I team di ricerca cambiano spesso modello. Una nuova release ragiona meglio nelle analisi difficili, un altro modello gestisce il lavoro ricorrente a un costo inferiore, un gruppo passa da un assistente a un altro. Ogni cambio porta qualcosa di utile, e ognuno mette a rischio ciò che il team ha insegnato al modello che sta lasciando.
Quell’insegnamento è facile da sottovalutare perché si accumula in silenzio: una correzione fatta da un esperto di lunedì, un metodo approvato da due revisori, un limite operativo confermato nel corso di una serie di esecuzioni. Questo articolo parla di dove dovrebbe risiedere quell’esperienza, di cosa succede il giorno in cui un team cambia modello e di come mantenere tuo ciò che hai costruito.
Ciò che il tuo team costruisce con la sua IA
Ogni sessione con un agente di ricerca produce più di una risposta. Una parte di ciò che produce merita di essere conservata, perché per stabilirla sono serviti tempo degli esperti, calcolo o tempo di laboratorio. In MS Duplex, ecco cosa si accumula mentre il tuo team lavora:
- Risultati confermati dal team, ciascuno con le condizioni in cui vale
- Correzioni dei tuoi esperti, ciascuna con il motivo che la giustifica
- Decisioni, con le prove su cui si basavano
- Metodi verificati dal team, che gli agenti riutilizzano e adattano
- Piani, checkpoint e avanzamento delle campagne lunghe
- Quali strumenti hanno funzionato per quale tipo di problema
Nella maggior parte delle configurazioni, quasi tutto questo scompare quando una sessione finisce. La trascrizione può essere salvata da qualche parte, ma la sessione successiva non parte da lì, e il modello successivo non l’ha vista. In MS Duplex si accumula in un patrimonio di proprietà della tua organizzazione, con ogni elemento conservato accanto alla sua fonte, pronto per qualunque sessione, agente o modello riprenda il lavoro.


Perché l’esperienza dovrebbe stare accanto al modello
I team conservano ciò che hanno insegnato alla loro IA in alcuni luoghi comuni, e ognuno ha la sua utilità. Il fine-tuning incorpora la conoscenza nei pesi di un modello tramite un addestramento su un dataset preparato. È adatto a cambiare ciò che un modello sa in modo generale. La conoscenza che aggiunge appartiene però a quel modello, e quando arriva la release successiva il lavoro va rifatto per quella.
I file di istruzioni e le librerie di prompt si spostano più facilmente, e molti team ne tengono uno per ogni strumento che usano. Contengono ciò che qualcuno ha scritto, tendono a crescere con ogni modello che il team adotta, e qualcuno deve mantenere ogni copia allineata con la ricerca.
MS Duplex conserva l’esperienza accanto al modello, lasciandone invariati i pesi. Un risultato confermato o una correzione di un esperto viene appreso una volta, conservato con le sue prove e le sue condizioni e offerto a qualunque modello il team stia usando. Cambiare modello cambia ciò che ragiona sull’esperienza. L’esperienza in sé resta dov’era.
Questa separazione conta soprattutto quando un team sta valutando un aggiornamento. Quando l’esperienza è legata a un modello, un team ha un motivo per restarci anche dopo l’arrivo di uno migliore, perché spostarsi costerebbe quanto è servito per costruirla. Quando l’esperienza risiede accanto al modello, un team può giudicare una nuova release in base ai suoi meriti per il lavoro che ha davanti.
Cosa succede il giorno in cui cambi modello
Immagina che l’agente di un team abbia pianificato esecuzioni e revisionato analisi su un progetto lungo. Gli esperti lo hanno corretto più volte, il team ha approvato due metodi e il piano ha raggiunto il terzo checkpoint. Arriva un nuovo modello che il team vuole usare per le analisi più difficili. Il cambio va così.
- Il team cambia il modelloL’agente passa al nuovo modello, oppure il team passa a un altro assistente: Claude, Codex, Cursor, un altro agente compatibile con MCP o un proprio agente costruito sull’API e sul Python SDK. Il cambio non tocca l’esperienza in MS Duplex.
- La prima richiesta attinge a ciò che il team ha costruitoLa prima richiesta del nuovo modello ha già a portata di mano le correzioni, i risultati confermati e i metodi approvati, ciascuno con la sua fonte.
- Il piano riprende dal suo checkpointL’obiettivo, le decisioni prese finora e l’avanzamento vengono trasferiti, così l’agente continua dal terzo checkpoint e nessuno deve rispiegare il progetto.
- I metodi vengono verificati dove vengono usatiAnche il nuovo modello applica i metodi approvati, e ognuno viene riverificato dove viene usato. Dove un caso differisce dalle condizioni in cui una lezione è stata confermata, MS Duplex lo segnala.
- I nuovi risultati si aggiungono alla stessa esperienzaCiò che il team conferma lavorando con il nuovo modello viene conservato con la sua fonte, accanto a tutto ciò che c’era prima, pronto per qualsiasi modello il team userà in seguito.
Non c’è nulla da riaddestrare per il nuovo modello, perché l’esperienza del team risiede in MS Duplex, accanto al modello. Il lavoro che il team fa il giorno del cambio è scegliere il modello. L’esperienza segue, con ogni fonte documentata.
Il modello giusto per ogni compito
Libertà di cambiare significa anche libertà di usare più di un modello alla volta. I compiti sono diversi. Un modello può ragionare meglio in un’analisi difficile, un altro può essere più adatto al lavoro ricorrente a un costo inferiore, e un team dovrebbe essere libero di usarli entrambi sullo stesso progetto.
Quando l’esperienza risiede in MS Duplex, ogni modello attinge allo stesso patrimonio. Un modo sensato di dividere il lavoro:
- Le decisioni ricorrenti, come raccomandare le impostazioni per l’esecuzione successiva o classificare i candidati in base a criteri concordati, su un modello scelto per il costo
- Le analisi difficili e i casi non familiari sul modello di cui il tuo team si fida di più per un ragionamento accurato
- Le revisioni di analisi e progetti nell’assistente preferito dai tuoi revisori
- I tuoi agenti e le tue pipeline, tramite l’API e il Python SDK, ciascuno sul modello adatto al suo compito
Ciò che un modello conferma è disponibile per l’altro. Una correzione che un esperto fa durante una revisione con un modello si applica quando l’altro modello incontra un caso corrispondente. Un metodo verificato durante le analisi difficili diventa disponibile per il lavoro ricorrente, riverificato dove viene usato.
I colleghi ottengono la stessa libertà. Gli agenti che autorizzi accedono alla stessa esperienza, così un ricercatore che preferisce un assistente diverso parte da dove il resto del team si è fermato, e l’agente di un collega può riprendere un lavoro iniziato dal tuo.


