La maggior parte delle persone usa l'IA come un distributore automatico di risposte.
Carica un documento. Fai una domanda. Ottieni una risposta. Chiudi la scheda. Il giorno dopo, carichi lo stesso documento di nuovo. Fai una domanda leggermente diversa. Guardi il modello ricominciare da zero, come se ieri non fosse mai esistito.
Questo è lo schema predefinito per la "produttività con l'IA" oggi. Sembra magico le prime volte perché il sistema può riassumere, spiegare ed estrarre intuizioni da quasi tutto ciò che gli lanci. Ma dopo qualche settimana, la magia inizia a sembrare stranamente usa e getta. Non stai costruendo conoscenza. Stai noleggiando brevi esplosioni di intelligenza.
Il problema non è che i modelli siano troppo deboli. Il problema è che il flusso di lavoro non ha una memoria che si accumula.
Andrej Karpathy ha descritto uno schema migliore: usare gli LLM per costruire e mantenere basi di conoscenza personali. Non solo una cartella di PDF caricati. Non solo un chatbot sui documenti. Un wiki persistente, strutturato e interconnesso che un LLM aggiorna nel tempo.
La parte importante non è il wiki. Abbiamo wiki da decenni.
La parte importante è la manutenzione.
Questo è il pezzo mancante che ha ucciso quasi tutti i sistemi di "secondo cervello" prima dell'IA. Alla gente piace l'idea di una base di conoscenza personale. Amano i grafici di Obsidian, i diagrammi Zettelkasten, le cartelle PARA, le note con tag, i backlink, le note sempreverdi, i dashboard e tutto il resto. Ma dopo lo slancio iniziale, di solito accade la stessa cosa: il sistema diventa un altro sistema da mantenere.
Ritagli articoli ma non li riassumi. Crei note ma non le colleghi. Assegni tag in modo incoerente. Dimentichi di aggiornare vecchie affermazioni quando arrivano nuove informazioni. Crei una struttura bellissima e poi lentamente la eviti perché ogni interazione crea più lavoro di gestione.
Il secondo cervello fallisce perché ha ancora bisogno di un primo cervello che pulisca dopo di lui.
Lo schema del wiki con LLM di Karpathy cambia le regole del gioco. Tratta la base di conoscenza meno come un taccuino personale e più come un codebase. Le fonti grezze entrano. L'LLM le legge, estrae le parti importanti, crea o aggiorna pagine in markdown, mantiene i riferimenti incrociati, tiene traccia delle contraddizioni e mantiene aggiornati gli indici. L'umano non scrive il wiki a mano. L'umano cura le fonti, fa domande, rivede gli output e decide cosa conta.
Post di Andrej Karpathy
https://x.com/karpathy/status/2039805659525644595
Questa è una divisione del lavoro molto più interessante.
Dal Recupero alla Conoscenza che si Accumula
La maggior parte dei flussi di lavoro con documenti basati sull'IA oggi si basa sul recupero. Carichi file, il sistema li suddivide in chunk, li incorpora (embedding) e cerca i passaggi pertinenti quando fai una domanda. Questa è l'idea di base di molti sistemi RAG, ed è utile. Permette al modello di rispondere a domande su materiale che non è nei suoi dati di addestramento.
Ma il recupero ha un limite.
Quando fai una domanda, il sistema cerca, preleva una manciata di frammenti nel contesto e genera una risposta. La risposta può essere buona, ma il lavoro di solito scompare quando la conversazione finisce. La sintesi non diventa automaticamente parte di una struttura duratura. La domanda successiva avvia un altro ciclo di recupero.
Va bene per domande una tantum. È debole per l'apprendimento, la ricerca, la scrittura e la strategia, dove il punto centrale è che la comprensione dovrebbe accumularsi.
Un wiki mantenuto da un LLM funziona diversamente. Non aspetta il momento della domanda per sintetizzare tutto da zero. Compila la conoscenza in anticipo.
Quando aggiungi una nuova fonte, l'LLM la legge e la integra nel sistema esistente. Un articolo potrebbe aggiornare una pagina di concetto. Un profilo aziendale potrebbe rivedere una pagina di un concorrente. Una trascrizione potrebbe aggiungere prove a un punto dolente del cliente. Un nuovo articolo potrebbe contraddire un riassunto più vecchio, quindi il wiki segnala la tensione invece di seppellirla silenziosamente in una pila di documenti.
La domanda cambia da "Posso recuperare il paragrafo giusto?" a "La mia base di conoscenza è diventata più intelligente perché ho aggiunto questa fonte?"
