A inizio ottobre Marcello Ascani ha pubblicato un'intervista a Davide Dattoli, il fondatore di Talent Garden, su come usa l'intelligenza artificiale. In una settimana ha superato le 160.000 visualizzazioni, e nelle aziende con cui lavoriamo ce l'hanno mandata prima ancora che la vedessimo noi.
Il sistema che Dattoli racconta si regge su tre strumenti: Notion come memoria, Fireflies per trascrivere e analizzare le chiamate, Hermes Agent come orchestratore di venticinque agenti che si scambiano informazioni in una chat comune, come farebbe un team. Sopra ci girano cose molto concrete: le offerte commerciali preparate in automatico dopo una riunione, un sistema che analizza ogni conversazione dei commerciali e manda suggerimenti a loro e al responsabile.
Vale la pena smontarlo, perché è la descrizione più chiara che sia circolata in Italia di un secondo cervello che lavora invece di archiviare. E perché tra il sistema di una persona e quello di un'azienda c'è un pezzo di ingegneria che nel video, giustamente, non si vede.
Dal second brain personale a quello aziendale
L'espressione viene da Tiago Forte, che nel 2022 ha pubblicato Building a Second Brain: un metodo per raccogliere e organizzare appunti in modo da ritrovarli quando servono. È un sistema per una persona, e funziona su Notion, Obsidian o un quaderno.
Un secondo cervello aziendale ha tre differenze, ed è da queste che dipende tutto il resto.
Agisce. Oltre a far ritrovare un documento, scrive nel CRM, prepara una bozza, apre un'attività.
Ha molti utenti. Il commerciale di Milano non deve leggere le note del direttore finanziario, e un agente che risponde a lui non deve poterle usare.
Ha molte fonti. Le informazioni non stanno in un posto solo. Stanno nel gestionale, nel CRM, nella posta, nelle cartelle condivise, e da adesso anche nelle chiamate.
I quattro pezzi
Memoria: due database, non uno
Dattoli insiste su un punto: servono due database, uno relazionale e uno vettoriale. Il motivo è che le domande che si fanno a un'azienda sono di due tipi.
Quanti ordini ha fatto questo cliente nel 2025, e con che sconto medio? è una domanda esatta. Ha una risposta sola, sta in una tabella, si risolve con una query. Un modello linguistico che prova a rispondere leggendo documenti sbaglia, e lo fa con sicurezza.
Cosa ci ha detto questo cliente sulle tempistiche, nelle ultime tre call? è una domanda di significato. La risposta è sparsa in trascrizioni e mail scritte ogni volta con parole diverse. Qui serve la ricerca vettoriale: i testi vengono spezzati in frammenti, ogni frammento diventa un vettore di numeri (un embedding) e si cercano i frammenti più vicini alla domanda. È il meccanismo che si chiama retrieval-augmented generation, RAG.
I due database possono anche essere uno solo: PostgreSQL con l'estensione pgvector tiene tabelle e vettori nello stesso posto, ed è spesso la scelta più semplice da mantenere. Quello che conta è tenere separati i due tipi di domanda; il numero di server è un dettaglio.
Le chiamate come fonte
È la novità che nel video colpisce di più, ed è anche la fonte più ricca. Una call di quaranta minuti contiene obiezioni, budget, tempi, nomi: tutte cose che nel CRM finiscono, se va bene, in due righe scritte di fretta.
La catena è trascrizione, separazione dei parlanti (diarization), sintesi, estrazione dei campi strutturati. Fireflies la fa come servizio. La stessa catena si può far girare su un modello installato in azienda, quando le chiamate non devono uscire. In entrambi i casi chi partecipa va informato prima che la registrazione parta.
Agenti: un compito ciascuno
Un agente è un modello linguistico con degli strumenti a disposizione e un obiettivo. I sistemi che reggono hanno agenti piccoli: uno prepara l'offerta, uno aggiorna l'opportunità nel CRM, uno controlla le scadenze. I venticinque agenti di Dattoli vanno letti così: venticinque mansioni, ciascuna con il suo perimetro.
