è integrare agenti AI con il metodo Standard-First.