-
Knowledge Twin: il secondo cervello digitale
Quando una persona lascia un’azienda, quanto del suo sapere rimane davvero? Restano documenti, procedure, e-mail, progetti. Ma la parte più preziosa fatica a entrare in un archivio: perché è stata presa una decisione, quali tentativi sono falliti, come si riconosce un’anomalia, quando una procedura richiede attenzione particolare. È il sapere che si costruisce lavorando. E…
-
Dai da mangiare alla scimmia e non toccare niente.
In una vecchia barzelletta, un carabiniere e una scimmia vengono mandati nello spazio. Dalla Terra arrivano istruzioni sempre più complesse per la scimmia: esperimenti scientifici, manovre di assetto, calcoli di rotta. Il carabiniere aspetta il proprio turno. Alla fine riceve un solo compito: darle da mangiare e non toccare niente. Fa sorridere. Ma la cosa…
-
L’apocalisse che non serve
L’intelligenza artificiale ha acquisito una propria mitologia. Salvatrice per alcuni. Assassina per altri. Nessuna delle due versioni regge a un esame attento, la realtà merita più pazienza a mio parere. Quello che l’AI sa fare oggi e quello che non sa fare L’International AI Safety Report 2026 offre un punto di riferimento utile, proprio perché…
-
Il mito dell’AGI
AGI — Artificial General Intelligence — indica un’intelligenza artificiale capace di fare qualsiasi cosa un essere umano sappia fare: ragionare, imparare, adattarsi, passare senza sforzo da un dominio all’altro. Non un sistema specializzato nella diagnosi medica, o nella generazione di testi, o nel gioco degli scacchi. Uno che fa tutto questo, e molto altro, con…
-
Bevi Responsabilmente
Ci sono espressioni che, proprio perché entrano lentamente nel linguaggio comune, smettono quasi di essere ascoltate. “Bevi responsabilmente” è una di queste: la leggiamo sulle etichette, nelle campagne pubblicitarie, nei messaggi di prevenzione, e sappiamo immediatamente cosa vuole dire. Non è un invito a rinunciare, ma a mantenere il controllo, a conoscere i propri limiti,…
-
Engineering Humanism
Come ingegneri, abbiamo sempre lavorato su problemi concreti: ridurre i costi, migliorare la qualità, aumentare la sicurezza, rendere i processi più efficienti. Sappiamo misurarli, confrontarli, ottimizzarli. È quello che facciamo tutti i giorni. Ma con l’intelligenza artificiale e i sistemi sempre più autonomi, una domanda diversa sta diventando difficile da ignorare: che tipo di ambiente…
-
Non-Human Identity: come l’AI vede un’azienda
Finora abbiamo parlato di identità aziendale come dell’insieme di valori, cultura, missione e brand. Un concetto costruito dall’interno verso l’esterno, intenzionale, comunicativo. Ma l’era dell’Intelligenza Artificiale ci impone una domanda nuova. Qual è l’identità che l’AI vede realmente quando “osserva” un’azienda? Non il logo. Non il sito web. Non il manifesto dei valori, come AI…
-
Dalla Fata Turchina a Lucignolo: nell’era dell’Agentic AI non basta un Human-in-the-Loop
Negli ultimi anni abbiamo imparato un’espressione nuova: Human-in-the-Loop (HITL). L’idea è semplice: se un essere umano supervisiona un sistema di Intelligenza Artificiale, quel sistema è più sicuro. Ieri, durante un interessante confronto con Angela Sebastianelli ed Emanuele Frontoni in occasione di un convegno sull’AI, è emersa una domanda che credo meriti una riflessione più ampia:…
-
A Theoretical Hallucination Model for Transformer-based Large Language Models
Complete article on Researchgate Transformer language models generate text through autoregressive next-token prediction, whereas hallucination is a semantic and evidence-relative failure that generally becomes meaningful only at the level of propositions or claims. This mismatch makes it difficult to treat hallucination as an ordinary token-classification problem. Existing studies show that uncertainty measures, hidden activations, attention…
-
A Verifiable Hallucination Risk Index for Enterprise AI Systems
A Claim-Level Framework for Factual Reliability, Context Adherence, Data Freshness, Access Constraints, and Human Feedback Kishore Chalakkal VargheseORCID: 0000-0002-0356-566X https://doi.org/10.5281/zenodo.21313179 Abstract Large Language Models can produce fluent answers that are not fully supported by facts, source documents, or the operational context in which they are used. Existing research evaluates related phenomena through truthfulness benchmarks, attribution…