Scritto originalmente in francese. Tradotto dall'IA — il significato è stato preservato, non la prosa.
In un articolo precedente spiegavo perché il secondo cervello — una rete di note atomiche collegate tra loro — non fosse adatto al product management. Troppa propagazione di errori, troppo rumore, poco controllo.
Ma c'è un dominio dove questo approccio funziona: la conoscenza «by the book». Le norme, la regolamentazione, il vocabolario di settore, le buone pratiche consolidate da decenni. Informazioni «fattuali», stabili, che non cambiano da un'opportunità all'altra.
È esattamente ciò di cui avevo bisogno per la manutenzione industriale (il mio settore). Ed è questo che mi ha portato a costruire un Wiki IA.
Il problema di partenza
Ciò che distingue i buoni PM da quelli mediocri è la comprensione profonda del contesto. Non le generalità. La conoscenza precisa delle sfide del cliente, del terreno, delle regole di settore.
Il problema è che questa conoscenza è dispersa: in libri, articoli, norme, ritorni dal campo, documenti interni. Non si può ricordare tutto. E non si può rileggere tutto ogni volta che se ne ha bisogno.
La prima reazione è rivolgersi a un LLM. Si caricano documenti, si fanno domande. Il RAG classico — NotebookLM, ChatGPT con file allegati — funziona così: l'IA cerca i frammenti pertinenti nei tuoi documenti e sintetizza una risposta.
Il problema: riparte da zero a ogni richiesta. Nessuna capitalizzazione. Nessuna memoria strutturata. Una domanda sottile che richiede di incrociare cinque documenti obbliga l'IA a trovare e ricomporre tutto ogni volta. Le idee rimangono «deboli»: estratte individualmente da ogni documento, senza mai essere state consolidate.
L'idea viene da Karpathy
Andrej Karpathy è un ricercatore di IA, ex Director of AI di Tesla, membro fondatore di OpenAI, passato di recente ad Anthropic. È anche uno dei migliori pedagoghi del campo — i suoi corsi a Stanford e i suoi video YouTube sono un riferimento.
Nel maggio 2025 ha pubblicato un gist che descrive un pattern che chiama «LLM Wiki». L'idea è semplice ma potente: invece di fare RAG su documenti grezzi, si chiede all'IA di costruire progressivamente un wiki persistente.
Quando arriva una nuova fonte, l'IA non si limita a indicizzarla. La legge, ne estrae le informazioni chiave, aggiorna le pagine esistenti del wiki, crea collegamenti tra concetti, segnala le contraddizioni, arricchisce le sintesi. Il sapere viene compilato una volta e poi mantenuto aggiornato — non riscoperto a ogni domanda.
La differenza è fondamentale: il wiki è un artefatto cumulativo. Le sintesi, i collegamenti, le contraddizioni esistono già prima della prossima domanda.
Cos'è un Wiki IA
Concretamente, un Wiki IA funziona su tre livelli:
- Le fonti grezze: libri, articoli, PDF, norme. Sono immutabili e restano la fonte di verità.
- Il wiki: file Markdown generati dal LLM — note atomiche, glossario, schede di norme, sintesi tematiche, indice.
- Le istruzioni: un file (di tipo CLAUDE.md) che spiega all'agente come mantenere il wiki — nominare i file, ingestare una fonte, classificare, collegare i concetti.
Quando si fa una domanda, l'IA non torna ai PDF originali. Legge prima il wiki, trova le note pertinenti e produce una risposta basata su conoscenza già consolidata.
E quando si aggiunge una fonte, una singola ingestion può toccare da 10 a 15 note del wiki: aggiornamento di definizioni, aggiunta di sfumature, creazione di collegamenti, rilevamento di contraddizioni.
Wiki IA e Zettelkasten: il parallelo e la differenza
Il Zettelkasten — il metodo inventato dal sociologo Niklas Luhmann — si basa sullo stesso principio di note atomiche collegate tra loro. Un'idea per nota, collegamenti tra le note, una rete che cresce.
Il parallelo è evidente: il Wiki IA produce anch'esso note atomiche interconnesse. Ma la natura è diversa.
