Un’intelligenza artificiale può ricordare perfettamente un’informazione e, proprio per questo, sbagliare.
Il problema non nasce necessariamente da un’allucinazione, da un calcolo errato o da una fonte inattendibile. L’informazione potrebbe essere stata corretta quando è stata acquisita:
- un’applicazione utilizzava una determinata versione;
- un referente aveva una certa responsabilità;
- un database era raggiungibile attraverso uno specifico indirizzo;
- una procedura prevedeva determinati passaggi;
- un progetto si trovava in una particolare fase;
- una regola o una tariffa era ancora valida.
Successivamente qualcosa cambia, ma la memoria conserva il vecchio dato senza sapere che ha smesso di essere vero.
L’AI non sta inventando. Sta ricordando bene una realtà che non esiste più.
Questo è uno dei fallimenti più difficili da riconoscere perché la risposta appare coerente, dettagliata e perfettamente compatibile con tutto ciò che il sistema conosceva.
Una memoria non è automaticamente una verità attuale
Quando una persona legge un vecchio documento, può accorgersi della data, riconoscere un riferimento superato oppure ricordare che nel frattempo qualcosa è cambiato.
Un sistema AI, invece, può ricevere un’informazione priva di elementi essenziali:
- quando è stata acquisita;
- da quale fonte proviene;
- per quale sistema o progetto era valida;
- fino a quando doveva essere considerata attendibile;
- quale informazione successiva l’ha sostituita;
- chi avrebbe dovuto verificarla.
Se viene conservato soltanto il contenuto, per esempio:
Il database di produzione utilizza la versione X.
il sistema non può stabilire se si tratti:
- della configurazione attuale;
- di una fotografia storica;
- di un’ipotesi;
- di un’informazione proveniente da un ambiente di test;
- di un dato già superato da una migrazione.
La memoria risponde alla domanda «che cosa sapevo?», ma non necessariamente alla domanda più importante: «questa informazione è ancora valida?».
Il tempo nascosto dentro ogni informazione
Ogni fatto operativo dovrebbe essere accompagnato almeno da tre riferimenti temporali:
- Quando il fatto era valido
- Quando è stato registrato
- Quando è stato verificato l’ultima volta
Questi tre momenti non coincidono necessariamente.
Un documento potrebbe essere stato caricato oggi, ma descrivere una configurazione di due anni fa. Una decisione potrebbe essere stata registrata mesi dopo essere stata presa. Un’informazione potrebbe essere ancora presente nella memoria pur non essendo stata verificata da molto tempo.
Senza queste distinzioni, l’AI tende a trattare informazioni temporalmente diverse come se appartenessero tutte al presente.
Perché il problema può sfuggire anche con un sistema RAG
Un sistema RAG consente all’AI di cercare informazioni in documenti, database o archivi esterni prima di formulare una risposta. Questo riduce alcuni limiti della conoscenza incorporata nel modello, ma non risolve automaticamente il problema della validità temporale.
Un archivio può contenere contemporaneamente:
- la vecchia procedura;
- la procedura aggiornata;
- una bozza mai approvata;
- una comunicazione che annulla la decisione precedente.
Se il motore di ricerca seleziona i documenti principalmente in base alla somiglianza semantica, il testo più vecchio potrebbe risultare rilevante quanto quello nuovo.
Una ricerca del 2026 sulla validità temporale nelle memorie di recupero descrive proprio questo problema:
- un fatto superato e quello che lo sostituisce possono avere una somiglianza linguistica molto elevata. Gli autori propongono quindi di gestire esplicitamente la sostituzione temporale dei fatti, invece di affidarsi esclusivamente alla similarità del testo. Si tratta di un lavoro di ricerca preliminare, non di uno standard definitivo, ma il problema evidenziato è concreto. Temporal Validity in Retrieval Memory
Il RAG permette di recuperare conoscenza aggiornata, ma può anche recuperare molto efficientemente un’informazione obsoleta.
