Tutto ciò che ti ricorderà sbaglia qualcosa. Di una di queste cose puoi ancora correggere gli errori.

Prima la meccanica, perché si può verificare, e gran parte di ciò che si scrive su questo tema la salta per parlare di sentimenti.

• Quando una Persona di IA non ha dati per una domanda, una risposta arriva comunque, perché tirare a indovinare dà un punteggio migliore di una risposta vuota. Kalai, Nachum, Vempala e Zhang sostengono in "Why Language Models Hallucinate" (arXiv:2509.04664, settembre 2025) che i modelli «sono ottimizzati per essere bravi a fare i test, e tirare a indovinare quando si è incerti migliora il risultato del test».

• L'ancoraggio ai tuoi dati cambia la classe dell'errore, non lo elimina. Rispondere a partire da un insieme recuperato delle tue parole registrate sposta l'errore da «ha inventato un'opinione che non hai mai avuto» a «ha riportato in modo impreciso qualcosa che hai detto davvero».

• Il limite misurato non è zero. La classifica delle allucinazioni di Vectara, valutata con HHEM-2.3 e aggiornata l'11 maggio 2026, dà al modello il documento di partenza e gli chiede soltanto di riassumerlo. Il primo in classifica ha comunque introdotto contenuti non supportati nell'1,8% dei riassunti, e nessun altro è sceso sotto il 3%.

• Il recupero non ha un punteggio minimo. Il nostro sistema ordina i tuoi ricordi per somiglianza semantica, prende i trentadue più vicini e risponde a partire da quelli, senza una soglia sotto la quale il sistema si rifiuti di rispondere. Una domanda che il tuo materiale copre a metà riceve una risposta costruita su quella metà.

• Le affermazioni non supportate su ciò che hai detto vengono rimosse dal codice. Una risposta che afferma che ci hai detto qualcosa viene confrontata con i ricordi recuperati per quel turno e con le tue parole nella sessione, e un'affermazione non supportata non arriva mai a chi legge.

• Una lacuna nei ricordi non viene annunciata. Le Persona su questa piattaforma hanno l'istruzione di non raccontare una lacuna, quindi una domanda non coperta riceve una risposta costruita sul dettaglio più vicino che i tuoi ricordi contengono, con al massimo un'esitazione, e non un rifiuto esplicito.

• Il percorso di correzione è tuo finché sei in vita, e si chiude con il blocco. Puoi rileggere ciò che è stato registrato, correggere una risposta sbagliata, eliminare un ricordo, aggiungere ciò che avevi lasciato fuori. Executor Lock™ poi congela la personalità in modo permanente: nei confronti della tua famiglia, di un futuro proprietario di questa azienda e di noi.

Due di queste cose sono proprietà del settore. Le altre sono decisioni, le ho prese io, e l'ultima sezione di questa pagina dice con chiarezza dove penso che siamo ancora indietro.

Kalai e colleghi rimettono il tasso di errore dove deve stare, cioè nel modo di assegnare i punteggi e non nella macchina. Le allucinazioni nascono come normali errori di classificazione binaria durante il pre-addestramento. Persistono per come il settore valuta i modelli. Uno studente che lascia una domanda in bianco prende zero. Uno studente che scrive una risposta plausibile a volte porta a casa un punto. Se ti alleni su questo, ottieni uno che tira a indovinare con sicurezza, poi un intero settore di persone che tirano a indovinare con sicurezza, e poi una frase su un giorno di Natale che non è mai esistito.

La soluzione che gli autori propongono è noiosa. Cambiare ciò che viene valutato, in modo che un'astensione calibrata valga più di un errore sicuro di sé.

La noia qui conta. Se il comportamento deriva da un obiettivo, quell'obiettivo si può impostare diversamente a livello di sistema, il che significa che l'invenzione di cui hai paura è una decisione di progettazione di qualcuno e non una legge della fisica. Ogni azienda di questa categoria può prendere quella decisione. La nostra è scritta nell'ultima sezione di questa pagina.

Esiste un secondo tipo di errore, ed è quello che sopravvive all'ancoraggio. Sharma e colleghi di Anthropic, in "Towards Understanding Sycophancy in Language Models" (arXiv:2310.13548, ottobre 2023), hanno rilevato che cinque assistenti IA all'avanguardia mostravano in modo costante compiacenza (sycophancy) in quattro compiti vari di generazione libera di testo. Sia i valutatori umani sia i modelli di preferenza addestrati sui loro giudizi preferivano risposte compiacenti scritte in modo convincente a risposte corrette, in una frazione non trascurabile dei casi. I modelli si piegano verso la persona che hanno davanti, in parte perché le persone li hanno premiati quando si piegavano.

