Produzione
Epistemic Ingestion Pipeline
Trasforma le fonti grezze in candidati di conoscenza strutturati e mantiene una linea netta tra ciò che l'LLM propone e ciò che il sistema è autorizzato a scrivere. Il confine è il punto.
Technology / Knowledge Architecture
Un'organizzazione che non sa rappresentare ciò che conosce non può ragionare su ciò che fa.
Una cartella non è una memoria. Un database vettoriale non è un'organizzazione. Noi progettiamo lo strato che sta in mezzo.
Le aziende non hanno un problema di dati. Hanno un problema di infrastruttura epistemica.
Decisioni, ragionamenti degli esperti, contraddizioni, ipotesi abbandonate, deriva delle versioni, le cose che le persone sanno ma non hanno mai scritto — niente di tutto questo vive in un CRM, in una wiki o in un database vettoriale. L'AI si appoggia su questo debito e lo amplifica.
La knowledge architecture è lo strato che decide come le informazioni organizzative diventano calcolabili: come vengono tipizzate, tracciate, versionate, fatte decadere, contraddette, recuperate. Senza di essa, l'AI è fluente ma priva di fondamento.
Non esiste una pipeline pronta all'uso.
La forma giusta dipende da quale conoscenza l'organizzazione produce davvero, da chi la crea, da dove vivono le decisioni e da cosa l'AI sottostante deve fare. Due aziende dello stesso settore raramente hanno bisogno della stessa pipeline.
KVA conduce l'ingaggio: mappiamo la superficie della conoscenza, progettiamo la pipeline, strutturiamo l'OBS che ne deriva — usando la tecnologia e l'expertise di ricerca di Project OIDA, la venture accelerata da KVA che lavora sulla conoscenza epistemica per l'era dell'AI. Le sette fasi qui sotto sono i componenti di riferimento. Le calibriamo in base al contesto.
01
Ingestione delle fonti
Documenti, email, riunioni, CRM, codice, database strutturati, interviste agli esperti. Tutto ciò che l'organizzazione produce davvero, non solo ciò che giace in SharePoint.
02
Segmentazione semantica
Scomposta per affermazione, non per numero di token. L'unità di conoscenza è l'unità di significato, non ciò che entra in un chunk.
03
Risoluzione di entità e attori
Chi ha detto cosa, in quale ruolo, con quale autorità. La stessa frase detta da un analista junior e da un membro del consiglio non è la stessa frase.
04
Classificazione della conoscenza
Ogni unità tipizzata in base al suo ruolo epistemico. Affermazione fattuale, opinione, ipotesi, decisione, impegno. L'AI a valle può conoscere la differenza.
05
Tracciamento della provenienza
Ogni Knowledge Object ancorato alla sua fonte e alle sue catene di dipendenza. Sempre difendibile, sempre tracciabile.
06
Confidenza e incertezza
Valutate con una formula, non da un LLM che ha letto la frase e ne è rimasto convinto. Stesso input, stesso punteggio, ogni volta.
07
Gestione del ciclo di vita
Decadimento, risoluzione delle contraddizioni, controllo di versione, archiviazione. La conoscenza invecchia. Il sistema deve invecchiare con essa.
Gli LLM sono interpreti di configurazioni. Non generatori di schemi.
Il modello mappa il linguaggio naturale su schemi epistemici pre-validati. Non inventa parametri ODE. Non propone nuove classi epistemiche al volo.
Le violazioni dello schema falliscono in modo netto. Non c'è un percorso di fallback. Non esiste il “abbastanza vicino”.
È l'unico modo per mantenere gli schemi uniformi tra le istanze e l'integrità del grafo intatta nel tempo. Tutto il resto si accumula nel caos.
OIDA — Conoscenza epistemica per l'era dell'AI.
OIDA è la tech company accelerata da KVA, dedicata all'infrastruttura della conoscenza epistemica. Project OIDA ne è il braccio di ricerca — le persone che formalizzano il framework che KVA porta nei clienti.
