La Guida alla Company Brain

1.Cos'è una Company Brain (e cosa NON è)

Una Company Brain (o second brain aziendale) è un archivio di conoscenza strutturato apposta perché un'AI lo legga e lo navighi: una rete di piccole note collegate che l'AI percorre come una mappa, per rispondere con il tuo contesto. Risolve il fatto che la conoscenza è sparsa in tre posti:

• Nelle chat (Slack, email, file dispersi): si perde, nessuno ricorda dov'è.
• Nella testa delle persone (il "top performer"): se se ne va, un pezzo di azienda esce con lei.
• In mille strumenti (un PDF qui, un Excel là): frammentata e inutilizzabile.

Cosa NON è: non è ChatGPT/Claude "nudo". Se tu e il concorrente usate la stessa AI senza un contesto vostro, ottenete le stesse risposte: zero vantaggio. La Brain dà all'AI ciò che solo tu hai — i tuoi dati.

2.Perché farla ora: i numeri e il vantaggio competitivo

• 19% della settimana se ne va a cercare informazioni (≈1 giorno su 5). McKinsey.
• Un nuovo assunto: 8–12 mesi per diventare produttivo. HBR.
• Chi se ne va porta via la conoscenza: impatto su fatturato, training, tempo.

Una Brain che migliora ogni giorno crea un vantaggio cumulativo: l'AI ti conosce sempre meglio e il distacco dai concorrenti cresce.

3.Dizionario minimo

Obsidian

App gratuita che mostra una cartella di file di testo (Markdown) come una rete di note collegate. È un layer sopra la cartella: i dati restano file sul tuo computer.

Markdown (.md)

Formato di testo semplice, lo standard che le AI digeriscono meglio.

Wikilink [[Nota]]

Collegamento da una nota a un'altra: il "filo" che l'AI percorre.

Backlink

Il collegamento al contrario: se A punta a B, B "sa" di essere citata da A.

Front matter (YAML)

Blocchetto in cima alla nota (tra ---) con titolo, riassunto, tag, link. L'AI lo legge per primo per decidere se la nota serve.

Graph view

La vista "a palla" con tutte le note e i collegamenti.

Claude Code / Cowork

L'AI che apre la cartella, legge e naviga i file: il "motore" della Brain.

Canon

La "bibbia" aziendale: un unico documento con tutti e soli i fatti veri (anti-allucinazione).

Nota atomica

Una nota = una sola idea, autonoma (concetto dello Zettelkasten).

Hub (Map of Content)

Nota-indice che collega tante note di un'area.

RAG

Retrieval-Augmented Generation: ricerca per somiglianza di significato (vettori), utile con migliaia di note.

Version control

Storico delle versioni (GitHub/Google Drive): si torna indietro e si condivide un'unica copia.

4.L'architettura a strati (la mappa del sistema)

Strato	Strumento	A cosa serve
Layer AI	Obsidian (note .md)	Il cervello: note + collegamenti che l'AI naviga
Motore	Claude Code / Cowork	Legge, scrive e naviga le note
Qualità	Script Python + _index + llms.txt	Brain pulita, senza orfani, efficiente in token
Version control	GitHub / Google Drive	Storico, backup, unica fonte di verità
Layer visivo	Notion / HTML	Cruscotto per le persone (team o cliente)
Scala	RAG (Qdrant/Supabase/Pinecone)	Ricerca semantica con migliaia di note
Memoria viva	skill journal	Registra sessioni e giornate: l'AI "ricorda"

5.Obsidian: note, wikilink e front matter

Installazione. Scarica Obsidian, crea una cartella (es. Aurora Cervello), poi Open folder as vault. Ogni nota è un file .md.

Collegare due note. Scriverle separate le lascia scollegate. Per collegarle si usano le parentesi quadre:

Il commerciale di riferimento è [[persona-elena-ferraro]].

Si crea un wikilink (A→B) e un backlink (B sa di essere citata). Ora l'AI può "diramarsi" verso la persona e prenderne tutto il contesto.

Front matter. L'AI legge prima questo blocco e prosegue solo se è rilevante (meno token, meno allucinazioni):

---
title: Identità di Aurora Sistemi
summary: Hub centrale; SaaS gestione patrimonio immobiliare, Milano 2018.
tags: [self, identita, hub]
type: identita
status: active
related: ["[[persona-elena-ferraro]]", "[[area-finance-operations]]"]
---

Regole d'oro: summary chiaro (è ciò che l'AI legge per prima); primo tag = la cartella; almeno 3 wikilink in related su una sola riga; se il front matter è rosso è "rotto" → chiedi a Claude di sistemarlo.