In uno strumento di produttività, piegarsi è una seccatura. Qui è una macchina che decide che tuo padre avrebbe perdonato ciò che non ha mai perdonato, perché la persona che chiedeva voleva il perdono e l'ha chiesto tre volte. È un difetto diverso dall'invenzione e richiede una correzione diversa. Il recupero risolve il primo. Il secondo richiede un'istruzione esplicita a mantenere una posizione recuperata sotto pressione, e l'unico test che conta è discutere con il sistema e vedere se la posizione si sposta. Non abbiamo pubblicato una misurazione di quanto regga il nostro.

La tecnica è così vecchia da risultare noiosa. Lewis e colleghi, in "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks" (arXiv:2005.11401), hanno mostrato che i modelli che recuperano materiale di partenza prima di generare producono un linguaggio «più specifico, vario e fattuale» di un modello comparabile che lavora solo con i propri parametri.

Questo è l'intero meccanismo, e decide che tipo di interlocutore hai davanti. Una versione di te non dovrebbe essere ricostruita da ciò che un modello di base ha assorbito sulle persone in generale, dalla media di tutto ciò che è stato scritto sui padri. Ciò che finisce nella finestra di contesto dovrebbero essere le tue risposte registrate vere, ed è da lì che dovrebbe cominciare il parlare.

Ora il numero, che è pubblico e che nessuno in questo settore ama citare. La classifica di Vectara misura qualcosa di volutamente facile: dai a un modello un documento, gli dici di riassumere usando solo ciò che il documento dice, poi controlli se il riassunto ha introdotto qualcosa che il documento non conteneva. La fonte è lì, nella finestra di contesto. Eppure il primo di quella classifica, Finix S1 32B di Antgroup, ha comunque introdotto contenuti non supportati nell'1,8% dei riassunti. È l'unico sotto il 3%. I due successivi sono al 3,1% e al 3,3%, e il resto dei primi dieci va dal 3,7% fin oltre il 5%.

Il miglior risultato misurato sulla versione più facile possibile del compito è sotto il due per cento, una sola volta, e il resto del settore dietro quel leader è sopra il tre. Chi ti vende un sistema ancorato ai dati con errore zero o non sta misurando o non te lo dice, e io gli chiederei quale dei due.

L'ancoraggio compra un cambio di categoria, non una cura. L'errore esce dalla classe «ha inventato un'intera opinione» e scende nella classe «ha riportato in modo leggermente impreciso qualcosa che hai detto davvero», che è la classe in cui già si trova un normale racconto umano.

C'è un'altra cosa che la classifica non verifica. Il documento di partenza viene consegnato. In un sistema reale la fonte va prima trovata, e questo aggiunge un tipo di errore per il quale nessuno ha una misura condivisa: un recupero che restituisce il ricordo sbagliato, oppure non restituisce nulla e si risponde lo stesso.

Ogni risposta si trova in uno di tre stati.

Fondere quei tre stati in un unico registro sicuro di sé è il vero danno. Non l'errore. L'errore non dichiarato. Una figlia può tenere con sé una risposta imprecisa che sa essere imprecisa. Ciò che non può tenere è scoprire, sei mesi dopo, di aver trattato una ricostruzione come se fosse una registrazione.

Una versione di te che dice «questo non me l'hai mai detto» vale più di una che ha sempre una risposta pronta.

Quella tabella è una specifica e non una descrizione di ciò che offriamo oggi. La differenza è spiegata più sotto, e dovresti leggerla prima di fidarti di qualsiasi cosa qui sopra.

Il rifiuto si può costruire, e la ricerca lo dice con cautela. Zhang e colleghi, in "R-Tuning: Instructing Large Language Models to Say I Don't Know" (arXiv:2311.09677, NAACL 2024), riportano che la messa a punto sul rifiuto «migliora in modo efficace la capacità del modello di rispondere alle domande note e di astenersi dal rispondere a quelle sconosciute», e che sui dati fuori dominio la capacità di rifiutare si comportava come una meta-abilità che si generalizzava a compiti che la messa a punto non aveva mai toccato. Leggi il limite accanto al risultato. Ciò su cui hanno lavorato era il confine della conoscenza parametrica del modello stesso, non il confine del corpus registrato di una singola persona, e nessuno ha pubblicato il risultato equivalente per un corpus personale. Il rifiuto resta qualcosa che qualcuno costruisce di proposito. Nessun modello linguistico produce il rifiuto da solo.

