Sommario
Intelligenza Artificiale
Architetture AI on-premise, LLM locali, RAG, agenti autonomi. L’intelligenza che non si può permettere di vedere spenta va posseduta.
Scopri →
DataGovern
Agenti AI per la governance di documenti e processi (NIS2, GDPR, AI Act), configurabili sulla tua azienda.
Scopri DataGovern →
Admina Enterprise
Governance AI Open Source: audit trail, PII redaction, policy bidirezionali ALLOW/BLOCK/REDACT su qualsiasi modello, locale o remoto.
Scopri Admina →
Servizi & Sistemi Linux
Progettazione, deploy e gestione di infrastrutture Linux on-premise: dai server all’hardware AI, con dati che restano tuoi.
Scopri →Dalla nota personale alla memoria d’impresa
L’idea del second brain, un archivio esterno che ricorda al posto tuo, nasce come pratica individuale. La metafora è vecchia: già nel febbraio 2008 l’allora CEO di Evernote, Phil Libin, diceva a TechCrunch che «l’idea principale di Evernote è creare un cervello esterno». Quando però lo stesso archivio diventa la memoria di un’organizzazione, e ci si collega sopra un modello linguistico che la legge tutta, cambiano tre cose insieme: chi può vedere cosa, chi possiede il contenitore, e chi risponde davanti a un’autorità.
Il lato personale della stessa domanda, dalle origini dello Zettelkasten alle critiche e a cosa regge oggi come pratica, è raccontato in un pezzo parallelo sul blog di Stefano Noferi: Il second brain personale. Qui guardiamo cosa succede quando lo stesso archivio passa dalla scrivania all’azienda.
Nota. Cifre, date e condizioni contrattuali qui riportate provengono da fonti pubbliche (documentazione dei fornitori, comunicazioni ufficiali, stampa di settore) alla data del 21 luglio 2026, e cambiano spesso. Le riportiamo come verificabili a quella data, non come garanzie. I dati di fatturato e utenti dichiarati dai fornitori non sono certificati.
Il mercato: cercare dentro l’azienda
La categoria si è consolidata in fretta. Glean ha annunciato il 28 maggio 2026 di aver superato i 300 milioni di dollari di ricavi ricorrenti, quindici mesi dopo aver toccato i 100, sulla scia di un round da 150 milioni a una valutazione di 7,2 miliardi (giugno 2025). I grandi fornitori hanno risposto integrando la ricerca nel proprio stack: Google Gemini Enterprise è generalmente disponibile dal 9 ottobre 2025 a partire da 30 dollari per utente al mese; Microsoft ha aperto la Retrieval API di Microsoft 365 Copilot in preview a consumo e ha portato in disponibilità generale, da fine aprile 2026, i connettori federati che interrogano sorgenti di terze parti in tempo reale tramite Model Context Protocol, sotto l’identità dell’utente e senza indicizzare i dati nei servizi Microsoft. Atlassian ha incluso Rovo nei piani Cloud a pagamento senza costo aggiuntivo.
Sul fronte aperto c’è Onyx, piattaforma di ricerca aziendale con core MIT, installabile in proprio anche in ambienti air-gapped, con deployment dichiarati in Netflix e Thales. È l’opzione che conta quando il requisito è che l’indice non esca dal perimetro.
Tre rischi che si vedono solo dopo la firma
La postura di conformità è a livelli
È il punto che salta fuori in fase di procurement, mai in trial. Le garanzie che contano stanno quasi sempre sullo SKU più alto: Notion documenta zero data retention con i fornitori di modelli per i workspace Enterprise, mentre per i piani inferiori i dati possono restare fino a 30 giorni presso il fornitore; Granola disattiva di default l’addestramento sui dati del cliente solo per i clienti Enterprise; Tana colloca SSO SAML, audit log, DPA personalizzato e controlli su residenza e retention solo nel piano Business a prezzo su richiesta. Va aggiunto che Notion documenta anche un programma opt-in (“AI LEAP”) che scambia la condivisione dei dati del workspace per l’accesso anticipato alle funzioni: una deroga esplicita alla postura predefinita, che in una valutazione va letta.
La conseguenza operativa è semplice: la postura che valuti in prova non è quella che ottieni, a meno di comprare il livello che la contiene.
Il lock-in ha un prezzo che cambia
Il caso di scuola è Evernote. Acquisita da Bending Spoons a gennaio 2023, ha visto il piano gratuito ridotto da dicembre 2023 a 50 note e un taccuino, e nel corso del 2025 la sostituzione dei piani storici con Starter (circa 99 dollari l’anno, fino a 1.000 note) e Advanced (circa 250 dollari l’anno). Bending Spoons ha nel frattempo rilevato oltre cinquanta proprietà digitali (Vimeo, WeTransfer, AOL, Eventbrite) e si è quotata al Nasdaq il 1° luglio 2026, raccogliendo circa 1,68 miliardi a 29 dollari per azione e chiudendo la prima giornata intorno a 40,50. Il modello “acquisisci e riprezza” è ora capitalizzato su un mercato pubblico.