6.Tassonomia vs Ontologia: le 11 cartelle

Tassonomia = come archivi (le cartelle). Ontologia = come colleghi (i wikilink). La logica di archiviazione scelta è l'azionabilità. La struttura è agnostica (funziona per ogni business):

#	Cartella	Cosa contiene
1	self	Chi siamo: identità, missione, visione, offerte, obiettivi.
2	areas	Responsabilità continue (reparti): sales, marketing… (freelancer: i canali).
3	projects	Lavori con inizio e fine (one-off).
4	sources	L'inbox grezza: appunti, articoli.
5	concepts	Definizioni per l'AI: cos'è "ARR", cos'è "churn".
6	docs	Le SOP (procedure interne).
7	entities	Nomi propri: persone, prodotti, fornitori, tool.
8	data	I numeri in tabella: KPI, report, valori.
9	code	Script e automazioni ricorrenti.
10	outputs	Deliverable finiti: proposte, case study, contratti.
11	workspace	La memoria viva: diario di sessioni e giorni.

7.Note atomiche, Canon e Hub

Note atomiche (Zettelkasten). Dal sociologo Niklas Luhmann, che scrisse decine di libri grazie a ~90.000 schede, ognuna con una sola idea collegata alle altre. Per un'azienda: non PDF da 40 pagine, ma note brevi e riutilizzabili → l'AI ha sempre il contesto giusto.

Canon = la bibbia aziendale. Prima di spezzare i dati in note, si crea un Canon con tutti e solo i fatti veri (anti-allucinazione). Metafora: una grande bacinella (il Canon) divisa in 11 bacinelle (le cartelle); la somma deve restare identica.

Hub (Map of Content). Note-indice ben formattate che fanno da centro per ogni area. Senza hub, l'AI crea note che restano orfane. L'hub centrale è self, a cui si agganciano i reparti, e ai reparti il dettaglio.

8.La costruzione passo-passo (con i prompt)

Passo 1 — Crea lo scheletro (11 cartelle vuote).

Creami nel vault, alla radice, queste 11 cartelle vuote — una per ciascun lavoro del
cervello: self, areas, projects, sources, concepts, docs, entities, data, code, outputs,
workspace. Non crearne altre, non metterci file dentro: solo le cartelle.

Passo 2 — Estrai il Canon (prima un piano!).

Sei l'architetto del cervello aziendale di [Azienda]. Leggi tutto il materiale grezzo
nella cartella sources. Estrai i fatti duri e scrivili in un unico Canon coerente che copra:
identità, prodotti, reparti, persone e ruoli, clienti, KPI. Regole: nessun fatto inventato;
se non è in sources non scriverlo; i numeri devono quadrare. Scrivi il Canon in un solo file
di lavoro. Prima di scrivere, dammi in 5 righe cosa hai trovato e come pensi di strutturarlo,
poi aspetta il mio ok.

Usa la plan mode invece di "bypass permission": controlli il piano prima dell'esecuzione.

Passo 3 — Trasforma il Canon in note atomiche (prima gli hub).

Ok il Canon va bene. Trasformalo in note atomiche dentro le 11 cartelle. Regole: una nota =
un concetto, max 300 righe, front matter in cima (title, summary, tags…), "related" su una
sola riga con almeno 3 wikilink, nome unico. Ordine: PRIMA gli hub (self e i reparti in
areas), POI le note di dettaglio (prodotti, clienti, KPI). Mostrami "self-identita" prima
di proseguire.

Passo 4 — Completa il cervello.

Perfetto, ora completa il cervello. (I canali commerciali — LinkedIn, eventi, partner —
creali come TAG, perché un'attività può appartenere a più canali.)

9.Qualità: index, gate, llms.txt, showcase

a) _index per non avere note orfane. Una nota senza collegamenti non viene letta dall'AI (che viaggia solo sui link). Metti un _index in ogni cartella, collegato a tutte le note di quella cartella.

b) Quality gate (script Python) che controlla 6 regole e produce un referto:

Crea uno script Python che faccia da gate di qualità sul cervello. Controlla ogni nota
(salta sources/workspace/scratch): 1) front matter completo; 2) max 300 righe; 3) almeno
3 wikilink; 4) zero link rotti; 5) zero orfani; 6) una sola componente connessa. Elenca gli
errori per regola. Se è tutto ok rispondi "OK, 0 errori". Per ora non correggere: solo referto.

Principio di Joe: con l'AI puoi fare outsourcing di competenza e di pensiero, ma non della comprensione.

c) llms.txt — un indice testuale che riassume cosa contiene la Brain (Claude non deve riesplorarla ogni volta → risparmio token). (Raccomandazione pratica, non standard ufficiale.)

d) showcase.md — riassunto delle metriche (note, hub, wikilink): a colpo d'occhio e utile in vendita.