Per collegarli ai sistemi aziendali oggi esiste uno standard, il Model Context Protocol (MCP), introdotto da Anthropic a fine 2024: un server MCP espone il CRM o il gestionale come insieme di strumenti che qualunque agente compatibile sa usare. Vuol dire scrivere il connettore una volta sola.
Orchestratore: cosa fa Hermes Agent
Hermes Agent è un agente open source sviluppato da Nous Research, con licenza MIT. Dalla documentazione:
- tiene una memoria persistente curata dall'agente stesso, in file di testo (
MEMORY.mdper quello che impara sull'ambiente,USER.mdper le preferenze di chi lo usa), e può cercare nelle conversazioni passate; - dopo un compito complesso scrive da solo una skill, cioè una procedura riutilizzabile, nel formato aperto di agentskills.io, e la migliora con l'uso;
- può lanciare sotto-agenti isolati per lavori in parallelo, ed è qui che fa da orchestratore;
- si collega a qualunque server MCP e ha più di quaranta strumenti propri;
- parla attraverso un unico gateway su Slack, Telegram, WhatsApp, Signal, Discord e posta;
- funziona con qualunque modello, via OpenRouter, OpenAI o un endpoint proprio;
- si installa sui propri server: la documentazione suggerisce che basti una macchina virtuale da cinque dollari.
C'è una distinzione che conviene avere chiara. La memoria di Hermes è la memoria dell'agente: le sue note su come lavorare, su chi gli parla, su cosa ha già provato. Non è l'archivio dell'azienda. Quello resta nella memoria del punto precedente, e Hermes ci arriva attraverso gli strumenti. Chi prova a usare MEMORY.md come base di conoscenza aziendale scopre in fretta che è un taccuino di appunti, pensato per stare dentro il contesto del modello. Un archivio da interrogare è un'altra cosa.
Dove si rompe
Il sistema di una persona perdona molto, perché la persona sa cosa ha messo dentro. Quando gli utenti diventano cinquanta, emergono quattro problemi che nel video non si vedono.
Due verità. Se l'offerta sta in una cartella e il prezzo aggiornato nel gestionale, la memoria vettoriale restituisce la versione sbagliata con la stessa sicurezza di quella giusta. Ogni dato deve avere una fonte di verità dichiarata, e la ricerca deve sapere quale vince.
Permessi. Il controllo su chi può vedere cosa va applicato nel momento in cui si recuperano i frammenti. Un agente che ha già letto un documento riservato può citarlo in una risposta a chi non doveva vederlo, anche se poi l'interfaccia lo nasconde.
Istruzioni nascoste nei dati. Un agente che legge la posta e ha accesso al CRM può ricevere una mail scritta apposta per dargli istruzioni. Si chiama prompt injection, ed è il motivo per cui gli agenti che leggono contenuti esterni non devono avere permessi di scrittura larghi e le azioni con conseguenze passano da una conferma umana.
Misura. L'impressione che il sistema funzioni arriva presto, e da sola non dice niente. Serve un numero di partenza, per esempio le ore che servono oggi per preparare un'offerta, e lo stesso numero misurato tre mesi dopo.
Il pezzo da costruire per primo
Nei progetti che abbiamo visto partire bene, il primo pezzo costruito è stato la memoria. Un agente senza accesso a quello che l'azienda sa è un chatbot con qualche strumento in più, e risponde in modo generico perché non sa niente di specifico. Una memoria ben fatta, con le fonti giuste e i permessi giusti, rende utile anche l'agente più semplice, e i successivi si aggiungono uno alla volta.
Letto con attenzione, anche il sistema di Dattoli racconta soprattutto questo: venticinque agenti funzionano perché sotto c'è un archivio tenuto in ordine, con le chiamate trascritte e le note in un posto solo. È la parte meno spettacolare da mostrare in un video, e quella che costa più tempo farla bene.
Costruiamo agenti e memoria dentro i sistemi che le aziende usano già. Se volete capire da quale processo partire, scriveteci.
Fonti: Marcello Ascani con Davide Dattoli, Come Automatizzare il Lavoro e la Vita con l'AI · Hermes Agent, Nous Research (GitHub) · Model Context Protocol · pgvector · Tiago Forte, Building a Second Brain, Atria Books, 2022