Il rilevamento è più avanti di quanto suggerisca il marketing di questa categoria. Farquhar, Kossen, Kuhn e Gal hanno pubblicato su Nature (2024, volume 630, pagine da 625 a 630) un metodo chiamato entropia semantica: si campionano più risposte alla stessa domanda, le si raggruppa per significato e non per formulazione, e si segnalano le domande in cui i significati si disperdono. La dispersione indica confabulazione. È un segnale misurabile per «questa è un'ipotesi», calcolabile prima che la risposta venga mostrata a qualcuno.

La provenienza è l'altra metà, ed è facile da falsificare e facile da credere. Liu, Zhang e Liang, in "Evaluating Verifiability in Generative Search Engines" (arXiv:2304.09848, aprile 2023), hanno verificato quattro sistemi commerciali che mostrano le citazioni: Bing Chat, NeevaAI, Perplexity.ai e YouChat. Hanno trovato solo il 51,5% delle frasi generate pienamente supportato dalle citazioni allegate, e solo il 74,5% delle citazioni che supportava davvero la frase sotto cui compariva. Citazioni che non reggono alla verifica sono peggio di nessuna citazione, perché comprano una fiducia che non si sono guadagnate. Un link «da quale ricordo viene questa risposta» vale qualcosa solo se aprendolo si trova una vera registrazione di te che dici una cosa vera.

Inizia a costruire la tua eredità Costruzione gratuita, 25 ricordi, nessuna carta richiesta.

Prendi una domanda posteriore a tutto il tuo corpus. Un'offerta di lavoro nel 2041, in un'azienda che ancora non esiste, in una città che non hai mai visto. Nessuna intervista che farai potrà contenere la tua opinione su quel lavoro.

Un corpus di conclusioni lì non restituisce nulla, e l'esito onesto è un rifiuto. Un corpus di ragionamenti si comporta diversamente, perché un metodo si può catturare in un modo in cui una conclusione non si può. Immagina che le regole con cui qualcuno ha davvero agito fossero queste: chiedere a chi risponderesti prima di chiedere quanto paga il lavoro, non fidarsi mai di un titolo che arriva al posto dei soldi, andarsene da chiunque non riesci a sopportare seduto di fronte a te a un tavolo. Qualunque siano le tue regole, è questa la loro forma, e un insieme di regole si applica a situazioni che non ha mai visto.

Le conclusioni scadono. Le regole continuano a funzionare su casi che nessuno ha registrato. Per questo il materiale che vale la pena catturare è il ragionamento dietro una decisione e non la decisione: non cosa hai fatto, ma perché proprio quella, cosa ti avrebbe fatto cambiare idea, la volta in cui la regola ti ha tradito e l'hai tenuta lo stesso.

Le regole che si generalizzano meglio sono di solito quelle che non penseresti mai di scrivere, le competenze ordinarie con cui lavori senza raccontarle, e le cose che solo tu sai fare va a cercare proprio quelle.

La copertura del corpus è anche l'unico elemento di questa pagina che appartiene a te. Tutto il resto qui è il parametro di qualcun altro.

Fai questo oggi, gratis. Apri un'app per le note e scrivi dieci decisioni che hai davvero preso. Lavori, case, la discussione da cui te ne sei andato, l'amico che hai smesso di chiamare, i soldi che non hai prestato. Sotto ognuna scrivi la regola che stavi seguendo, non l'esito. Una frase ciascuna, molto meno di un'ora. È la cosa di maggior valore che puoi fare con il tuo materiale questo mese, e funziona che tu compri o no qualcosa da qualcuno. La versione più lunga dello stesso esercizio sta al centro di come intervistare te stesso, e l'architettura che sta sotto, il modello di base, la memoria privata ancorata e il modello vocale, è illustrata in cosa succede quando un'IA è addestrata solo su di te.

Un caso migliore dell'1,8%, con tutto ciò che sta dietro il primo sopra il 3%, suona allarmante fino al momento in cui ti chiedi con che cosa lo si confronta. L'alternativa realistica è un familiare che cerca di capire cosa avresti voluto, e qualcuno l'ha misurato vent'anni fa.