Il framework modella la conoscenza organizzativa come quattro strati interconnessi. Lavora al livello epistemologico — cosa si sa, con quanta confidenza, cosa sta decadendo — distinto dalle piattaforme ontologiche (pensa a Palantir) che modellano quali entità esistono e come si relazionano. I due livelli sono complementari. Non sono in competizione.
Knowledge Objects (KOs)
L'unità atomica. Tipizzata, tracciata, valutata. Porta con sé tutto ciò che il sistema deve sapere su se stessa.
Knowledge Gravity Engine (KGE)
Importanza e decadimento calcolati tramite ODE, non in base all'umore di un LLM. Stabili tra le query, stabili nei mesi.
Hybrid Retrieval
Retrieval denso, sparso e strutturale, pesato in base a ciò che viene effettivamente chiesto. Nessuno dei tre da solo è sufficiente.
Organisational Belief System (OBS)
Ciò in cui l'azienda crede collettivamente, con quale confidenza, e come quelle convinzioni si muovono di fronte a nuove evidenze.
Position paper di Project OIDA in preparazione per H2 2026.
Che aspetto ha davvero un Knowledge Object.
Due estratti. Da un lato la dataclass, dall'altro l'API che lo strato agentico usa per interrogare l'OBS. Gli schemi sono calibrati per dominio — queste sono le ossa.
knowledge_object.py
from dataclasses import dataclass
from datetime import datetime
from typing import Literal
EpistemicType = Literal[
"factual", "opinion", "hypothesis",
"decision", "commitment", "observation",
]
@dataclass(frozen=True)
class KnowledgeObject:
id: str
claim: str
type: EpistemicType
# provenance
source_id: str
source_span: tuple[int, int]
actor: Actor # who, role, authority
# epistemic state — deterministic
confidence: float # [0, 1]
decay_half_life_days: float
created_at: datetime
# graph relationships
supports: list[str]
contradicts: list[str]
derived_from: list[str]obs_query.py
# What does the org currently believe about X,
# and how has that belief evolved?
belief = obs.query(topic="pricing strategy")
belief.consensus
# weighted by confidence and decay state
belief.contradictions
# explicit conflicts among KOs, with sources
belief.evolution(window="18m")
# trajectory over time, decision points marked
belief.decisions_made_under(
snapshot=obs.snapshot_at("2025-Q4"),
)
# which decisions stood on now-decayed beliefs?OBS — ciò che l'organizzazione pensa, messo per iscritto.
L'Organisational Belief System è lo strato che trasforma l'AI da strumento di produttività in infrastruttura. KVA lo struttura per ogni cliente durante l'ingaggio.
Risponde a domande a cui nessun sistema aziendale attuale sa rispondere:
- 01
In cosa crede attualmente questa organizzazione riguardo a X — e con quanta confidenza?
- 02
Come è cambiata quella convinzione negli ultimi diciotto mesi?
- 03
Quali decisioni sono state prese sotto quali convinzioni, e quelle convinzioni sono nel frattempo decadute?
- 04
Dove gli esperti interni non sono d'accordo — e quali evidenze ha ciascuno di loro?
Dove è già in funzione.
Interno
KVA AI Research Hub
La nostra stessa conoscenza di ricerca e operativa — paper, dossier, note di implementazione — poggia sullo stesso substrato che forniamo ai clienti. Mangiamo la nostra stessa cucina.
Cliente
Architetture enterprise
Sales enablement, memoria di compliance, R&S, precedenti legali, conoscenza degli investimenti. Stesso substrato, calibrato sul dominio, di proprietà del cliente.
Cosa produce davvero un ingaggio.
01
Audit della knowledge architecture — stato epistemico attuale
02
Schema dei Knowledge Object, calibrato sul tuo dominio
03
Pipeline di ingestione con governance epistemica
04
Validation Gate — fallimento netto, nessun fallback
05
Istanziazione dell'OBS — la tua organizzazione, modellata
06
Interfacce di retrieval e ragionamento
07
Passaggio di consegne allo strato agentico
Mappa la tua conoscenza prima che qualcun altro scriva la storia sbagliata su di essa.
La maggior parte degli ingaggi parte da un audit mirato della superficie della conoscenza. Da lì progettiamo la pipeline, istanziamo l'OBS e passiamo il testimone allo strato agentico.