Sempre più strumenti di IA dicono di imparare. Per un team di ricerca, quella parola copre cose molto diverse: un file di note che l’assistente rilegge, una ricerca nei documenti passati, un modello riaddestrato sui dati del team o un sistema che cambia comportamento man mano che arrivano i risultati. Ognuno ha i suoi usi. Non danno a un team la stessa cosa, e una breve demo raramente mostra la differenza.
Questa guida è per chi guida la ricerca o l’ingegneria e deve decidere. Propone sei domande da porre a qualsiasi IA che dichiara di imparare, con come si presenta una buona risposta per ciascuna. Poi risponde per MS Duplex, così puoi giudicarci con lo stesso metro di tutti gli altri.
Perché “impara” merita uno sguardo più attento
Quando un’IA impara dal tuo lavoro, inizia ad agire su cose che quel giorno nessuno ha scritto nel prompt. Lo scopo è questo. È anche il motivo per cui un sistema che impara richiede domande più severe di uno statico. Un modello che si comporta allo stesso modo a ogni richiesta può essere esaminato una volta sola. Un sistema che cambia con l’uso deve restare esaminabile mentre cambia.
Gli approcci comuni rispondono ciascuno a una parte di questo. I file di istruzioni e le note conservano ciò che qualcuno ha messo per iscritto, e sono aggiornati quanto l’ultima modifica. Il recupero riporta passaggi che sembrano pertinenti al caso in esame. Il fine-tuning cambia ciò che un modello sa in modo generale, tramite un dataset preparato e un addestramento, ed è adatto quando l’obiettivo è questo. Prima che un sistema inizi a orientare le decisioni, il tuo team dovrebbe sapere quale di questi sta acquistando, o cosa aggiunge accanto a essi.
Il costo di una scelta sbagliata emerge più tardi, nel lavoro. Un agente ripete un passaggio fallito perché una lezione non ha attecchito. Un valore superato sopravvive in una raccomandazione perché nessuno è riuscito a trovarne la provenienza. Un team resta su un modello più vecchio perché passare a un altro significherebbe perdere ciò che gli ha insegnato. Le domande che seguono fanno emergere questi rischi prima di un progetto pilota, quando discuterne costa poco.
Sei domande da porre a qualsiasi IA che dichiara di imparare
Ponile a ogni sistema della tua lista. Chiedi una dimostrazione su un caso scelto dal tuo team, e la documentazione dietro ogni risposta.
- Da cosa impara?Una buona risposta nomina gli input: risultati confermati, misurazioni, correzioni degli esperti con le loro motivazioni, decisioni approvate. Fai attenzione se la risposta è “tutto ciò che l’utente scrive”. Nella ricerca, un’osservazione di passaggio e una misurazione confermata meritano un peso diverso, e dovrebbe essere il tuo team a decidere quali esiti contano.
- Come puoi vedere perché il suo comportamento è cambiato?Chiedi di vedere un cambiamento di comportamento e le prove che lo sostengono. Una buona risposta mostra cosa fa ora l’agente in modo diverso, da quando e quali esiti lo hanno giustificato. Se l’unica spiegazione è che il sistema “è migliorato”, non puoi difendere quel miglioramento davanti a nessun altro.
- Come si corregge o si rimuove una singola lezione?Gli errori entrano in ogni documentazione: una misurazione difettosa, una correzione che valeva solo in condizioni ristrette. Chiedi cosa serve per correggere una lezione, se cambia qualcos’altro quando lo fai e se una lezione rimossa può essere ripristinata. Una buona risposta non prevede alcun addestramento.
- Cosa succede all’esperienza quando cambi modello?I team di ricerca cambiano spesso modello. Chiedi se l’esperienza è legata ai pesi di un modello o conservata accanto al modello, e se un nuovo modello parte da ciò che il tuo team ha costruito o ricomincia da capo.
- Chi possiede ciò che impara, e chi può vederlo?Chiedi dove viene conservata l’esperienza, chi ne è proprietario e se può essere esportata. Chiedi come funziona la condivisione all’interno della tua organizzazione: se le abitudini di un ricercatore possono orientare l’agente di tutti, e se qualcosa di appreso dal tuo lavoro arriva a un’altra azienda.
- Come lo valuterai?Un buon fornitore propone un test sul tuo lavoro, con una misura concordata dai tuoi esperti prima che parta qualsiasi cosa e risultati valutati senza sapere quale configurazione li ha prodotti. I dati dei test di altri mostrano cosa è possibile. Il tuo test mostra cosa fa per il tuo team.
Come risponde MS Duplex su apprendimento e prove
MS Duplex è un livello di apprendimento che si collega all’IA che un team di ricerca usa già: Claude, Codex, Cursor, qualsiasi agente compatibile con MCP e gli agenti del team tramite l’API e il Python SDK. Impara accanto al modello, i cui pesi restano invariati. Ecco come risponde alle prime due domande.
MS Duplex impara dagli esiti e dalle correzioni degli esperti che il tuo team sceglie di acquisire: un test superato, una misurazione che arriva, una conclusione approvata da un esperto, una correzione con la motivazione che la sostiene. Ogni lezione viene conservata con le sue prove e le condizioni in cui è stata confermata, e si applica dalla richiesta successiva. Dove un nuovo caso esce da quelle condizioni, MS Duplex segnala la differenza invece di applicare la lezione come se nulla fosse cambiato.
Quando un fatto cambia, si applica il valore confermato più recente e la cronologia del cambiamento viene conservata. Questo conta per qualsiasi team i cui valori di riferimento, calibrazioni o limiti operativi si spostano con il procedere della ricerca.
Sulla seconda domanda, ogni cambiamento nel comportamento di un agente è documentato. Ciò che ha funzionato diventa la prima cosa che l’agente prova. Ciò che è fallito in certe condizioni smette di essere proposto in quelle condizioni. Ogni cambiamento è legato agli esiti che lo hanno giustificato, così quando un responsabile chiede perché l’agente oggi si comporta meglio rispetto al mese scorso, la risposta è nella documentazione, con le sue fonti.