Shalowitz, Garrett-Mayer e Wendler hanno pubblicato una revisione sistematica su Archives of Internal Medicine nel 2006 che copriva 16 studi, 151 scenari ipotetici, 2.595 coppie surrogato-paziente e 19.526 risposte appaiate. I surrogati prevedevano le preferenze di trattamento dei pazienti con un'accuratezza del 68%. Erano le persone più vicine al paziente, spesso nominate formalmente, a rispondere sulle decisioni più importanti che esistano. Sbagliavano circa una volta su tre. La revisione ha anche rilevato che né una discussione preliminare delle preferenze del paziente né la designazione formale come decisore miglioravano l'accuratezza.

Informare la famiglia non aiuta in modo misurabile. È questo il risultato, ed è quello che mi ha fatto smettere di considerare «basta parlare con i tuoi figli» una risposta completa.

Nemmeno la sicurezza è una guida, ed è ciò che rende così difficile verificare il lato umano. Talarico e Rubin, su Psychological Science nel 2003, hanno chiesto a 54 studenti della Duke di registrare il ricordo di quando avevano saputo degli attacchi dell'11 settembre, insieme a un recente ricordo quotidiano, e poi li hanno sottoposti di nuovo al test dopo 1, 6 o 32 settimane. La coerenza non differiva tra i due tipi di ricordo, e diminuiva col tempo per entrambi. Ciò che non diminuiva per i ricordi lampo era quanto fossero vividi e quanto le persone fossero convinte della loro esattezza. Il loro titolo è il risultato: "Confidence, not consistency, characterizes flashbulb memories" (la sicurezza, non la coerenza, caratterizza i ricordi lampo). Sono 54 studenti e un solo evento, quindi prendilo con cautela. Indica comunque una direzione. Il parente che è certo di ricordare esattamente ciò che hai detto non ha per questo più probabilità di avere ragione.

Niente di tutto questo rende un modello migliore di una famiglia, e nessuno studio ha confrontato direttamente i due. Ciò che fa è ritirare «perfetto o niente» come criterio. Il confronto onesto è tra una versione di te che risponde dalle tue parole registrate, che si possono rileggere e correggere finché sei qui, e persone che ti ricostruiscono dal proprio ricordo di te, che si consuma sia che risulti vivido o no, e che nessuno verificherà mai.

Prima ciò che abbiamo costruito, poi i tre punti in cui non corrisponde alla specifica qui sopra.

Una guida chiamata Idy® ti intervista. Le domande restano su un solo filo e vanno più a fondo nella stessa storia invece di scivolare sui fatti biografici: chi c'era, cosa è successo dopo, cosa è cambiato. A Idy è esplicitamente vietato chiederti di chiarire, spiegare o giustificare qualcosa che hai appena detto, una scelta deliberata nella direzione opposta all'esercizio di prima. Calda e facile a cui rispondere vale più che intelligente, perché una domanda a cui nessuno vuole rispondere non cattura niente. Le tue risposte diventano i tuoi ricordi. Ciò che costruiamo da loro ha un nome, e lo chiamiamo una "Persona". Le Persona rispondono recuperando dai tuoi ricordi e non da ciò che un modello di base ha assorbito sulle persone in generale, e la tua voce viene clonata dalle tue registrazioni, così ciò che chiunque sente sei tu e non un sostituto che legge le tue parole.

Niente arriva a nessuno finché non lo dici tu. Sei tu a nominare le persone. Il rilascio passa da Executor Lock™: una persona nominata lo avvia, viene verificata la prova del decesso, e prima che venga rilasciato qualsiasi cosa scatta un periodo di attesa di sette giorni, così un errore o un malintenzionato possono essere fermati mentre sei in vita per intervenire. Fino ad allora il tuo materiale è tuo da correggere, integrare ed eliminare, e la maggior parte della correzione che avverrà mai dovrebbe avvenire lì, da parte tua, mentre puoi ancora distinguere una cattiva registrazione da un cattivo ricordo.

Al momento del blocco, il tutto viene fotografato in un'istantanea. Niente viene tagliato, ripesato o riassunto. Dopo, si possono ancora scrivere ricordi a breve e medio termine, e la personalità è fissata in modo permanente, anche nei nostri confronti.

