Quando l’AI diventa il curatore del sapere aziendale: dalla trascrizione al “Vibe Coding”
Il progetto: mappare la conoscenza dispersa
In questo periodo sto lavorando a un progetto di ristrutturazione di porzione del know-how tecnico in azienda: reperire le informazioni disseminate sotto forma di vari media e creare un indice che metta in relazione contenuti, argomenti e le interconnessioni tra di essi.
Gran parte del lavoro è stata svolta in autonomia attraverso la piattaforma interna di video sharing, capace di generare sia le trascrizioni delle tracce audio che la struttura in capitoli degli argomenti. Un vantaggio non da poco: niente più “sbobinature” come ai tempi dell’università.
La “distillazione” di queste informazioni ha generato decine di file di testo strutturati.
L’arsenale AI: sicurezza e potenza elaborativa
Da circa un anno abbiamo la possibilità di sfruttare in azienda un assistente AI dedicato al trattamento dei dati aziendali in un contesto sicuro. Grazie a un contratto enterprise che garantisce privacy, retention policy e isolamento dei dati (a differenza della fruizione gratuita), perché non utilizzarlo?
Solitamente lo “tormentiamo” per la risoluzione di problemi al volo: ricerca di informazioni, traduzioni, correzione di bug sfuggenti. Ma questa volta ho deciso di spingermi oltre.
La nascita di un agente specializzato
Mi sono avventurato nella prototipazione di un Agente AI dedicato, concentrandomi sul prompt engineering e sul data-retrieval per l’estrazione dalle trascrizioni. L’obiettivo: ottenere una struttura gerarchica su due o tre livelli degli argomenti trattati in ogni capitolo, determinando contestualmente il “tempo di inizio” del video per ogni argomento di primo livello.
La messa a punto è durata diversi giorni, raffinando lacune progettuali e mitigando le “stranezze” generate dall’intelligenza artificiale stessa.
Il problema della non-deterministica: se non hai accesso a un assistente AI deterministico (tutto dipende dal tuning del sistema: temperature e random seed), sei in balia della componente probabilistica dei Large Language Model. A parità di regole, fornisce talvolta risultati diversi da quelli attesi.
Nel lavoro quotidiano con l’assistente AI e l’agente che ho costruito, ho notato che risposte e prestazioni degradavano negli orari lavorativi di punta. A volte sono stato costretto a utilizzare prompt più complessi rispetto a quelli di mera esecuzione delle regole, per mitigare le anomalie estemporanee causate dalle condizioni di rete o dal carico del server.
Dalle mappe mentali alle mappe concettuali: un salto qualitativo
Una volta elaborati i contenuti, li ho trasposti manualmente in un software di mappe mentali. Tuttavia, la quantità delle informazioni, seppur ridotta e strutturata rispetto alla mole iniziale, non era facilmente fruibile. Le ramificazioni che dal centro della mappa si propagavano verso l’esterno, suddivise in vari file, rendevano difficile la consultazione.
L’ulteriore necessità di avere riferimenti incrociati tra dati nello stesso file e in file esterni trasformava l’analisi in un’autentica odissea.
Il mio manager ha individuato una soluzione più adatta: un software di mappe concettuali.
La differenza è sostanziale: la mappa mentale si basa sul modo associativo e non lineare del pensiero umano, dove i concetti più importanti sono vicini all’idea centrale e le connessioni sono semplici linee senza etichette esplicative. La mappa concettuale, invece, è uno strumento più strutturato per rappresentare la conoscenza, con una gerarchia logica che permette di mostrare le relazioni specifiche tra i concetti.
Il problema dell’interoperabilità
La soluzione sembrava a portata di mano, ma si è rivelata una potenziale trappola:
- Il nuovo programma permetteva l’importazione solo in formati inconsueti
- Aveva capacità di esportazione estremamente limitate, salvando i dati unicamente in formato immagine o in un file strutturato proprietario
Si profilava l’inquietante prospettiva di una sessione infinita di copia-incolla. L’efficienza promessa dal nuovo strumento rischiava di trasformarsi in un vicolo cieco digitale.
La soluzione: il “Vibe Coding”
La risposta? Ricorrere al Vibe Coding per costruire un convertitore di file che ancora non esiste, o almeno che non sono riuscito a reperire dopo una minuziosa ricerca online.