MS Duplex mantiene anche la distinzione tra ciò che è noto e ciò che è presunto. Registra quale azione ha portato a quale esito, in quali condizioni, e dice ai tuoi ricercatori quando un legame non è ancora stato stabilito. Dove le prove sono scarse o un caso non somiglia a nulla di già visto, passa la decisione al tuo modello o la segnala a un ricercatore, con il motivo.
Come risponde MS Duplex su controllo, proprietà e modelli
Correggere e rimuovere una lezione
Ogni elemento di esperienza mostra da dove proviene, in un’unica cronologia firmata che il tuo team può esaminare ed esportare. Correggi una lezione e cambia solo quella lezione. Rimuovila e le raccomandazioni che dipendevano da essa se ne vanno con lei, mentre tutto il resto rimane. Una lezione rimossa può essere ripristinata se il tuo team cambia idea. Niente di tutto questo richiede un addestramento, perché fin dall’inizio nulla è stato addestrato nel modello.
Le tue regole stanno nello stesso posto. MS Duplex tiene separate regole e preferenze, ed entrambe restano visibili nel ragionamento dietro un passaggio. Negli ambienti governati, cioè configurazioni supportate con hook, un passaggio che viola una regola viene fermato prima di essere eseguito, e i passaggi che selezioni, come una simulazione costosa o una modifica ai dati condivisi, attendono l’approvazione di una persona. Una nuova regola si applica dalla richiesta successiva.


Proprietà e libertà di modello
L’esperienza che il tuo team costruisce vive in MS Duplex, in un archivio di proprietà della tua organizzazione, qualunque modello o fornitore tu usi. Col tempo contiene:
- Risultati confermati, ciascuno con le condizioni in cui vale
- Correzioni degli esperti, ciascuna con il suo motivo
- Decisioni, con le prove su cui si basano
- Metodi verificati che i tuoi agenti riutilizzano e adattano
- Piani, checkpoint e avanzamento delle campagne lunghe
Poiché quell’esperienza si trova accanto al modello, un nuovo modello parte con tutta l’esperienza fin dalla sua prima richiesta. Il tuo team può usare un modello per le analisi difficili e un altro per il lavoro ricorrente sullo stesso progetto, ed entrambi attingono alla stessa esperienza.
All’interno della tua organizzazione, ogni ricercatore, ogni team e l’intera organizzazione hanno un proprio livello. Le abitudini di lavoro di uno scienziato o di un ingegnere restano personali, ciò che un team conferma è condiviso con quel team, e ciò che l’organizzazione adotta come standard vale ovunque. Sono le tue regole a decidere cosa passa da un livello all’altro, persone e agenti accedono solo a ciò che il loro ambito consente, e nulla viene condiviso con un’altra azienda. Dove viene eseguito MS Duplex e come vengono trattati i tuoi dati si concorda con i tuoi responsabili della sicurezza e dei dati fin dalla prima conversazione.
Valutarlo sul tuo lavoro
La sesta domanda è quella decisiva. MS Duplex si valuta con un progetto pilota sul tuo lavoro, accanto alla tua configurazione attuale, e lo giudicano i tuoi esperti.
Scegli flussi di lavoro ricorrenti in cui le decisioni si ripetono e un’esecuzione sbagliata o inutile è costosa. Concorda la misura con i tuoi esperti prima che parta qualsiasi cosa: il costo di ogni risultato accettato e riproducibile, e il tempo degli esperti che richiede. Usa lo stesso modello, gli stessi strumenti, gli stessi dati e lo stesso budget con e senza MS Duplex. Poi fai valutare i risultati ai tuoi esperti senza che sappiano quale configurazione li ha prodotti.
Sottoponi ogni sistema che prendi in considerazione allo stesso test. Un’IA che migliora il tuo lavoro deve dimostrarlo sul tuo lavoro, con una misura che fissi tu, valutata da persone che non sapevano da dove venisse ciascuna risposta.
Domande frequenti
MS Duplex modifica il modello che usiamo?
Lascia invariati i pesi del modello. MS Duplex impara accanto al modello: per questo una lezione si applica dalla richiesta successiva, una singola lezione può essere corretta da sola e l’esperienza ti segue quando cambi modello.
MS Duplex sostituisce il fine-tuning?
Il fine-tuning mantiene il suo ruolo quando si tratta di cambiare ciò che un modello sa a tutto campo. MS Duplex lavora accanto a un modello con fine-tuning come accanto a uno generico, e fa sì che entrambi imparino dai risultati confermati del tuo team.
Possiamo verificare ciò che l’IA ha appreso?
Sì. MS Duplex conserva una cronologia firmata di ciò che è stato appreso, usato e approvato. Il tuo team può esaminarla ed esportarla, ricostruire una decisione a partire da essa, e ispezionare, correggere, rimuovere o ripristinare qualsiasi lezione.
Chi decide da cosa impara l’IA?
Il tuo team. MS Duplex impara dagli esiti e dalle correzioni che il tuo team sceglie di registrare, e sono i tuoi scienziati e ingegneri a decidere cosa viene adottato. Negli ambienti governati, i passaggi che selezioni attendono una persona prima di essere eseguiti.


Costruito da MatterSpace
MatterSpace costruisce MS Duplex per scienziati, ricercatori e ingegneri di ogni campo, perché l’IA che già usano impari da ogni risultato che confermano.