Il Zettelkasten / secondo cervello è orientato ai collegamenti. Riflette il tuo pensiero, le tue esperienze, le tue intuizioni. Ti obbliga ad approfondire il tuo solco, a confrontare idee, a formulare le tue tesi. È uno strumento di riflessione personale.
Il Wiki IA è orientato alla prossimità. L'informazione è «fattuale», non orientata. Funge da fonte strutturata, «oggettiva». È una base di conoscenza, non un sistema di pensiero.
I due sono complementari. Il Wiki IA fornisce i fatti; il secondo cervello li interpreta. Il wiki ti dice «ecco cosa dice la norma NF X 60-010 sulla manutenzione preventiva». Il tuo secondo cervello ti dice «questa norma viene applicata male in tale contesto perché…».
La mia esperienza: manutenzione industriale
Ho applicato questo pattern alla manutenzione industriale — il dominio del mio prodotto CMMS. Un dominio «by the book» per eccellenza: norme (NF, ISO, EN), regolamentazione, vocabolario di settore preciso, processi documentati da decenni.
A partire da una dozzina di fonti — libri di riferimento, norme, articoli tecnici — l'IA ha estratto e strutturato 950 note atomiche: definizioni di glossario, schede di norme, note sui processi, abilitazioni, indicatori di prestazione.
La calibrazione: l'IA va domata
Il lavoro più impegnativo non è stato l'estrazione. È stata la calibrazione.
In V0 (il POC) ero troppo permissivo. Rilevamento troppo ampio, troppe note generate, qualità insufficiente. L'IA catturava tutto — incluso il rumore.
In V1 ho irrigidito i filtri. La qualità è diventata eccellente. Ma alcune note pertinenti (presenti nel POC) venivano ignorate — troppo restrittivo.
La sfida è trovare il punto di svolta tra esaustività e pertinenza. E non si fa in due righe di prompt. Le istruzioni di ingestion hanno diverse decine di righe: definizione precisa di ogni tipo di nota, criteri di validità, regole di rilevamento dei riferimenti normativi, passata terminologica finale.
Il metodo che ho usato per iterare: chiedere a V1 di analizzare le note di V0. Capire cosa aveva mancato, perché, e aggiustare le regole senza perdere il rigore di classificazione. Una validazione incrociata tra due versioni dello stesso sistema.
A cosa serve?
Una volta costruito il wiki, gli usi sono molteplici.
Ricerca e prossimità semantica. Con una base vettoriale (LanceDB nel mio caso), si possono fare ricerche per concetto — non solo per parola chiave. Cercare «manutenzione normativa» restituisce anche le schede sui controlli periodici, le abilitazioni e le norme NF X 60-010, anche se nessuna contiene esattamente questa espressione.
Revisione e autoapprendimento. Ho costruito un sistema di flash card sopra il wiki. 10 minuti al giorno per rafforzare la conoscenza dei fondamentali di settore. Memorizzare le norme, i processi, le definizioni — non per recitarli, ma per averli in mente quando bisogna prendere una decisione di prodotto.
Fonte per altri progetti LLM. Il wiki diventa un blocco riutilizzabile. Quando studio un'opportunità di prodotto, posso interrogare il wiki insieme alle mie altre fonti: codice sorgente, monitoraggio della concorrenza, conoscenza del prodotto. Il contesto di settore è già strutturato e pronto per essere iniettato.
I limiti
Tutto questo funziona solo se si ha già una certa competenza nel dominio.
L'IA non cambia nulla a questa realtà: non ci si poteva fidare di un fornitore senza conoscere il settore. Lo stesso vale per un Wiki IA. Se non hai la competenza per validare ciò che l'IA estrae, stai costruendo su sabbia.
Il Wiki IA struttura e capitalizza la conoscenza. Non la sostituisce.
Per saperne di più
Il PM come architetto del Contesto Dal file unico al sistema di contesti: perché la memoria di un LLM non sta in un solo documento Perché una sola classificazione non basta per strutturare il feedback dei clienti La domanda prodotto deve partire dal codice sorgente
Fonti
- LLM Wiki — Andrej Karpathy: https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f
- Metodo Zettelkasten: https://en.wikipedia.org/wiki/Zettelkasten
- Il secondo cervello è un vicolo cieco per il product management: https://malorean.net/articles/2026-05-03-le-second-cerveau-est-une-impasse-pour-le-product-management.html