Più lavoro fa l'AI, più conta il giudizio delle tue persone.
I modelli sono probabilistici. La responsabilità no.
Ogni decisione a cui contribuisce l'AI ha ancora una persona che ne risponde. Il giudizio che quella persona porta con sé raramente è scritto da qualche parte, e si diffonde solo quando altri hanno modo di lavorare al suo fianco. Tre cambiamenti spiegano perché vale la pena costruirlo in modo deliberato.
Affidarsi all'AI cambia il modo in cui le persone pensano.
Un'indagine del 2025 di Microsoft Research e Carnegie Mellon tra lavoratori della conoscenza ha rilevato che chi ripone più fiducia nell'AI generativa dichiara di esercitare meno pensiero critico. La fiducia nelle proprie capacità va nella direzione opposta, ed è quella da far crescere.
Ogni agente ha bisogno di qualcuno capace di accorgersi quando sbaglia.
Secondo l'AI Act, i deployer di sistemi ad alto rischio devono affidare la sorveglianza umana a persone con la competenza, la formazione e l'autorità necessarie (articolo 26), e quei sistemi devono essere progettati in modo che chi li sorveglia resti consapevole della distorsione dell'automazione (articolo 14). Sorvegliare un agente significa giudicarne il lavoro senza dipenderne, una competenza che si costruisce esercitandosi su casi reali.
Gli agenti si stanno prendendo il lavoro su cui i junior imparavano il mestiere.
I casi che un tempo formavano un analista o un ingegnere alle prime armi sono sempre più spesso gestiti da un agente dall'inizio alla fine. Intanto gli esperti senior vanno in pensione. Il giudizio si sviluppava da sé, come sottoprodotto del lavoro. Ora va coltivato con metodo.
Sostituire è l'obiettivo sbagliato.
Assistenti e agenti si misurano in base a cosa producono, e per molti compiti è la misura giusta. Un Cognitive Digital Twin si misura in base a cosa il tuo team sa fare con il Twin spento. Questa scelta determina tutto, fino all'architettura.
Produce la risposta
Costruisce il ragionamento che la sostiene
Ha bisogno di qualcuno che ne individui gli errori
Mantiene quella persona in grado di individuarli
Toglie lo sforzo
Mantiene lo sforzo che costruisce competenza
Ottimizza per la velocità
Ottimizza per l'apprendimento, e ti lascia scegliere la velocità
Può rendere le persone dipendenti
Costruisce autonomia
Misura l'output
Misura la performance autonoma
Sorvola sull'incertezza
Allena la calibrazione
Risponde alla domanda posta
Affina la domanda che vale la pena porsi
Quando ti serve un risultato, un Twin te lo dà direttamente: la modalità Execute risponde con le fonti citate e segnala i momenti in cui rinunci a imparare per andare più veloce. La misura resta la stessa: quanto bene il tuo team ragiona quando l'AI è spenta.
Impara dai tuoi esperti
Con il loro consenso, ai loro tempi, portiamo alla luce come decidono: i segnali che considerano decisivi e i rischi che soppesano senza mai esplicitarli. Loro rivedono quello che scriviamo prima che qualcuno ci faccia affidamento.
ELICITAZIONEFai pratica sul campo
Il tuo team lavora su casi reali con le fonti sempre visibili. L'aiuto c'è quando il caso è difficile, e si attenua man mano che le persone migliorano.
AMBIENTE DI APPRENDIMENTOTienilo in azienda
Il Twin gira sui tuoi sistemi, e il ragionamento che i tuoi esperti gli insegnano resta tuo. Quello che le tue persone imparano rimane con loro, anche quando l'AI è spenta.
SOVRANO FIN DAL PROGETTOSu misura per il tuo ambito.
Ciò che i tuoi esperti insegnano resta sui tuoi sistemi. Di default, ci resta anche ogni inferenza.
Performance autonoma
L'unica metrica su cui ogni Twin viene validato
Una scheda per ogni Twin
Fonti, esperti e limiti, dichiarati per iscritto
On-premise di default
I modelli girano sui tuoi sistemi
Cosa ci chiedono prima di iniziare
Un Twin può semplicemente darmi la risposta?
Sì. La modalità Execute dà una risposta diretta, con le fonti citate e un livello di confidenza dichiarato, per i momenti in cui ti serve un risultato subito. Mettiamo al centro la modalità Learn perché è lì che cresce il giudizio, e le due modalità convivono nello stesso Twin.
Funziona insieme agli assistenti e agli agenti AI che usiamo già?
È pensato per questo. Ogni agente ha bisogno di qualcuno capace di accorgersi quando sbaglia, e un Twin sviluppa il giudizio delle persone che rivedono e guidano i tuoi assistenti e agenti. Si affianca alle piattaforme che usi oggi, e il monitoraggio degli agenti resta affidato agli strumenti dedicati.
Cosa succede agli esperti da cui impariamo?
Partecipano con il loro consenso e rivedono quello che il Twin dice del loro ragionamento prima che il team ci faccia affidamento. Il Twin non impersona mai un esperto: presenta un metodo, entro i limiti dichiarati sulla sua scheda. Lo scopo è far imparare quel metodo a più persone di quante un esperto potrebbe mai seguire una alla volta.
Cosa fa un Twin una volta che il team ha imparato?
Il supporto si attenua per ciascuna persona man mano che la sua performance autonoma migliora, ma il Twin resta. Si affina a ogni revisione degli esperti, e riparte da capo con ogni nuovo gruppo che entra nel team. La modalità Execute è a disposizione ogni volta che il team ha bisogno di una risposta diretta.
Su quale modello gira?
Su quello che scegli tu: un modello open-weight sul tuo hardware, oppure un modello frontier tramite il tuo contratto cloud, con i dati identificativi pseudonimizzati prima che lascino i tuoi sistemi. Il modello è la parte più sostituibile di un Twin.
Come sappiamo che ha funzionato?
Concordiamo il test prima che il progetto inizi: le stesse persone, sullo stesso tipo di caso, prima e dopo, con il Twin spento, su casi che non hanno mai visto. Il risultato di quel test è quello che ti consegniamo.
Parti da dove il giudizio è nelle mani di pochi.
Una conversazione di 30 minuti con i nostri ingegneri su un ambito in cui le buone decisioni dipendono da poche persone. Alla fine saprai se un Twin fa al caso tuo, anche se la risposta è no.