Il “Vibe Coding” è un neologismo che descrive un approccio allo sviluppo software basato sull’interazione tra utente e Intelligenza Artificiale. Attraverso il linguaggio naturale, l’utente comunica all’assistente AI (un Large Language Model) lo scenario o l’obiettivo desiderato per un’applicazione.
In risposta, l’AI genera automaticamente il codice funzionante nel linguaggio di programmazione prescelto. Questo processo elimina la necessità di scrivere manualmente il codice, trasformando la programmazione in una sorta di dialogo creativo.
Da OPML a CXL: Come l’AI ha risolto un problema di conversione di formato
Come in qualsiasi progetto di sviluppo software che si rispetti, ho iniziato definendo i passaggi chiave dell’implementazione:
- Acquisizione delle specifiche tecniche dei formati file da supportare: .CXL e .OPML
- Scelta del linguaggio di programmazione/scripting: Microsoft PowerShell
- Definizione del comportamento del programma: parametri a linea di comando e interfaccia utente
- Valutazione di fattibilità: risultato positivo
Luce verde su tutta la linea. È il momento di iniziare una nuova sessione di prompt engineering.
Il primo tentativo: successo… apparente
Dopo appena un quarto d’ora, la prima versione del convertitore da OPML a CXL è pronta. Salvo lo script generato sul PC, esporto il primo file di mappe mentali in formato .OPML e lancio il nuovo strumento con i parametri necessari.
La prima conversione procede senza intoppi – nessun errore durante la fase di conversione del file .CXL. Apro il software di mappe concettuali, accedo alla funzione di importazione, seleziono il file appena convertito e… nessun errore, ma un documento completamente vuoto.
Che delusione!
L’indagine: alla ricerca del problema
Apro un editor di testo XML per controllare a campione il file CXL. A prima vista sembrava conforme alle specifiche tecniche, eppure qualcosa non quadrava.
Mi viene un’idea: generare un file CXL con una semplice struttura di esempio direttamente dal software ufficiale. Confrontando i due file, forse sarei riuscito a identificare le differenze critiche.
Ed ecco la scoperta: mancavano alcune sezioni fondamentali, in particolare quella relativa alle dimensioni dell’area della mappa e alcuni metadati contenenti le informazioni dell’utente.
La soluzione: iterazione e miglioramento
Riscrivo un prompt più dettagliato per correggere lo script, allegando il formato di esempio generato dall’applicativo ufficiale. L’assistente AI, con questi elementi aggiuntivi, riesce a sistemare efficacemente il codice.
La versione 2.0 dello script funziona perfettamente! L’importazione va a buon fine e i dati vengono visualizzati correttamente. Naturalmente, data la diversa natura dei due formati, alcune voci nella mappa concettuale richiedono sistemazioni manuali, ma i contenuti risultano completi (a prescindere dall’ordine di rappresentazione).
Il cerchio si chiude
Preso dall’entusiasmo del risultato, ho deciso di completare l’opera creando lo script complementare per convertire CXL in OPML. Una nuova “cascata” di prompt e un altro traguardo raggiunto.
In questo caso, per le caratteristiche specifiche del software di mappe concettuali, a partire da un singolo file possono essere generati più file OPML, ampliando ulteriormente le possibilità di utilizzo della soluzione.
Conclusione Stiamo assistendo a un esempio concreto di come l’intelligenza artificiale stia ridefinendo non solo la gestione della conoscenza aziendale, ma l’intero ecosistema dello sviluppo software. La vera rivoluzione? La democratizzazione della programmazione attraverso il linguaggio naturale, che trasforma l’AI da semplice ausilio tecnologico in un partner di sviluppo strategico. Un alleato digitale capace di interpretare richieste formulate in linguaggio comune e convertirle in soluzioni tecniche raffinate, attraverso un processo iterativo di miglioramento continuo che affronta e risolve problemi specifici con crescente precisione.
Gabriele PANCANI
Per i lettori interessati agli strumenti di conversione menzionati nell’articolo, i repository GitHub sono disponibili ai seguenti indirizzi:
Analisi Comparativa: Processo Manuale vs Automatico
Studio analitico sui tempi di elaborazione per la trascrizione audio e indicizzazione gerarchica dei contenuti, e sviluppo di tool di conversione in Vibe Coding. Focus su metriche di performance e analisi costi-benefici tra processi manuali e automatizzati.
Gabriele P.
English Version available on LinkedIn: When AI Becomes the Curator of Corporate Knowledge: From Transcription to “Vibe Coding”