Mantenere tuo ciò che hai costruito
L’esperienza che un team costruisce con MS Duplex appartiene alla sua organizzazione, qualunque modello o fornitore usi. Risiede in un archivio di proprietà della tua organizzazione, e sono le tue regole a decidere quali persone e quali agenti possono accedervi. Persone e agenti vedono solo ciò che il loro ambito consente, e i permessi restano sotto i tuoi controlli.
Resta organizzata come lo è la tua organizzazione. Ogni ricercatore, ogni team e l’organizzazione hanno il proprio livello: le abitudini di lavoro di uno scienziato o di un ingegnere restano personali, ciò che un team conferma viene condiviso con quel team, e ciò che l’organizzazione adotta come standard si applica ovunque. Sono le tue regole a decidere cosa passa tra i livelli, e nulla viene condiviso con un’altra azienda. Cambiare modello lascia tutto questo com’era.
Resta anche verificabile. Ogni elemento conserva la sua fonte, così quando un nuovo modello fa una raccomandazione, il tuo team può vedere su quali lezioni si è basato e da dove proviene ciascuna. La cronologia di ciò che è stato appreso, usato e approvato è firmata e pronta per l’esportazione. Se una lezione si rivela sbagliata, il tuo team corregge o rimuove quella sola lezione, e la modifica vale per ogni modello che il team usa.
Domande frequenti
Con cosa parte un nuovo modello?
Con tutto ciò che il tuo team ha costruito in MS Duplex: risultati confermati con le loro condizioni, correzioni degli esperti con i loro motivi, decisioni con le loro prove, metodi verificati, piani e avanzamento, e ciò che il team ha imparato sui suoi strumenti. Ogni elemento conserva la sua fonte.
Tra quali assistenti e agenti possiamo spostarci?
Claude, Codex, Cursor e altri agenti compatibili con MCP si collegano direttamente, e i tuoi agenti e le tue pipeline si collegano tramite l’API e il Python SDK. Il tuo team può usarne diversi alla volta, e tutti attingono alla stessa esperienza.
MS Duplex funziona accanto a un modello sottoposto a fine-tuning?
Sì. Funziona accanto a un modello sottoposto a fine-tuning come a uno generico, e fa imparare entrambi dal tuo lavoro. Se il tuo team fa il fine-tuning di un modello per un compito, l’esperienza in MS Duplex è disponibile per quel modello e per la release successiva.
Di chi è l’esperienza che il nostro team costruisce?
La tua organizzazione, qualunque modello o fornitore tu usi. Sono le tue regole a decidere quali persone e quali agenti possono accedervi, e la cronologia firmata di ciò che è stato appreso, usato e approvato può essere esportata.


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.









