Nel racconto Funes, o della memoria, Jorge Luis Borges descrive un uomo che ricorda tutto. Ogni dettaglio, ogni istante, ogni variazione della realtà è per lui perfettamente conservata. Eppure, Funes è incapace di pensare.
La sua memoria assoluta non produce conoscenza. La paralizza. Anche gli archivi digitali, oggi, sono potenzialmente “totali”. Possono contenere quantità enormi di documenti, immagini, dati. Possono essere accessibili, duplicabili, interrogabili. Ma la disponibilità non coincide con la conoscenza.
Il punto non è avere tutto. È costruire una base di conoscenza. Così l’archivio muta. Quando i contenuti sono digitalizzati, descritti e strutturati, l’archivio diventa una knowledge base: non più un insieme di documenti, ma un sistema informativo organizzato, interrogabile e aggiornabile.
È su questa base che opera l’intelligenza artificiale. I modelli di AI, da soli, non “conoscono” l’archivio. Hanno bisogno di essere messi in relazione con esso. È il principio alla base delle architetture di Retrieval-Augmented Generation (RAG): il modello non genera risposte a partire solo dal proprio addestramento, ma recupera informazioni pertinenti da una base documentale e le utilizza per costruire risposte contestualizzate.
Un archivio digitale, per essere utilizzabile da sistemi di AI, deve essere segmentato, descritto e reso accessibile attraverso strutture di indicizzazione. I documenti vengono suddivisi in unità informative (pagine, paragrafi, frammenti), trasformati in rappresentazioni vettoriali e organizzati in sistemi di ricerca semantica.
Ma non si tratta più solo di catalogare. Si tratta di rendere i contenuti “recuperabili” in modo intelligente. Il page indexing, in questo senso, non è un dettaglio tecnico, ma una scelta progettuale: definisce come il contenuto verrà interrogato, quali relazioni potranno emergere, quali risposte sarà possibile costruire. Ancora una volta, la struttura precede l’intellezione.
Su questa base si innesta un ulteriore livello evolutivo: le architetture multi-agent. Invece di un unico sistema che interroga l’archivio, si costruiscono ecosistemi di agenti specializzati: uno per la ricerca, uno per l’interpretazione, uno per la sintesi, uno per il controllo di coerenza. Ogni agente opera su un livello specifico e contribuisce a un processo distribuito di costruzione della risposta.
Ecco il valore della lezione di Borges. Senza una base solida, senza dati strutturati, senza un modello chiaro, l’AI rischia di comportarsi come Funes: accumulare senza comprendere. Su questo livello si colloca l’approccio di Made In Heritage, finalizzato a costruire una base informativa capace di dialogare con sistemi intelligenti. Metadati, relazioni, architetture dati diventano il presupposto per l’attivazione dell’AI, il cui scopo, in ultima analisi, non è automatizzare le risposte, bensì generare conoscenza.
Vedi post originale
