Ricerca sull'AI applicata aproblemi del mondo reale.
Non per altri ricercatori — per chi ha bisogno di capire, investire e agire. Interroga direttamente il nostro corpus di ricerca.
Pubblicazioni
Segui la nostra ricerca su ResearchGate ↗MAY 2026
Conference Paper · NLPAICS 2026
Media Analysis & Social Signals
Bloc-Conditional Event States: Measuring Cross-Coverage Divergence for Threat-Intelligence Analysis
Maryam Fooladi, Federico Bottino, Alberto Trivero
A content-level method for open-source threat intelligence: each editorially-coherent outlet bloc is represented as a density matrix on a 15-dimensional framing-feature space, and cross-bloc divergence is measured via trace distance. Across two contested events, the gap between state-aligned and mainstream-Western coverage exceeds US-right/US-left polarization by roughly 1.8× — with eigenvector decomposition attributing the divergence to interpretable framing axes (economic consequences on Hormuz, morality on Navalny).
MAR 2026 (APR 2026 UPDATE)
Research Paper · Preprint
Epistemic Knowledge Access
Retrieval Is Not Enough: Why Organizational AI Needs Epistemic Infrastructure
Federico Bottino, Carlo Ferrero, Nicholas Dosio, Pierfrancesco Beneventano
A framework that gives every unit of organisational knowledge a computable epistemic status — typed, scored, dynamically maintained. The substrate your AI agents need to reason reliably, avoid contradiction, and scale institutional memory.
MAR 2026
Technical Report
Autonomous Scientific Discovery
MAGELLAN: Autonomous Cross-Disciplinary Scientific Discovery via Multi-Agent Adversarial Scrutiny
Alberto Trivero
A 15-agent open-source system that reads across scientific silos, connects existing knowledge into testable hypotheses, and subjects them to adversarial scrutiny — killing 86% of its own ideas. Includes two computationally verified predictions and a 42-page arXiv paper documenting 22 sessions and 273 hypotheses.
FEB 2026
Conference Paper · LREC 2026
Media Analysis & Social Signals
A Multi-Layer AI Framework for Information Landscape Analysis
Maryam Fooladi, Federico Bottino
A framework proposing a multi-layer AI architecture for information landscape analysis — integrating strategic reasoning, operational automation, and human-AI collaboration across the full lifecycle of new ventures.
FEB 2026
Conference Paper · LREC 2026
Media Analysis & Social Signals
Beyond Sentiment: Why Traditional NLP Fails Political News — and How LLMs Can Bridge the Gap
Maryam Fooladi, Federico Bottino
A comparative study identifying "neutral collapse" — the systematic failure of sentiment models to capture the rhetorical richness of political discourse — and demonstrating how LLMs can bridge the gap between surface-level polarity and deep narrative structure.
NOV 2025
Policy Paper
AI Compliance & AI Law
Assessing AI Act Compliance: An LLM Tool for Enterprises
Giacomo Conti, Alberto Trivero
ShikAI's first policy paper maps the combined regulatory surface of EU AI Act, GDPR, DSA and DMA — and presents an LLM-based tool that helps enterprises assess their compliance posture without sacrificing innovation.
“Stiamo entrando in un'era di intelligenza associativa — biologica e artificiale. Eppure la forza trainante resta immutata: l'immaginazione umana. L'AI non è solo informatica; è filosofia applicata, fondata sulla matematica e sulla logica. Questa è l'era dei filosofi e delle macchine.”

Federico Bottino
CEO, Kakashi Venture Accelerator
Comitato Scientifico
La nostra ricerca è revisionata e guidata da accademici e ricercatori di prestigio.
Indagini attuali
AI Compliance & AI Law
Regulation as competitive advantage, not a constraint.
Epistemic Knowledge Access
How we access knowledge — and how AI changes the rules.
Media Analysis & Social Signals
Narrative, framing and social signals — reading what media mean, not just their tone.
Autonomous Scientific Discovery
AI that reads across silos, finds what humans miss, and kills its own bad ideas.
LLMs Performance Benchmarking
Independent benchmarks. No sponsors. No convenient rankings.
Neurocognitive Architecture & Organizational Psychometrics
How minds organize, decide, and adapt — measured, not assumed.
Dataset
I corpus e le suite di valutazione alla base dei nostri paper, rilasciati apertamente affinché il lavoro possa essere riprodotto e sviluppato ulteriormente.
OIDA Evaluation Corpora
Dataset di benchmark e strumenti di valutazione per il framework di conoscenza epistemica OIDA.
Guarda su GitHub ↗Altri dataset sono in arrivo. Tutti i rilasci sono disponibili su github.com/kakashi-ventures.
Impegni
Ciò che promettiamo su come facciamo ricerca — non a posteriori, ma fin dall'inizio. Non sono valori di marketing; sono vincoli che accettiamo a monte e di cui puoi chiederci conto.
01
Aperti per impostazione predefinita
Pubblichiamo la nostra ricerca apertamente. Codice, dati, metodologia e risultati, quando non vincolati dalla riservatezza dei partner, diventano pubblici. Dove utilizziamo dati proprietari, documentiamo la metodologia affinché altri possano riprodurre il lavoro autonomamente.
02
Riproducibilità prima della forma
Un paper che non può essere riprodotto è un comunicato stampa. Ci impegniamo a rilasciare gli artefatti — dataset, script, strumenti di valutazione — necessari a verificare le nostre affermazioni.
03
Revisione paritaria indipendente
La nostra ricerca è revisionata da un Comitato Scientifico esterno di accademici e ricercatori provenienti da MIT, Università di Torino, Politecnico di Torino e GraphAware. Pubblichiamo la composizione del nostro comitato e la rinnoviamo a rotazione.
04
Sovranità europea sull'AI
Lavoriamo principalmente con ricercatori europei, istituzioni europee, dati europei e quadri normativi dell'UE — l'AI Act, il GDPR, il DSA e il DMA. Contribuiamo a costruire uno stack europeo di ricerca sull'AI.
05
Indipendenza dei ricercatori
I ricercatori con cui collaboriamo mantengono la paternità e la libertà di pubblicare, inclusi risultati scomodi per KVA. Non firmiamo NDA che vincolino la pubblicazione accademica.
06
Trasparenza sui finanziamenti
Dichiariamo le fonti di finanziamento, le partnership industriali e i conflitti di interesse in ogni paper.
Codice su GitHub
Dataset, strumenti di valutazione e implementazioni di riferimento alla base dei nostri paper. Aperti per impostazione predefinita — clonalo, riproducilo, sviluppaci sopra.
github.com/kakashi-venturesRiproducibile per progettazione
- → Dataset pubblici e strumenti di valutazione
- → Implementazioni di riferimento per ogni paper
- → Metodologia documentata per i dati proprietari
Hub dei contributi
Resta informato
Ricevi nuovi paper e analisi.
Niente spam — solo ricerca. Un aggiornamento quando pubblichiamo qualcosa di nuovo.