10.Version control: GitHub / Google Drive

Obsidian è local-first: i dati stanno sul tuo computer (privacy), ma se si rompe perdi tutto. Serve uno storico condiviso: GitHub (tecnico, scala meglio) o Google Drive (semplice).

• commit = una "fotografia" del progetto (checkpoint a cui tornare).
• branch = ramo parallelo per provare modifiche grosse senza toccare il main; se funziona fai merge, se no cancelli.

GDPR: con i servizi cloud (Notion, database RAG) firma i DPA per gestire i dati a norma.

11.Layer visivo: Notion e HTML

La Brain è usata soprattutto dall'AI; alle persone serve un'interfaccia.

HTML — cruscotto statico, doppio clic, senza account:

Genera un cruscotto HTML statico dai dati del Canon: indicatori dell'ultimo mese, grafici,
andamento, classifica. Tutto in un solo file HTML, offline e senza account.

Notion — per i team; si collega via MCP (un connettore che dà a Claude accesso a Notion):

/mcp  → aggiungi il server Notion → autentica → riavvia il workspace
Poi: "Costruiscimi su Notion un cruscotto KPI per Aurora (clienti, revenue…). Chiamalo 'Cervello Pino'."

Si può chiedere all'AI di sincronizzare Notion ↔ Obsidian (il "brain sync"). Esempio di verifica:

Rispondi usando SOLO le note del cervello; cita il file; se non c'è, scrivi "non presente
nel cervello". Domanda: quali clienti hanno attivato sia Aurora Cloud, e chi li segue nel
Customer Success?

La Brain cita i file, dice cosa non sa, e incrociando entità/prodotti/KPI risponde anche a "quale impiegato porta più ARR?" o "quali dati mancano per un'analisi completa?".

12.Memoria viva: la skill "journal"

Finora la memoria è statica. Per chiedere "a marzo cosa avevamo deciso col cliente X?" serve una memoria dinamica: una skill journal con tre comandi, nella cartella workspace:

• buongiorno / inizio sessione → legge l'indice e dà un briefing di 5 righe (non scrive).
• fine sessione → salva il riassunto della conversazione (note granulari, con wikilink).
• fine giornata → consolida le sessioni in un daily + pending topics + next step; recupera sessioni orfane, verifica GitHub, fa il sync finale.

Perché due livelli? Le sessioni sono granulari (ottime per il RAG); i daily sono riassunti. L'AI trova in fretta "la giornata giusta" e poi scende nel dettaglio.

13.Scalare: quando serve il RAG

Con poche note Claude naviga benissimo sui wikilink. Oltre una soglia conviene il RAG: le parole diventano vettori e si cercano quelli "vicini" alla domanda (meno token).

N. note	Architettura consigliata
< 500	Mappe di contenuto (hub) + llms.txt. Basta Obsidian + Claude.
500 – 2.500	Come sopra; inizi a valutare gli embeddings.
2.500 – 20.000	Embeddings + RAG.
20.000+	Pipeline RAG completa.

Database RAG: Qdrant (specializzato), Supabase (anche version control dei dati), Pinecone, Weaviate. È un mondo a sé (embedding, chunking, ricerca vettoriale).

14.Checklist finale + errori da evitare

Checklist di costruzione

1. Installa Obsidian → crea il vault.
2. Crea le 11 cartelle (Passo 1).
3. Estrai il Canon con piano e regole anti-allucinazione (Passo 2).
4. Crea hub e note atomiche con front matter corretto (Passo 3–4).
5. Aggiungi _index in ogni cartella.
6. Lancia il quality gate finché → "OK, 0 errori".
7. Aggiungi llms.txt e showcase.md.
8. Collega GitHub/Google Drive.
9. Aggiungi il layer visivo (Notion via MCP e/o HTML).
10. Costruisci la skill journal (memoria viva).
11. Quando cresci → introduci il RAG.

Errori da evitare

• Note orfane (senza link): l'AI non le vede → usa _index.
• Mappazzoni PDF invece di note atomiche → l'AI si perde e allucina.
• Front matter rotto (rosso) → chiedi a Claude di sistemarlo.
• Saltare il Canon → senza fonte di verità l'AI inventa.
• Dare i dati prima della struttura → serve prima lo scheletro (11 cartelle + hub).
• Confondere tassonomia e ontologia → servono entrambe.
• Credere che basti "usare l'AI" → senza i tuoi dati hai le stesse risposte dei concorrenti.