Questo è il vero cambiamento: la conoscenza diventa cumulativa.
I Tre Strati
L'architettura è così semplice che la sua semplicità è facile da trascurare.
Il primo strato sono le fonti grezze. Questi sono i materiali originali: articoli, PDF, note, trascrizioni, documenti, clip web, immagini, repository, dataset e qualsiasi altra cosa tu voglia che il sistema conosca. Questo strato dovrebbe essere trattato come immutabile. L'IA può leggerlo, citarlo e riassumerlo, ma non dovrebbe riscrivere le prove.
Il secondo strato è il wiki. Questa è una directory di file markdown mantenuti dall'LLM. Può includere riassunti di fonti, pagine di concetti, pagine di entità, timeline, confronti, domande aperte, indici e brief di ricerca. Questo è lo strato compilato. È dove il materiale grezzo diventa conoscenza utilizzabile.
Il terzo strato è lo schema. Questa è la serie di istruzioni che dice all'LLM come comportarsi come manutentore. Quali cartelle esistono? Cosa conta come riassunto di una fonte? Come dovrebbero funzionare le citazioni? Quando dovrebbe creare una nuova pagina di concetto invece di aggiornarne una vecchia? Come dovrebbero essere registrate le contraddizioni? Cosa cerca un controllo di integrità?
Lo schema è ciò che trasforma un chatbot in un operatore.
Senza, hai un modello che improvvisa. Con esso, hai qualcosa di più simile a un ricercatore junior che conosce lo stile della casa, il sistema di archiviazione e i rituali di manutenzione.
Obsidian si adatta naturalmente a questo flusso di lavoro perché è già un ambiente markdown locale con backlink, viste a grafo e navigazione veloce. L'inquadramento di Karpathy è utile: Obsidian è l'IDE, l'LLM è il programmatore e il wiki è il codebase.
Questa metafora è importante. I codebase non sono preziosi perché contengono file. Sono preziosi perché i file seguono convenzioni, si riferiscono l'un l'altro, possono essere rifattorizzati, possono essere sottoposti a linting e possono essere migliorati senza ricominciare da capo. Una base di conoscenza seria dovrebbe funzionare allo stesso modo.
L'Umano Non Dovrebbe Essere l'Impiegato
Il vecchio modello di gestione della conoscenza personale presumeva silenziosamente che l'umano facesse tutto.
Leggi la fonte. Evidenzi. Riassumi. Scegli la cartella. Aggiungi tag. Crei collegamenti. Ricordi che una nota più vecchia ora deve essere aggiornata. Noti che due fonti sono in disaccordo. Mantieni puliti gli indici. Decidi se una nota orfana dovrebbe essere eliminata, unita o collegata.
Questo è esattamente il tipo di lavoro che sembra produttivo nella prima settimana e insopportabile al terzo mese.
Ed è anche esattamente il tipo di lavoro in cui gli LLM sono bravi.
Non si stancano delle strutture ripetitive. Non gli dispiace aggiornare quindici file in una volta sola. Possono scansionare alla ricerca di affermazioni obsolete, backlink mancanti, concetti duplicati, denominazioni incoerenti e contraddizioni irrisolte. Possono trasformare una fonte disordinata in cinque artefatti utili: un riassunto, un elenco di affermazioni, un aggiornamento di una pagina di entità, un aggiornamento di una pagina di concetto e una domanda che vale la pena approfondire in seguito.
L'umano dovrebbe rimanere più vicino al giudizio.
Quali fonti appartengono al sistema? Quali affermazioni sono effettivamente importanti? Quale domanda vale la pena fare dopo? Quale sintesi sembra vera, utile, sorprendente o sbagliata? Cosa dovrebbe essere trasformato in un articolo, promemoria, presentazione, decisione, idea di prodotto o direzione di ricerca?
Questa è la parte in cui il gusto conta.
L'LLM dovrebbe fare il lavoro d'ufficio della conoscenza. L'umano dovrebbe fare il lavoro editoriale del significato.
Come Funziona in Pratica
Immagina di fare ricerche su un mercato. Inizi con alcuni rapporti di analisti, post di blog di concorrenti, interviste ai clienti, pagine di prodotto e trascrizioni di chiamate di vendita. Nel vecchio flusso di lavoro, questi diventerebbero una pila di documenti. Forse faresti domande a un chatbot su di essi. Forse terresti un foglio di calcolo. Forse alla fine scriveresti un promemoria che diventa obsoleto non appena arrivano nuove informazioni.
Nel flusso di lavoro del wiki con LLM, ogni nuova fonte aggiorna la mappa vivente.
