L’obiettivo è sostituire, almeno in parte, la dipendenza dalla ricerca per parole chiave con il recupero attraverso un nome o un indirizzo semantico stabile. In pratica, un concetto aziendale ricorrente dovrebbe avere sempre lo stesso riferimento, anche se cambiano il modello AI, l’interfaccia o la sessione di lavoro.

Starling definisce il risultato un Domain Language Model (DLM). Non si tratta necessariamente di addestrare un nuovo modello: un LLM generalista e privo di memoria permanente viene messo nelle condizioni di lavorare, al momento della richiesta, con la memoria strutturata e governata dell’organizzazione.

L’analogia usata dall’azienda è quella di una biblioteca. Il modello può essere sostituito, aggiornato o cambiare fornitore; il catalogo e la collezione di riferimento, invece, restano organizzati e durevoli.

Come funzionano gli indirizzi semantici fissi

Gli indirizzi semantici assegnano identificatori permanenti ai concetti organizzativi. Un esempio citato da Starling è un indirizzo dedicato al posizionamento competitivo: invece di chiedere al modello di dedurre ogni volta quale documento sia più rilevante tra molti risultati, il sistema punta al riferimento canonico associato a quel concetto.

La proposta distingue due livelli di conoscenza:

• la Org Library, che dovrebbe contenere i record organizzativi ufficiali, versionati e sottoposti a governance;
• le Resources, che raccolgono materiali di supporto, documenti di lavoro e contenuti generati o utilizzati come riferimento.

Questa separazione serve a distinguere il “canone” dell’organizzazione dai materiali utili per lavorare. Il primo dovrebbe rappresentare ciò che è autorevole; i secondi possono servire per consultazione, analisi e produzione di nuovi output.

Il repository è pensato con un approccio text-first: i record vengono conservati come file Markdown in testo semplice, anziché come uno stato opaco interno al modello. Secondo Starling, questo li rende più facili da leggere, ispezionare, versionare e trasferire, sia per le persone sia per i software.

Un manifest lato macchina seleziona e assembla il contesto rilevante del repository prima di inviarlo al modello. La governance umana, invece, stabilisce quali contenuti siano ufficiali e aiuta a limitare aggiornamenti incontrollati o derive informative.

Il ruolo del Model Context Protocol

Starling presenta il Model Context Protocol (MCP) di Anthropic come il livello di connessione che permette ai modelli di accedere a contesti organizzativi esterni. UCA, in questo schema, fornisce la struttura comune e gli indirizzi semantici con cui quel contesto viene organizzato.

La combinazione dovrebbe rendere più semplice collegare modelli differenti alla stessa base di conoscenza. Il valore non risiederebbe quindi nella cronologia conversazionale o nella funzione di memoria proprietaria di un singolo fornitore, ma nel repository controllato dall’organizzazione e nel suo sistema di classificazione.

È questa la logica sintetizzata dallo slogan di Starling: “il modello dimentica; l’organizzazione ricorda”. Il modello è un motore di ragionamento sostituibile; la memoria governata dell’istituzione è l’asset che dovrebbe restare nel tempo.

Sovranità dei dati e rischio di lock-in

Per Chris Kincade, CEO di Starling Memory Works, la sovranità nell’AI non consiste soltanto nel possedere GPU, ospitare l’infrastruttura in locale o scegliere un fornitore nazionale di modelli. In questa prospettiva, significa mantenere il controllo sulle decisioni ufficiali, sulle policy, sulle conoscenze operative, sulla provenienza dei contenuti e sui permessi di accesso: in altre parole, sul “canone” da cui ogni modello trae le proprie conclusioni.

Se un modello viene sostituito, aggiornato, reso indisponibile o non viene più considerato accettabile per ragioni di governance, l’organizzazione dovrebbe poter conservare gli stessi record e collegarli a un altro sistema.

Questo approccio potrebbe ridurre il lock-in, perché sposta il valore principale dalla memoria proprietaria del provider alla base informativa controllata dall’azienda. Può inoltre aumentare la resilienza: i modelli restano intenzionalmente privi di memoria durevole sull’organizzazione, mentre il repository rimane la fonte di verità verificabile.

A che cosa serve e quali prove esistono

I materiali di Starling collegano l’architettura a scenari come coaching personale, marketing, gestione delle costruzioni e servizi legali. Viene inoltre riportata una testimonianza di Brady Patterson di SelfOS, secondo cui dare alla conoscenza “un punto di ancoraggio chiaro” avrebbe ridotto la perdita di contesto e la deriva dei dati.

Questi elementi, però, vanno interpretati con cautela. La testimonianza di SelfOS è un endorsement di un utilizzatore o partner, non una validazione indipendente dell’efficacia del prodotto. Inoltre, le informazioni disponibili non permettono di verificare in modo sufficiente il rapporto con QuillOS, la portata delle eventuali implementazioni o i risultati ottenuti in termini di accuratezza, costi o prestazioni.

La cautela da tenere presente

UCA e Starling MX sono proposte recenti e molte delle affermazioni tecniche e commerciali più dettagliate provengono direttamente dai materiali dell’azienda o da articoli di lancio. L’idea di una memoria organizzativa portabile, testuale e sottoposta a governance è plausibile sul piano concettuale.

Non ci sono però, nelle evidenze disponibili, elementi indipendenti sufficienti per dimostrare che l’architettura garantisca già maggiore accuratezza, costi inferiori, sicurezza superiore o piena indipendenza dai fornitori di modelli AI. La promessa è quindi chiara; la sua efficacia concreta dovrà essere verificata attraverso implementazioni reali e valutazioni esterne.