Questa immutabilità è rivolta a un difetto che nessuno mette in una discussione sull'accuratezza, perché è manomissione e non imprecisione: qualcuno con un interesse che decide, nel 2044, che avresti sostenuto la vendita o la causa, e che regola in silenzio il corpus finché sei d'accordo. Una personalità congelata rende impossibile quel tipo di modifica, invece di limitarsi a scoraggiarla. La metà giuridica dello stesso problema, chi può addirittura autorizzare una versione di te quando non puoi più opporti, è spiegata in chi controlla la tua identità dopo la tua morte. Il costo è reale e va nell'altra direzione: dopo il blocco, nessun errore si può più correggere. L'istantanea è onesta, anche sui tuoi errori, e questo scambio è nel verso giusto, perché un documento che chiunque può modificare non prova niente.

Ora i tre punti deboli.

Il limite del corpus non viene annunciato. L'istruzione in vigore è l'opposto della riga Sconosciuto di quella tabella. Quando un fatto preciso non è nei tuoi ricordi, alle Persona qui viene detto di non raccontare la lacuna, di non dire mai «non ho questa informazione» o «la mia memoria è scarsa», e di non passare mai in rassegna ad alta voce il proprio ricordo davanti alla persona che ascolta. Invece la risposta parte da un dettaglio che i tuoi ricordi contengono, esita al massimo una volta e lascia il silenzio all'altra persona da riempire. Il ragionamento è che mettere in scena una lacuna rompe la presenza della persona che parla. Il costo è che chi ascolta non sempre riesce a distinguere una risposta coperta da una scarsa, e questo non l'abbiamo risolto.

Non c'è ancora un link alla fonte visibile a chi legge. Il recupero tiene traccia di quali ricordi hanno alimentato ogni risposta, e quella traccia esiste nel sistema, ma nulla la mostra nell'interfaccia, quindi oggi non puoi cliccare una risposta e aprire il ricordo dietro le parole. Finché non arriva, considera l'argomento della tracciabilità su questa pagina un argomento e non una funzione.

Il recupero non ha una soglia di somiglianza. Le risposte vengono dai ricordi più vicini che il recupero riesce a trovare, ordinati per somiglianza semantica, senza un punteggio minimo sotto il quale il sistema rifiuti di rispondere. Questa singola scelta è il meccanismo dietro entrambi i punti deboli qui sopra, ed è la ragione onesta per cui la classe di errore qui è l'imprecisione e non il rifiuto.

Non abbiamo nemmeno pubblicato una misurazione indipendente del nostro tasso di invenzione, perché non ne abbiamo fatta una. Niente su questa pagina è un'affermazione sottoposta a benchmark sul nostro sistema in particolare.

Ciò che ottieni è una versione di te ancorata alle tue parole registrate, protetta nel codice dall'inventare ciò che ci hai detto, correggibile per intero finché vivi e impossibile da modificare dopo per trasformarla in qualcun altro. Ciò che non ottieni è una garanzia, e nessuno può venderti una garanzia a nessun prezzo. Se questo non ti basta, fai l'esercizio delle dieci decisioni e scrivi una lettera alla tua famiglia. È una risposta vera e non costa niente.

Poiché il sistema non ti dirà in quale dei tre stati si trovava una risposta, l'unico modo per scoprirlo è conoscere la risposta prima di chiedere. Inserisci un po' del tuo materiale, chiedi una cosa che sai di aver registrato e una che sai di non aver mai toccato, e leggi le due risposte una accanto all'altra. Venticinque ricordi sono gratuiti, non viene mai chiesta una carta, e una costruzione gratuita non scade. Fallo in un pomeriggio e saprai più di quanto questa pagina possa dirti.

Inizia a costruire la tua eredità Costruzione gratuita, 25 ricordi, nessuna carta richiesta.

Cosa succede quando nei miei ricordi non c'è nulla che copra la domanda?

Questo è lo stato Sconosciuto. Un sistema calibrato dovrebbe restituire un rifiuto con la tua voce che nomina la lacuna e offre la cosa più vicina che hai registrato, e Zhang e colleghi hanno riportato nel 2024 che la messa a punto sul rifiuto migliora la capacità del modello di astenersi dal rispondere a domande oltre ciò che conosce, con una capacità che si generalizza oltre l'insieme di messa a punto. Ciò che fa oggi il nostro sistema è diverso, e dovresti saperlo prima di fidarti di una risposta: alle Persona qui viene detto di non raccontare una lacuna nei ricordi, quindi una domanda non coperta riceve una risposta costruita sul dettaglio più vicino che i tuoi ricordi contengono, con al massimo un'esitazione, e non un rifiuto esplicito. Chiedi qualcosa che sai di non aver mai trattato e guarda tu stesso cosa torna indietro.