Non serve un cambio di proprietà per perdere una funzione. Notion ha annunciato il 25 giugno 2026 la chiusura di Notion Mail il 22 settembre 2026, con i dati esclusivi del prodotto da esportare a mano entro il 21: e Notion Mail discendeva da Skiff, acquisita a febbraio 2024 e chiusa ad agosto dello stesso anno. A marzo 2026 Granola ha cifrato la cache locale su macOS, rompendo gli strumenti di terze parti che la leggevano; dopo le proteste ha pubblicato un’API REST e un server MCP, ma con accesso legato ai piani Business ed Enterprise. L’accesso programmatico è passato da non ufficiale e gratuito a sanzionato e a pagamento.
Il test di portabilità che quasi nessuno esegue prima di firmare: esporta i dati e poi rileggi l’export con uno strumento che non ha scritto il fornitore.
La superficie d’attacco è il contenuto
A settembre 2025, pochi giorni dopo l’uscita degli agenti in Notion 3.0, alcuni ricercatori hanno dimostrato una catena di prompt injection in cui un PDF con testo nascosto induceva un agente del workspace a leggere dati riservati e a farli uscire attraverso lo strumento di ricerca web dell’agente stesso; la dimostrazione è stata ripresa da Simon Willison e Bruce Schneier, e Notion ha poi documentato come rileva istruzioni iniettate nei contenuti di terze parti. È lo stesso schema che abbiamo descritto per gli agenti di coding: quello che l’agente legge può comandarlo.
Vale la pena notare da dove sono arrivati i danni peggiori del periodo. A febbraio 2026 Malwarebytes ha riportato che una configurazione errata di Firebase in Chat & Ask AI aveva esposto circa 300 milioni di messaggi di oltre 25 milioni di utenti. L’origine è un problema di igiene infrastrutturale.
Conformità: cosa si applica davvero, al 21 luglio 2026
Qui le date contano, perché il quadro si è mosso di recente.
- AI Act. Le obbligazioni di trasparenza dell’Articolo 50 si applicano dal 2 agosto 2026. Il Digital Omnibus sull’AI è stato approvato dal Parlamento il 16 giugno 2026, dal Consiglio il 29 giugno e firmato l’8 luglio 2026, ma al 21 luglio 2026 non risulta ancora pubblicato in Gazzetta Ufficiale, quindi non è ancora in vigore e il calendario originale resta quello legalmente operativo. Una volta in vigore, differirà gli obblighi per l’alto rischio dell’Allegato III al 2 dicembre 2027 e quelli dell’Allegato I al 2 agosto 2028. Gli obblighi GPAI, applicabili dal 2 agosto 2025, non cambiano. Ne abbiamo scritto in AI Act e Digital Omnibus.
- NIS2. In Italia, con il D.Lgs. 138/2024 e la determinazione ACN 379907/2025, i soggetti importanti devono implementare 37 misure e 87 requisiti, gli essenziali 43 misure e 116 requisiti; per i soggetti censiti nel 2025 la conformità piena alle misure di sicurezza è attesa entro il 31 ottobre 2026, dopodiché ACN passa dall’accompagnamento all’ispezione. Le sanzioni per i soggetti essenziali arrivano a 10 milioni di euro o il 2% del fatturato mondiale. Un archivio che indicizza documentazione tecnica, procedure e incidenti ricade in pieno in questo perimetro: è il tema di NIS2 in pratica.
- GDPR. L’EDPB, con l’Opinione 28/2024 del 17 dicembre 2024, ha affrontato il legittimo interesse come base per sviluppo e uso di modelli e le condizioni per considerare anonimo un modello; il 7 luglio 2026 ha adottato le Linee guida 02/2026 sull’anonimizzazione in consultazione pubblica fino al 30 ottobre 2026 (bozza, non vincolante), con il test dei tre criteri: individuazione, collegabilità, inferenza. Sul versante italiano, il provvedimento 364/2024 del Garante indica per i metadati delle caselle di posta dei dipendenti una conservazione orientativa di pochi giorni e di norma non oltre 21, superabile solo con motivazioni tecniche e organizzative dimostrate. Indicizzare le caselle aziendali dentro un motore di ricerca AI è esattamente il punto in cui questa indicazione morde.
- Residenza dei dati. L’AWS European Sovereign Cloud è generalmente disponibile dal 15 gennaio 2026 con la prima regione nel Brandeburgo. Resta però un limite giuridico che nessuna regione risolve: il CLOUD Act statunitense consente alle autorità USA di obbligare un fornitore statunitense a produrre dati che ha in possesso, custodia o controllo indipendentemente da dove sono archiviati. La residenza europea sotto un fornitore con casa madre negli Stati Uniti non è immunità giurisdizionale.