Un problema riconosciuto anche nei sistemi reali
Nel giugno 2026 OpenAI ha descritto la necessità di migliorare la sintesi della memoria per affrontare problemi di aggiornamento, correttezza e scalabilità. La stessa documentazione osserva che le memorie salvate possono diventare nel tempo errate o irrilevanti. OpenAI – Better memory for a more helpful ChatGPT
Il problema non riguarda però soltanto la memoria conversazionale.
Il NIST raccomanda di monitorare i sistemi AI anche dopo la loro introduzione in produzione, perché dati, condizioni operative e assunzioni possono cambiare nel tempo. Sottolinea inoltre l’importanza di conservare la provenienza dei dati, comprese origine, trasformazioni, dipendenze, vincoli e metadati. NIST AI RMF – Measure
Questi riferimenti confermano un principio generale: l’affidabilità di un sistema AI non dipende soltanto dalla correttezza iniziale delle informazioni, ma anche dalla capacità di riconoscere quando quelle informazioni non sono più applicabili.
Un esempio concreto
Immaginiamo che nella memoria di un progetto siano presenti queste informazioni:
- il rilascio corrente è la versione 1.3;
- il referente tecnico è Mario;
- il database utilizza Oracle 19c;
- il deploy viene effettuato con lo script
deploy_v1.sql.
Successivamente:
- viene rilasciata la versione 2.0;
- Mario cambia incarico;
- il database viene aggiornato;
- lo script viene sostituito.
Se le nuove informazioni vengono semplicemente aggiunte, senza invalidare quelle precedenti, l’AI dispone di due realtà differenti.
A quel punto potrebbe:
- utilizzare la prima informazione recuperata;
- preferire quella formulata in modo più dettagliato;
- combinare parti della vecchia e della nuova configurazione;
- presentare il risultato come se fosse una situazione unica e coerente.
La risposta potrebbe apparire tecnicamente credibile pur descrivendo un sistema mai esistito: un mosaico composto da versioni appartenenti a momenti diversi.
Non tutte le memorie invecchiano alla stessa velocità
La durata di un’informazione dipende dalla sua natura.
| Tipologia | Esempio | Rischio di obsolescenza |
|---|---|---|
| Preferenza personale | Formato preferito per i report | Basso |
| Regola di progetto | Convenzione per nominare le viste | Medio |
| Stato operativo | Versione attualmente installata | Alto |
| Ruolo organizzativo | Referente o responsabile | Alto |
| Informazione esterna | Prezzo, normativa o licenza | Molto alto |
| Credenziale | Password, token o chiave | Non deve essere conservata nella memoria documentale |
Un’unica politica di conservazione non è quindi sufficiente. Alcune informazioni possono restare valide per anni; altre dovrebbero essere verificate prima di ogni utilizzo importante.
Come dovrebbe essere costruita una memoria affidabile
Una memoria operativa non dovrebbe conservare soltanto una frase. Dovrebbe registrare almeno:
- contenuto dell’informazione;
- fonte;
- data di acquisizione;
- ambito di validità;
- data dell’ultima verifica;
- eventuale scadenza;
- stato: attiva, da verificare, superata o storica;
- informazione che la sostituisce;
- grado di affidabilità;
- responsabile della validazione.
Un possibile record potrebbe essere rappresentato così:
Informazione: il rilascio corrente è la versione 2.0
Fonte: manifest di rilascio
Acquisita il: 20/09/2026
Verificata il: 22/09/2026
Ambito: ambiente di produzione
Stato: attiva
Sostituisce: versione 1.3
Affidabilità: altaLa vecchia informazione non deve necessariamente essere cancellata. Può essere utile per ricostruire la storia del progetto, purché non venga più presentata come stato corrente.
Scadenza non significa cancellazione
Assegnare una scadenza a un’informazione non significa eliminarla automaticamente.
Significa modificare il modo in cui viene utilizzata.
Un’informazione scaduta può diventare:
- un dato storico;
- un’indicazione da verificare;
- un elemento non utilizzabile per decisioni operative;
- un riferimento subordinato a una fonte più recente.
