Costruisco sistemi dove un agente non è una scatola nera che consigli al management di adottare per fede. Ogni decisione lascia una traccia che qualcuno, fra due anni, può ancora verificare.
Una genera output plausibili senza garanzie. L'altra garantisce senza generare nulla. Messe insieme non fanno una parola d'ordine: fanno un'infrastruttura di responsabilità.
Capitolo 01 →La distanza fra un agente che stupisce in riunione e uno che regge sei mesi dentro un gestionale enterprise è dove si gioca tutto. È lì che lavoro.
Capitolo 02 →La domanda non è tecnica, è legale e reputazionale. E arriva sempre. Un decision ledger ancorato on-chain è una risposta, non una feature di marketing.
Capitolo 03 →Ogni cosa qui sotto esiste perché una delle tre convinzioni andava dimostrata, non raccontata.
Il feed dimentica in tre giorni. L'archivio no. Ogni post vive in italiano, inglese e croato.
Ancorare un decision ledger sulla catena dimostra esistenza e integrità. Non dimostra che la registrazione fosse corretta, il registro completo o chi scriveva onesto. Quel lavoro sta prima dell'hash.
Quasi nessun team sa dire quale prompt, quale versione del modello e quale indice hanno prodotto una decisione AI. Vanno trattati come artefatti di rilascio e registrati con ogni decisione.
Il fine-tuning è spesso il primo rimedio proposto quando una funzione AI rende poco. Quasi sempre al modello manca contesto, non capacità, e senza un set di eval non sai nemmeno se il tuning ha aiutato.
È la conversazione che faccio più volentieri. Anche solo per dirti che nel tuo caso non serve.