Cosa funziona davvero, tecnicamente
Il pezzo tecnico è meno glamour di quanto si racconti, e i dati pubblici sono chiari su alcune cose.
Sotto una certa soglia, il RAG non serve. La guida di Anthropic è esplicita: per basi di conoscenza sotto i 200.000 token circa (all’incirca 500 pagine) conviene mettere tutto nel prompt invece di costruire un sistema di recupero. Molti “progetti RAG” aziendali sono, in realtà, corpora piccoli.
Quando serve, l’ordine degli interventi è misurabile. Sempre da Anthropic (settembre 2024): anteporre a ogni chunk un contesto generato dal modello prima di calcolare gli embedding riduce i fallimenti di recupero nei primi 20 risultati del 35%; aggiungere BM25 contestuale porta al 49%; aggiungere un reranker porta al 67%. Il reranker è l’intervento con il rapporto risultato/sforzo migliore, e recuperare 20 chunk invece di 5 aiuta più di quanto si creda.
Il contesto lungo non è una scorciatoia. Lo studio Context Rot di Chroma (luglio 2025, 18 modelli) mostra che il degrado non è uniforme e inizia molto prima del limite dichiarato, e che basta un singolo distrattore per peggiorare le risposte. Il lavoro NoLiMa (ICML 2025) è ancora più pertinente al caso della memoria aziendale: quando la domanda e l’informazione cercata non condividono le parole, 11 modelli su 13 scendono sotto il 50% della loro prestazione a contesto corto già a 32K token. È esattamente ciò che succede quando ci si ricorda il concetto ma non la formulazione esatta usata nel documento.
Il testo originale batte i riassunti. Un’ablazione controllata (preprint di un singolo autore, da prendere con cautela) che tiene fisso il recupero trova che i chunk verbatim superano gli artefatti estratti dal modello di 15,9 punti su LoCoMo e 22,0 su LongMemEval-S, e che aggiungere artefatti ai chunk non migliora rispetto ai soli chunk. La memoria strutturata si somma al testo originale, non lo sostituisce.
Su come organizzare il livello derivato, il pattern che seguiamo è quello di cui abbiamo scritto in LLM Wiki: una base di conoscenza in Markdown mantenuta dal modello sopra fonti immutabili, versionata in git. È un livello auditabile per costruzione, e questo, in un contesto NIS2 o AI Act, vale quanto la qualità delle risposte.
Lo stack on-premise
Messi insieme i tre rischi e i vincoli normativi, la configurazione che proponiamo ai clienti è coerente con quello che scriviamo da tempo: il corpus e l’indice restano nel perimetro, il modello è un componente sostituibile dietro un endpoint, e sopra passa un piano di controllo.
Far girare modelli seri in casa non è più il collo di bottiglia che era: motori come KTransformers e colibri fanno girare MoE enormi su hardware aziendale, e la frontiera a pesi aperti continua ad avvicinarsi ai modelli chiusi, da GLM 5.2 a Kimi K3. Quando invece un modello remoto serve davvero, il punto è governarlo: audit trail di ogni interazione, redazione di PII e segreti, policy ALLOW/BLOCK/REDACT su qualunque modello, locale o remoto. È ciò che fa Admina. E sul versante documentale, dove la memoria d’impresa incontra gli obblighi, è il terreno di DataGovern: agenti che leggono documenti e processi, incrociano NIS2, GDPR e AI Act e preparano le evidenze, con la decisione che resta al team.
Cosa ne pensiamo
Il second brain aziendale è una buona idea con una premessa da chiarire: stai costruendo un indice di tutto quello che la tua azienda sa, e quell’indice eredita i permessi, la giurisdizione e il modello di business di chi lo ospita. Le tre cose che abbiamo elencato non sono ipotesi: sono un piano gratuito ridotto a 50 note, un prodotto chiuso con novanta giorni di preavviso, una cache cifrata che rompe le integrazioni, un PDF che fa parlare un agente.
La ricerca aziendale con AI funziona e fa risparmiare tempo reale, quindi vale la pena tenerla. Per noi la risposta sta nel possedere il pavimento operativo: corpus e indice dentro il perimetro, modello sostituibile, livello derivato versionato e auditabile, governance esplicita sopra a tutto. È il senso di Open Intelligence, Secure Governance, applicato al posto dove un’azienda tiene ciò che sa. La memoria dell’impresa è il suo asset meno sostituibile: vale la pena decidere con calma dove vive, su infrastruttura che resta tua.
Fonti
- Anthropic: Introducing Contextual Retrieval
- Chroma: Context Rot, how increasing input tokens impacts LLM performance
- NoLiMa: Long-Context Evaluation Beyond Literal Matching (arXiv:2502.05167)
- EDPB Opinion 28/2024 su modelli AI e GDPR
- Garante privacy, provvedimento n. 364 del 6 giugno 2024 (metadati email)