Scritto originalmente in francese. Tradotto dall'IA — il significato è stato preservato, non la prosa.
Quando chiedi a un'IA di fare una ricerca, il riflesso è spesso lo stesso:
Trovami 20, 30 o 50 buone fonti su questo argomento.
Il problema non è il numero di fonti. Il problema è decidere quante cercarne prima di sapere cosa manca davvero.
Si finisce così per accumulare documenti che si sovrappongono, riprendono gli stessi concetti, citano gli stessi lavori e danno un'impressione artificiale di copertura. Nel frattempo, alcune angolazioni restano invisibili perché sono poco rappresentate nei primi risultati.
Io uso un altro approccio: partire da un corpus molto piccolo ma ben selezionato, estrarne conoscenza strutturata, diagnosticare cosa quel corpus permette già di capire — e soprattutto cosa non permette ancora di capire — e poi lasciare che questo stato determini la ricerca successiva.
Chiamo questo metodo Stateful Corpus Research Loop, o SCRL.
La sua logica sta in una frase:
Non cercare più fonti. Cercare la prossima fonte in grado di cambiare ciò che si sa già su una determinata missione.
1. Il problema non è la ricerca massiva
Cercare molte fonti non è certo un male in sé. Alcune ricerche richiedono decine, a volte centinaia di documenti.
Il problema nasce quando la strategia è fissata fin dall'inizio:
perimetro → 30 fonti → lettura → sintesi
Il volume diventa allora un indicatore sostitutivo della qualità.
Eppure trenta fonti possono in realtà coprire solo poche idee ripetute. Possono provenire dallo stesso tipo di attore, citare gli stessi lavori, partire dalle stesse ipotesi o ignorare la stessa contraddizione.
La domanda interessante non è quindi: quante fonti ho?
È: cosa sa già il mio corpus, cosa non sa ancora, e quale ricerca avrebbe più probabilità di modificare questo stato?
Una SCRL ribalta quindi la logica abituale.
Invece di raccogliere prima e capire poi, si capisce abbastanza per decidere cosa cercare dopo.
2. Tutto comincia da una missione e da un perimetro
Un ciclo iterativo senza confini può non finire mai.
Ogni nuova fonte apre nuove domande. Ogni domanda porta a nuovi concetti. E ogni concetto può giustificare venti nuove letture.
Una SCRL comincia quindi da una missione esplicita:
- una domanda centrale;
- ciò che rientra nel tema;
- ciò che ne è escluso;
- gli assi da capire;
- il tipo di conoscenza atteso.
La convergenza non esiste mai in assoluto.
Non si può concludere: «ora sappiamo tutto quello che c'è da sapere sugli agenti IA».
Si può solo concludere: per questa missione, in questo perimetro, le nuove iterazioni hanno ormai una bassa probabilità di modificare in modo sostanziale il nostro modello attuale.
Il perimetro non è un vincolo burocratico. È ciò che rende possibile un criterio di arresto.
3. Partire da un seed piccolo ma ben selezionato
Una SCRL non comincia con una raccolta esaustiva. Comincia con un seed: poche fonti scelte con cura.
Questo primo insieme deve essere abbastanza:
- affidabile;
- diversificato;
- vicino al cuore del tema;
- ricco da far emergere una prima struttura concettuale.
Il seed non ha lo scopo di coprire il dominio.
Il suo ruolo è più modesto e più utile: produrre un primo stato di conoscenza abbastanza buono da scoprire cosa manca.
Serve ad avviare il ciclo.
4. Trasformare le fonti in conoscenza, non in riassunti
Un documento grezzo è una pessima unità di ragionamento.
Un articolo può contenere cinque meccanismi indipendenti. Due documenti molto diversi possono sostenere esattamente la stessa idea. Al contrario, una stessa fonte può contenere un'affermazione solida, un'ipotesi speculativa e una definizione ambigua.
Serve quindi uno strato intermedio tra le fonti e il deliverable.
Nel mio sistema, questo strato si basa principalmente su tre tipi di note già descritti su questo blog:
- una nota atomica stabilizza un'unità di conoscenza autonoma, con un solo centro di gravità intellettuale; Che cos'è una nota atomica?
- una nota tematica collega più conoscenze per produrre una comprensione in più; Che cos'è una nota tematica?
- una voce di glossario stabilizza il senso di un termine quando un'ambiguità può cambiare l'interpretazione del corpus. Cos'è una voce di glossario?
Una SCRL quindi non guida la ricerca direttamente da una pila di documenti.
La guida dalla conoscenza già estratta e strutturata.
5. Il corpus diventa stateful
Dopo la prima ingestione, il corpus ha uno stato.