Questa distinzione è importante perché la cancellazione indiscriminata farebbe perdere la storia delle decisioni. Al contrario, lasciare tutto attivo trasformerebbe la memoria in un archivio di verità concorrenti.
La soluzione non è dimenticare, ma conoscere la posizione temporale di ciò che si ricorda.
Controlli pratici
Prima di utilizzare una memoria per una decisione significativa, un agente dovrebbe chiedersi:
- La fonte è identificata?
- Esiste una data di validità?
- L’informazione riguarda il sistema corretto?
- Potrebbe essere cambiata dall’ultima verifica?
- Esistono documenti più recenti?
- Un’altra informazione la contraddice?
- È un fatto confermato oppure una vecchia ipotesi?
- Può essere utilizzata direttamente o richiede una verifica?
Per i dati più volatili è utile applicare una regola semplice:
Se l’informazione può essere cambiata e non è stata verificata recentemente, non deve essere presentata come stato attuale.
La durata di quel «recentemente» dipende dal contesto. Un prezzo potrebbe richiedere una verifica immediata, una versione software una verifica a ogni intervento, una convenzione documentale soltanto quando cambia il progetto.
Il ruolo dell’essere umano
Il controllo umano non dovrebbe consistere soltanto nell’approvare la risposta finale.
Dovrebbe poter vedere:
- quali informazioni sono state utilizzate;
- da quali fonti provengono;
- quando sono state verificate;
- quali dati sono stati esclusi perché superati;
- quali contraddizioni sono state individuate;
- quali conclusioni dipendono da informazioni non aggiornate.
In questo modo la supervisione non si limita a giudicare se una risposta “sembra corretta”, ma controlla se le sue fondamenta appartengono ancora alla realtà presente.
Conclusione
Una memoria estesa rende l’AI più utile, coerente e capace di proseguire attività lunghe.
Ma una memoria priva di data, fonte, validità e meccanismi di sostituzione può trasformarsi in un rischio.
Il fallimento è invisibile perché l’informazione non è falsa in senso assoluto. È stata vera, è ben documentata e può essere perfettamente ricordata.
È soltanto diventata vecchia.
Per questo un sistema affidabile non deve limitarsi a domandare:
Che cosa ricordo?
Deve anche chiedersi:
Da dove proviene?
Quando era vero?
È ancora valido?
Che cosa potrebbe averlo sostituito?
La memoria più pericolosa non è quella che dimentica.
È quella che ricorda perfettamente qualcosa che non è più vero.
Alfine di gestire casi simili si potrebbe introdurre una regola all'interno, nel caso di Codex, dell'Agents.md che piu' o meno suoni cosi:
– Riallineamento memoria del progetto (nuova regola):
Validità temporale delle informazioni memorizzate
I file di memoria, i checkpoint, le sessioni precedenti e la documentazione storica descrivono lo stato conosciuto nel momento in cui sono stati prodotti e non rappresentano automaticamente lo stato attuale.
Prima di utilizzare un’informazione memorizzata per conclusioni operative, modifiche o decisioni, l’AI deve:
- verificarne data, fonte, progetto, ambiente e ambito;
- confrontarla con lo stato corrente e con le evidenze successive;
- classificarla, quando necessario, come attiva, da verificare, superata o storica;
- non presumere che l’informazione più recente sia automaticamente corretta;
- controllare, in caso di contraddizioni, che le fonti riguardino lo stesso oggetto;
- individuare se un’informazione sostituisce esplicitamente quella precedente;
- conservare le informazioni storiche utili, marcandole come non operative;
- dichiarare l’incertezza quando la validità non può essere verificata;
- non usare un’informazione incerta come unica base per modifiche o decisioni.
Ho inoltre specificato che dati variabili come:
- versioni;
- configurazioni;
- stato dei servizi;
- endpoint;
- responsabili;
- procedure operative;
- prezzi;
- normative;
devono essere verificati nuovamente quando sono rilevanti per l’attività corrente.
In sintesi, la nuova regola dovrebbe impedire all’AI di considerare automaticamente attuale un’informazione soltanto perché è stata trovata in una memoria o in un checkpoint.