Un annuncio di un concorrente aggiorna la pagina del concorrente. Una chiamata con un cliente aggiorna una pagina su obiezioni, punti dolenti, fattori scatenanti dell'acquisto e il linguaggio che i clienti usano effettivamente. Un rapporto di mercato aggiorna le pagine dei concetti su prezzi, regolamentazione, adozione o distribuzione. Una nuova contraddizione viene registrata invece di essere ignorata. Una query utile può diventare un brief salvato su cui le query future possono basarsi.
Dopo alcune settimane, il sistema non è più solo un archivio di documenti. È un ambiente di ricerca.
Lo stesso schema funziona per gli scrittori. Ingerisci i tuoi saggi passati, note, interviste, articoli salvati e bozze. Il wiki può tenere traccia dei tuoi argomenti ricorrenti, esempi, affermazioni, riferimenti e idee incompiute. Quando ti siedi per scrivere, puoi chiedere cosa hai già detto su un argomento, quali esempi sono più forti, dove il tuo pensiero è cambiato e quale angolazione non hai ancora esplorato.
Funziona per l'auto-istruzione. Ingerisci lezioni, letture, esercizi e articoli. Il wiki può mantenere pagine di concetti che si evolvono man mano che il corso si fa più difficile. Può spiegare come la settimana sette rivede la settimana due. Può generare fogli di ripasso, identificare aree deboli e trasformare la confusione in un piano di studio.
Funziona per i team. Alimentalo con note di riunioni, thread di Slack, chiamate con i clienti, documenti di pianificazione, memo strategici, ticket di supporto e post-mortem. Il wiki può mantenere pagine di progetto, pagine cliente, registri delle decisioni di prodotto, pagine della concorrenza e temi di rischio ricorrenti. Il vantaggio non è solo la ricerca. Il vantaggio è che l'organizzazione smette di perdere il contesto nelle fessure tra gli strumenti.
In ogni caso, lo schema è lo stesso: le fonti vengono raccolte, la conoscenza viene compilata, le domande producono output e gli output utili vengono archiviati nel sistema.
L'esplorazione si accumula.
Il Controllo di Integrità è il Prodotto
Una delle parti più sottovalutate dello schema di Karpathy è il linting.
Un sistema di note normale decade silenziosamente. I collegamenti si rompono. Le pagine si duplicano. I riassunti diventano obsoleti. Le affermazioni si contraddicono a vicenda. Le fonti importanti rimangono non elaborate. Non noti il decadimento finché non hai bisogno del sistema per un lavoro serio e non ti fidi più.
Un wiki mantenuto da un LLM può essere controllato.
Puoi chiedergli di trovare pagine orfane. Puoi chiedergli di identificare concetti duplicati. Puoi chiedergli quali affermazioni hanno bisogno di citazioni. Puoi chiedergli dove le fonti più recenti entrano in conflitto con quelle più vecchie. Puoi chiedergli quali pagine sono troppo vaghe, troppo lunghe, troppo sottili o prive di ovvi riferimenti incrociati.
Sembra una cosa da poco, ma è la differenza tra una pila di appunti e una base di conoscenza operativa.
Il controllo di integrità non è una funzionalità secondaria. È il meccanismo che mantiene viva la fiducia.
Una base di conoscenza di cui non ti fidi è solo un altro archivio. Una base di conoscenza che può ispezionarsi da sola, spiegare le sue debolezze e proporre riparazioni inizia a sembrare un'infrastruttura.
Perché il Markdown è Importante
La scelta umile del markdown è più importante di quanto sembri.
I file Markdown sono portatili. Possono vivere in una normale cartella. Possono essere aperti in Obsidian, modificati da qualsiasi editor di testo, versionati con git, cercati con strumenti da riga di comando, renderizzati in siti web, trasformati in presentazioni o elaborati da script.
Questo impedisce al sistema di diventare una scatola nera.
Molti prodotti di IA vogliono assorbire la tua conoscenza in un'interfaccia proprietaria. Può essere conveniente, ma rende anche la tua comprensione dipendente dal database, dai prezzi, dalla roadmap e dal pulsante di esportazione di qualcun altro.
Un wiki markdown locale è noioso nel modo migliore possibile. È ispezionabile. È durevole. Può essere sottoposto a backup. Può essere sottoposto a diff. Puoi vedere cosa ha cambiato il modello. Puoi annullare le modifiche errate. Puoi costruire piccoli strumenti attorno ad esso.
Per il lavoro di conoscenza serio, l'infrastruttura noiosa vince.