Può rappresentare progressivamente:
- ciò che sembra stabilito;
- ciò che resta poco documentato;
- ciò che dipende da una sola fonte;
- ciò che resta incerto;
- le contraddizioni;
- le ambiguità terminologiche;
- i meccanismi ancora poco compresi;
- i limiti già individuati;
- le aree sovrarappresentate;
- le aree quasi assenti;
- le relazioni tra più parti del corpus.
Questo stato diventa l'input della decisione successiva.
Missione / perimetro → Seed ben selezionato → Fonti → Note → Stato del corpus → Diagnosi → Ricerca mirata → Nuove fonti → Aggiornamento del corpus → Test di convergenza → nuova iterazione
Il corpus non è più soltanto il risultato della ricerca.
Diventa il motore della ricerca successiva.
6. Cosa può davvero cercare una nuova iterazione
Una nuova iterazione non significa più: «trovami altri articoli pertinenti».
Riceve un obiettivo prodotto dalla diagnosi del corpus.
Un'iterazione può puntare a:
- allargare — scoprire una dimensione importante ancora assente;
- rafforzare — aggiungere prove indipendenti a una conoscenza importante;
- colmare una lacuna — documentare un meccanismo, un passaggio, una metrica o una condizione che ancora manca;
- cercare la contraddizione — trovare di proposito lavori capaci di invalidare o limitare ciò che il corpus considera già solido;
- precisare i limiti — stabilire dove e quando un'affermazione smette di essere vera;
- distinguere i significati concorrenti — individuare i termini usati in modo diverso a seconda degli autori, dei prodotti o delle discipline;
- passare dal descrittivo al meccanismo — capire non solo cosa succede, ma perché e come;
- diversificare le prove — mescolare teoria, benchmark, studio empirico, documentazione tecnica, esperienza sul campo e osservazione reale;
- testare la trasferibilità — verificare se un'idea osservata in un dominio regge ancora in un altro;
- individuare le dipendenze — trovare le condizioni necessarie al funzionamento del meccanismo;
- cercare gli effetti collaterali — costi, latenza, bias, regressioni, vincoli organizzativi o rischi di governance;
- verificare l'obsolescenza — capire se un'evoluzione tecnica invalida una parte del corpus;
- collegare aree separate — riconoscere che uno stesso meccanismo attraversa più parti del tema;
- riequilibrare — correggere una conclusione che sembra forte solo perché un tipo di fonte è sovrarappresentato;
- cercare ciò che potrebbe rompere il modello — formulare esplicitamente la ricerca che, se andasse a segno, costringerebbe a rivedere una conclusione centrale;
- misurare la saturazione — verificare se una nuova ricerca produce ancora conoscenza sostanziale.
Questo elenco è importante perché cambia la funzione della ricerca.
Il motore di ricerca non ha più il compito di trovare «buone fonti». Deve trovare il tipo di prova di cui il corpus ha bisogno adesso.
7. Ricerca massiva vs SCRL
Una ricerca classica somiglia spesso a questo:
perimetro → grande raccolta → lettura → estrazione → sintesi
Una SCRL somiglia piuttosto a questo:
perimetro → piccolo seed → conoscenza → diagnosi → ricerca successiva determinata dalla diagnosi
La differenza quindi non è 5 fonti contro 50 fonti.
Una SCRL può benissimo finire con 100 fonti.
La differenza è tra:
raccogliere prima di conoscere con precisione i propri bisogni
e
lasciare che la conoscenza già acquisita determini cosa cercare dopo.
8. Un'esperienza reale: Adobe Summit Paris 2026
Ho messo alla prova questo approccio in un lavoro personale di preparazione all'Adobe Summit Paris 2026.
La missione era stata volutamente limitata a cinque assi:
- Produzione di contenuti e organizzazione nell'era agentica — agenti, orchestrazione, supervisione umana, workflow e industrializzazione;
- Contesto di marca e governance dei contenuti tramite l'IA — rappresentazione della marca, vincoli, validazione, contesto persistente e controllo;
- Documenti e sistemi di conoscenza interrogabili — RAG, retrieval, grounding, citazioni, contraddizioni documentali e produzione a partire da un corpus;
- Web agentico, reperibilità e visibilità negli LLM — GEO, citazione, attribuzione, dati strutturati, distribuzione e misura della visibilità;
- Interfacce conversazionali e creazione per intenzione — linguaggio naturale, controllo creativo, mantenimento dello stato, manipolazione diretta e traduzione dell'intenzione in operazioni.
La ricerca è poi andata avanti per cicli successivi.
Al termine dell'esperienza:
- 15 iterazioni di ricerca;
- 82 fonti create nel corpus;
- 1 fonte inutilizzabile per mancanza di un'estrazione affidabile;
- 51 note attive;
- 34 note atomiche;
- 10 voci di glossario;
- 7 note tematiche;
- 5 brief di sintesi, uno per asse.
