La corporate knowledge è una delle risorse più preziose per un’organizzazione, ma molte aziende faticano a sfruttarne appieno il potenziale. Le informazioni rimangono spesso nascoste in data silos isolati all'interno dei singoli dipartimenti, rendendo molto più complesso il knowledge sharing e la collaborazione. Quando i collaboratori più esperti lasciano l’azienda, si creano inevitabilmente knowledge gaps, perché il know-how accumulato non è stato documentato né trasferito. Inoltre, spesso manca una cultura aziendale che promuova attivamente la condivisione e la documentazione della conoscenza. A ciò si aggiunge il flusso quotidiano di informazioni, nel quale i dipendenti faticano a identificare ciò che è realmente rilevante.
La Generative AI ha il potenziale per superare questi ostacoli. Rende la conoscenza disponibile esattamente dove serve, che si tratti di documentazione, onboarding o collaborazione quotidiana. I risultati del recente studio di Sopra Steria, «Disruptive potential: How generative AI is defining new business models», mostrano chiaramente la velocità con cui questa trasformazione sta avvenendo: sei decisori su dieci tra gli intervistati ritengono che l’utilizzo della tecnologia cambierà il knowledge management nei prossimi tre anni.
Semantic search nella ricerca di conoscenza
Oggi le aziende utilizzano prevalentemente sistemi di ricerca tradizionali, come quelli integrati nei sistemi operativi, ad esempio Windows, oppure presenti in wiki e intranet interni. Questi strumenti raggiungono spesso i loro limiti quando devono gestire un’enorme quantità di informazioni e, di conseguenza, forniscono risultati rilevanti solo in misura limitata. La Generative AI può risolvere questo problema grazie a una comprensione più profonda del contesto delle query di ricerca.
A differenza dei sistemi convenzionali, una semantic search comprende il significato della richiesta e restituisce risultati coerenti con il contesto, anche se i termini non corrispondono esattamente. Se integrata con chatbot dotati di interfaccia in linguaggio naturale, la ricerca di conoscenza diventa ancora più intuitiva. I dipendenti possono porre domande con un linguaggio quotidiano e ricevere risposte precise, complete di fonti. Le ricerche manuali lunghe e complesse non sono più necessarie: la conoscenza rilevante è disponibile on demand, in modo rapido, chiaro e user-friendly.
Finora, solo il 40% dei decisori intervistati si aspetta che la GenAI trasformi la collaborazione a livello interpersonale, tecnico e organizzativo, come evidenziano i risultati dello studio. Tuttavia, uno sguardo ad alcuni esempi applicativi, presso un service provider e nella pubblica amministrazione, mostra come questa tecnologia possa già oggi aumentare l’efficienza in modo significativo.
Knowledge search in Specialsitter: come la GenAI ottimizza un company wiki
Specialsitter, un provider in rapida crescita di servizi di assistenza e cura per giovani con disabilità, si è trovata ad affrontare una sfida significativa. Il company wiki, concepito come fonte centrale di informazioni per gli specialisti, era diventato troppo esteso a causa della crescita dell’organizzazione. I dipendenti faticavano a trovare informazioni rilevanti utilizzando una semplice ricerca basata su keyword. Questa inefficienza impattava in particolare il processo di onboarding dei nuovi collaboratori e generava continue richieste di supporto ai colleghi.
Per migliorare la knowledge search, Specialsitter ha implementato una soluzione basata su GenAI con il supporto degli esperti di Sopra Steria. Al centro del progetto c'è una web application che funziona come un chatbot: i dipendenti possono inserire le proprie domande in linguaggio naturale. L’AI analizza i dati disponibili e fornisce risposte fact-based attingendo esclusivamente alle fonti esistenti. Questo approccio, noto come Retrieval Augmented Generation (RAG), riduce al minimo il rischio di interpretazioni errate o delle cosiddette AI hallucinations. Le domande per le quali non esistono informazioni sufficienti vengono segnalate in modo trasparente.