L’obiettivo è sostituire, almeno in parte, la dipendenza dalla ricerca per parole chiave con il recupero attraverso un nome o un indirizzo semantico stabile. In pratica, un concetto aziendale ricorrente dovrebbe avere sempre lo stesso riferimento, anche se cambiano il modello AI, l’interfaccia o la sessione di lavoro.

Starling definisce il risultato un Domain Language Model (DLM). Non si tratta necessariamente di addestrare un nuovo modello: un LLM generalista e privo di memoria permanente viene messo nelle condizioni di lavorare, al momento della richiesta, con la memoria strutturata e governata dell’organizzazione.

L’analogia usata dall’azienda è quella di una biblioteca. Il modello può essere sostituito, aggiornato o cambiare fornitore; il catalogo e la collezione di riferimento, invece, restano organizzati e durevoli.

Come funzionano gli indirizzi semantici fissi

Gli indirizzi semantici assegnano identificatori permanenti ai concetti organizzativi. Un esempio citato da Starling è un indirizzo dedicato al posizionamento competitivo: invece di chiedere al modello di dedurre ogni volta quale documento sia più rilevante tra molti risultati, il sistema punta al riferimento canonico associato a quel concetto.

La proposta distingue due livelli di conoscenza:

• la Org Library, che dovrebbe contenere i record organizzativi ufficiali, versionati e sottoposti a governance;
• le Resources, che raccolgono materiali di supporto, documenti di lavoro e contenuti generati o utilizzati come riferimento.

Questa separazione serve a distinguere il “canone” dell’organizzazione dai materiali utili per lavorare. Il primo dovrebbe rappresentare ciò che è autorevole; i secondi possono servire per consultazione, analisi e produzione di nuovi output.

Il repository è pensato con un approccio text-first: i record vengono conservati come file Markdown in testo semplice, anziché come uno stato opaco interno al modello. Secondo Starling, questo li rende più facili da leggere, ispezionare, versionare e trasferire, sia per le persone sia per i software.

Un manifest lato macchina seleziona e assembla il contesto rilevante del repository prima di inviarlo al modello. La governance umana, invece, stabilisce quali contenuti siano ufficiali e aiuta a limitare aggiornamenti incontrollati o derive informative.

Il ruolo del Model Context Protocol

Starling presenta il Model Context Protocol (MCP) di Anthropic come il livello di connessione che permette ai modelli di accedere a contesti organizzativi esterni. UCA, in questo schema, fornisce la struttura comune e gli indirizzi semantici con cui quel contesto viene organizzato.

La combinazione dovrebbe rendere più semplice collegare modelli differenti alla stessa base di conoscenza. Il valore non risiederebbe quindi nella cronologia conversazionale o nella funzione di memoria proprietaria di un singolo fornitore, ma nel repository controllato dall’organizzazione e nel suo sistema di classificazione.

È questa la logica sintetizzata dallo slogan di Starling: “il modello dimentica; l’organizzazione ricorda”. Il modello è un motore di ragionamento sostituibile; la memoria governata dell’istituzione è l’asset che dovrebbe restare nel tempo.

Sovranità dei dati e rischio di lock-in

Per Chris Kincade, CEO di Starling Memory Works, la sovranità nell’AI non consiste soltanto nel possedere GPU, ospitare l’infrastruttura in locale o scegliere un fornitore nazionale di modelli. In questa prospettiva, significa mantenere il controllo sulle decisioni ufficiali, sulle policy, sulle conoscenze operative, sulla provenienza dei contenuti e sui permessi di accesso: in altre parole, sul “canone” da cui ogni modello trae le proprie conclusioni.

Se un modello viene sostituito, aggiornato, reso indisponibile o non viene più considerato accettabile per ragioni di governance, l’organizzazione dovrebbe poter conservare gli stessi record e collegarli a un altro sistema.

Questo approccio potrebbe ridurre il lock-in, perché sposta il valore principale dalla memoria proprietaria del provider alla base informativa controllata dall’azienda. Può inoltre aumentare la resilienza: i modelli restano intenzionalmente privi di memoria durevole sull’organizzazione, mentre il repository rimane la fonte di verità verificabile.

A che cosa serve e quali prove esistono

I materiali di Starling collegano l’architettura a scenari come coaching personale, marketing, gestione delle costruzioni e servizi legali. Viene inoltre riportata una testimonianza di Brady Patterson di SelfOS, secondo cui dare alla conoscenza “un punto di ancoraggio chiaro” avrebbe ridotto la perdita di contesto e la deriva dei dati.

Questi elementi, però, vanno interpretati con cautela. La testimonianza di SelfOS è un endorsement di un utilizzatore o partner, non una validazione indipendente dell’efficacia del prodotto. Inoltre, le informazioni disponibili non permettono di verificare in modo sufficiente il rapporto con QuillOS, la portata delle eventuali implementazioni o i risultati ottenuti in termini di accuratezza, costi o prestazioni.

La cautela da tenere presente

UCA e Starling MX sono proposte recenti e molte delle affermazioni tecniche e commerciali più dettagliate provengono direttamente dai materiali dell’azienda o da articoli di lancio. L’idea di una memoria organizzativa portabile, testuale e sottoposta a governance è plausibile sul piano concettuale.

Non ci sono però, nelle evidenze disponibili, elementi indipendenti sufficienti per dimostrare che l’architettura garantisca già maggiore accuratezza, costi inferiori, sicurezza superiore o piena indipendenza dai fornitori di modelli AI. La promessa è quindi chiara; la sua efficacia concreta dovrà essere verificata attraverso implementazioni reali e valutazioni esterne.