Ma il numero interessante non è 82.
È il modo in cui è cambiato il ruolo delle iterazioni.
All'inizio: allargare
I primi cicli servono soprattutto a capire il terreno. Fanno emergere i concetti, i meccanismi e i primi confini del tema.
A metà: rafforzare e strutturare
Le iterazioni successive cercano prove migliori, separano alcune idee, colmano lacune e fanno emergere relazioni tra le note.
Alla fine: attaccare il modello
Le ultime iterazioni cambiano natura.
Le iterazioni 13, 14 e 15 sono servite soprattutto da test di rottura.
La domanda non era più: «cos'altro possiamo aggiungere?»
Diventava: «cosa potremmo trovare che ci costringerebbe a rivedere ciò che crediamo di aver capito?»
Alla quindicesima iterazione, nessuna nuova fonte accolta era abbastanza importante da modificare il modello concettuale dei cinque assi.
Questo ovviamente non significa che il tema fosse esaurito.
Indicava che, nel perimetro definito, il corpus cominciava a convergere.
9. La convergenza: sapere quando fermarsi
È probabilmente il vantaggio più interessante di questo approccio.
In una ricerca classica, la domanda «quando ho cercato abbastanza?» resta spesso senza risposta.
30 fonti? 50? 100?
Questi numeri non costituiscono un criterio epistemico.
Una SCRL può usare un altro segnale.
La ricerca comincia a convergere quando le nuove iterazioni:
- non creano più nuova conoscenza centrale;
- non modificano più in modo rilevante le note importanti;
- non rivelano più contraddizioni di rilievo;
- non scoprono più lacune importanti nel perimetro;
- aggiungono soprattutto conferme o ridondanza;
- lasciano le incertezze residue chiaramente individuate.
La convergenza quindi non significa «sappiamo tutto».
Significa: la probabilità che una nuova iterazione modifichi in modo sostanziale la nostra rappresentazione attuale diventa bassa rispetto al costo di quell'iterazione.
E questo criterio si può verificare.
Si possono lanciare di proposito ricerche pensate per rompere il modello. Se falliscono più volte di fila, il segnale di saturazione diventa molto più credibile.
10. Cosa cambia per gli agenti di ricerca
Molti sistemi di «deep research» seguono ancora, implicitamente, un'architettura simile a:
search → scrape → summarize → write
Anche quando lanciano più ricerche, queste restano spesso rami di un piano definito molto presto.
Un vero ciclo di ricerca adattivo richiede di più.
L'agente deve mantenere uno stato che comprenda in particolare:
- il perimetro;
- le conoscenze stabilizzate;
- la loro provenienza;
- il loro livello di supporto;
- le contraddizioni;
- le incertezze;
- le lacune individuate;
- le ricerche già fatte;
- le strategie che non hanno portato nulla;
- le aree considerate sature.
A quel punto può decidere:
Quale ricerca massimizza adesso la probabilità di un guadagno di conoscenza utile?
L'architettura diventa:
perimetro → memoria → stato del corpus → diagnosi → strategia di ricerca → nuove prove → aggiornamento della conoscenza → test di convergenza
La ricerca non è più una fase che precede la generazione.
Diventa un sistema che aggiorna la propria rappresentazione di ciò che sa e usa quella rappresentazione per scegliere la prossima mossa.
Stateful, non semplicemente deep
L'espressione deep research mette l'accento sulla profondità.
Ma la profondità non garantisce la qualità.
Un agente può leggere cento documenti ripetendo gli stessi bias. Può esplorare moltissimo senza mai cercare la fonte che contraddice la sua conclusione centrale. Può accumulare un contesto gigantesco senza sapere con chiarezza cosa resta incerto.
Il cambiamento importante forse non è quindi cercare più in profondità.
È cercare con uno stato.
È l'idea dello Stateful Corpus Research Loop.
Il corpus non è più una pila di documenti.
Diventa una rappresentazione in evoluzione della conoscenza acquisita su una determinata missione — e questa rappresentazione serve a decidere la ricerca successiva.
La prossima fonte deve avere una ragione di esistere
Una buona ricerca probabilmente non dovrebbe più cominciare con:
Quali sono i migliori articoli su questo tema?
Dovrebbe arrivare, a poco a poco, a una domanda più esigente:
Alla luce di ciò che sappiamo già, quale informazione avrebbe ora più probabilità di cambiare la nostra comprensione?
È una differenza sottile.
Ma trasforma completamente il ruolo della ricerca.
Una SCRL non cerca di trovare molte buone fonti. Cerca di stabilire, in ogni momento, quale fonte potrebbe ancora cambiare ciò che sappiamo su una determinata missione.