Le risposte non sono semplici estratti di documenti, ma vengono formulate integrando tutti i dati rilevanti. Questo garantisce ai dipendenti informazioni precise e complete. Oggi, ad esempio, possono chiedere «Quali regole valgono per i team meeting?» e ottenere in pochi secondi una risposta dettagliata, comprensiva delle fonti. Questo sistema di Q&A efficiente non solo aumenta la produttività, ma assicura anche una qualità del supporto costante in tutte le sedi.
Knowledge management nella pubblica amministrazione
Così come le aziende, anche la pubblica amministrazione è alla ricerca di modalità più efficienti per gestire la propria conoscenza. In un’autorità statale, la Generative AI viene utilizzata per analizzare grandi volumi di dati parlamentari, come le interrogazioni a risposta breve. L’obiettivo è semplificare il lavoro amministrativo, fornendo informazioni rilevanti in modo più rapido e preciso.
Anche questo sistema di ricerca si basa su un Large Language Model (LLM), che si affida esclusivamente a fonti esistenti ed è progettato per ridurre al minimo il rischio di interpretazioni errate. Una funzionalità aggiuntiva particolarmente utile è la possibilità di supportare attività testuali, come la creazione di summaries o la rewording di contenuti. Questa versatilità consente al personale amministrativo di risparmiare tempo prezioso, da dedicare ad altre attività a maggiore valore aggiunto.
Come Deutsche Bahn utilizza la Generative AI per ottimizzare i processi interni
Anche Deutsche Bahn sta adottando la Generative AI per ottimizzare i propri processi interni. Uno dei principali use case riguarda la gestione di un vasto corpus di regolamenti, alcuni dei quali possono raggiungere le 1.000 pagine. Questi documenti contengono specifiche critiche per la sicurezza relative alle operazioni, alla manutenzione e ai servizi a bordo. Con la soluzione personalizzata BahnGPT, l’azienda ha creato una piattaforma che offre ai dipendenti un accesso rapido alle informazioni rilevanti.
Grazie all’implementazione di un modello linguistico specificamente adattato nel backend, è possibile effettuare query in linguaggio naturale. Le risposte si basano esclusivamente su fonti approvate e verificate, garantendo la conformità agli standard di sicurezza e data protection. La semantic search e la capacità dell’AI di gestire richieste complesse semplificano in modo significativo il lavoro quotidiano dei team che si occupano di information security, supporto tecnico e operations.
Prima dell’introduzione di BahnGPT, la consultazione delle normative era spesso lunga e soggetta a errori. Con la nuova soluzione, i dipendenti possono ottenere risposte precise in pochi secondi senza dover effettuare ricerche estese tra i documenti. Questo non solo consente un notevole risparmio di tempo, ma aumenta anche l’affidabilità operativa. Deutsche Bahn prevede di estendere la tecnologia ad altre aree applicative in futuro, così da ottimizzare ulteriormente i processi e migliorare la qualità dei servizi.
Conclusione: un knowledge management moderno per decisioni migliori
La Generative AI sta trasformando il modo in cui aziende e pubbliche amministrazioni organizzano e utilizzano la conoscenza. Gli esempi di Specialsitter, dell’autorità statale e di Deutsche Bahn mostrano in modo evidente che la tecnologia non solo aumenta l’efficienza, ma può anche migliorare la qualità delle decisioni.
Dalle semantic search alle applicazioni custom come BahnGPT, la Generative AI apre nuove possibilità per mettere a disposizione la conoscenza in modo mirato e contestuale. L’adozione di queste tecnologie riduce lo sforzo richiesto per la ricerca, limita la perdita di know-how e incrementa la produttività.
Le esperienze pratiche dimostrano chiaramente che chi sceglie di adottare queste soluzioni innovative in una fase precoce può garantirsi un vantaggio competitivo decisivo, tanto nel settore privato quanto nella pubblica amministrazione.
Contenuto originale pubblicato il 25 Agosto 2025: Rethinking knowledge management with generative AI.
____________________________________________________