Il Prodotto che Vuole Esistere
Karpathy lo ha descritto come una raccolta improvvisata di script, ma punta verso una categoria di prodotto molto più ampia.
Il prossimo grande strumento per la conoscenza probabilmente non assomiglierà a un chatbot con un pulsante di caricamento. Assomiglierà più a un ambiente di ricerca nativo per l'IA: archiviazione locale-first, inserimento strutturato, sintassi consapevole delle citazioni, manutenzione automatica, output visivi, controlli di integrità, cronologia delle versioni e flussi di lavoro agentici in grado di operare sull'intera base di conoscenza.
Non risponderà solo alle domande. Manterrà il contesto che rende possibili domande migliori.
Questa distinzione è importante. Un chatbot è reattivo. Una base di conoscenza mantenuta è cumulativa. Un chatbot ti dà una risposta. Un wiki dà al tuo io futuro un punto di partenza migliore.
Questo è anche il motivo per cui la frase "secondo cervello" potrebbe finalmente diventare meno imbarazzante. Per anni, ha spesso significato un armadietto per archiviare pieno di aspirazioni: un posto dove metti le cose nella speranza che il te-futuro le organizzi. Ma un vero secondo cervello non dovrebbe solo immagazzinare ricordi. Dovrebbe preservare la struttura, aggiornare le convinzioni, portare in superficie le connessioni e rendere più facile il riutilizzo del pensiero accumulato.
Fino ad ora, questo richiedeva troppa disciplina umana.
Ora la manutenzione può essere delegata.
Il Flusso di Lavoro Reale
Il flusso di lavoro pratico è quasi deludentemente semplice.
Raccogli le fonti grezze. Lascia che l'LLM le compili in un wiki markdown strutturato. Usa Obsidian o un'altra interfaccia markdown per navigare il risultato. Fai domande al wiki. Salva le risposte sostanziali nel wiki. Esegui controlli di integrità periodici. Ripeti.
Il volano è ciò che conta.
Ogni fonte rende il wiki migliore. Ogni buona domanda crea un artefatto. Ogni artefatto diventa contesto futuro. Ogni controllo di integrità migliora l'affidabilità. Col tempo, il sistema sviluppa una forma che riflette ciò che effettivamente studi, scrivi, costruisci e decidi.
Questo è molto diverso dal chiedere a un'IA di riassumere un PDF.
È più simile ad avere un assistente di ricerca il cui compito principale non è produrre risposte finali, ma mantenere coerente il tuo spazio di lavoro intellettuale.
Questo potrebbe essere uno degli usi a più alta leva degli LLM attuali. Non sostituire il tuo pensiero. Non fingere di sapere tutto. Non generare testo usa e getta infinito. Solo fare il lavoro di manutenzione che fa sì che il pensiero serio si accumuli.
Il Messaggio Chiave
Il vecchio secondo cervello era un sistema di archiviazione con un problema di disciplina. Ti dava un posto dove mettere tutto, ma dipendeva ancora dal te-futuro per organizzare, collegare, aggiornare e pulire. Ecco perché così tanti sistemi di prendere appunti iniziano come bellissime mappe e finiscono come archivi silenziosi.
Il wiki con LLM capovolge il modello. Le fonti grezze rimangono lo strato delle prove. Il wiki markdown diventa lo strato compilato. Lo schema fornisce all'IA le regole su come mantenerlo. I controlli di integrità mantengono il sistema affidabile. Obsidian o qualsiasi altra interfaccia markdown diventa il luogo in cui ispezioni, metti in discussione e riutilizzi il lavoro.
La RAG può aiutarti a rispondere a una domanda da una pila di documenti. Un wiki mantenuto da un LLM cambia il punto di partenza per ogni domanda futura.
Questa è l'idea centrale. Il valore non sono solo riassunti più veloci, note più pulite o grafici più belli. Il valore è il contesto accumulato. Ogni fonte, ogni query, ogni contraddizione e ogni output utile possono rafforzare il sistema invece di scomparire in un altro thread di chat.
Il ruolo umano diventa più ristretto e più prezioso: scegliere input migliori, fare domande più acute, sfidare le sintesi deboli e decidere cosa conta. Il ruolo dell'IA diventa ripetitivo e strutturale: riassumere, collegare, rivedere, citare, fare linting e mantenere.
È così che il lavoro di conoscenza inizia ad accumularsi.
Il tuo secondo cervello non ha bisogno di più cartelle.
Ha bisogno di qualcuno che lo mantenga.
E per la prima volta, quel qualcuno non deve essere te.
Se questo articolo ti è piaciuto, seguimi per altri consigli su IA e Obsidian: @Degen_calls_sol