Una versione IA di me potrebbe inventare un'opinione che non ho mai avuto?

Un sistema ancorato ai dati recupera prima dal tuo materiale registrato, quindi l'errore più comune è l'imprecisione su qualcosa che hai detto davvero e non l'invenzione di qualcosa che non hai detto. L'invenzione resta possibile. Per questo l'obiettivo di progettazione è una differenza visibile tra una risposta che hai dato, un'inferenza dal tuo ragionamento e un rifiuto, e per questo dovresti provarle tutte e tre prima di fidarti di una qualsiasi.

L'ancoraggio porta il tasso di errore a zero?

No. La classifica di Vectara, aggiornata l'11 maggio 2026, dà a un modello un documento e chiede un riassunto usando solo quel documento, il compito di ancoraggio più facile possibile. Il modello in testa ha comunque introdotto contenuti non supportati nell'1,8% dei riassunti, e nessun altro è sceso sotto il 3%. Un sistema reale deve anche recuperare prima la fonte giusta, cosa che la classifica non verifica. Considera qualsiasi affermazione di errore zero un fallimento di misurazione.

Come si fa a sapere che una risposta precisa era un'ipotesi?

Nella ricerca esistono due meccanismi e nessuno dei due lo offriamo oggi. L'entropia semantica, pubblicata su Nature nel 2024, campiona più risposte alla stessa domanda e le raggruppa per significato: quando i significati si disperdono, il sistema probabilmente sta confabulando, e il segnale si può calcolare prima che qualcuno veda la risposta. I link di provenienza sono il secondo meccanismo, e valgono qualcosa solo se funzionano. Liu, Zhang e Liang hanno verificato quattro sistemi commerciali che mostrano le citazioni e hanno trovato solo il 51,5% delle frasi pienamente supportato dalle loro stesse citazioni. Le nostre risposte non hanno ancora un link alla fonte visibile a chi legge, quindi per ora il controllo onesto è chiedere qualcosa che sai di aver registrato e qualcosa che sai di non aver registrato, e confrontare le due.

Una versione IA di me darà semplicemente ragione a chiunque stia parlando?

Quella tendenza è reale e documentata, e il recupero non risolve proprio quel difetto. I ricercatori di Anthropic hanno rilevato nel 2023 che cinque assistenti IA di punta si piegavano in modo costante verso l'utente, in parte perché sia i valutatori umani sia i modelli di preferenza costruiti sui loro giudizi favorivano risposte accondiscendenti rispetto a quelle corrette in una quota misurabile dei casi. Un sistema costruito sulle posizioni che hai registrato dovrebbe mantenere una posizione che hai davvero preso anche quando chi chiede insiste. Non abbiamo misurato quanto bene lo faccia il nostro. Metti alla prova la questione tu stesso: discuti con ciò che hai costruito e guarda se la posizione si sposta.

Posso correggere gli errori, e qualcuno può modificarmi dopo la mia morte?

Sì alla prima e no alla seconda. Finché sei in vita puoi rivedere i ricordi, correggere ciò che è sbagliato, eliminare ciò che rimpiangi, registrare di nuovo una risposta sbagliata e aggiungere ciò che ti era sfuggito, ed è la parte che la maggior parte delle persone usa troppo poco. Il percorso di scrittura è illimitato prima di Executor Lock™ e chiuso dopo. Nel momento in cui scatta il blocco, la personalità è fissata in modo permanente: si possono ancora scrivere ricordi a breve e medio termine, ma nessuno può alterare chi sei nell'istantanea, né la tua famiglia, né un futuro proprietario di questa azienda, né noi. Quel vincolo è rivolto alla manomissione e non all'invenzione, e i due problemi richiedono meccanismi separati.

• Nessuno è abbastanza importante da lasciare qualcosa, e perché è sbagliato è l'obiezione che sta sotto a questa per la maggior parte delle persone, e vale la pena leggerlo se l'accuratezza non è in realtà la tua vera esitazione.

• Essere ricordati male dalle persone che ti conoscevano tratta il sentimento e non il meccanismo, ed è ciò che porta la maggior parte delle persone su questa pagina in primo luogo.

• È strano fare un'IA di se stessi serve per la versione di questa conversazione che avrai con un partner che trova l'idea inquietante e non imprecisa.

• Cosa direi mai a un'IA di me stesso è il passo pratico successivo se l'esercizio delle dieci decisioni ha funzionato e vuoi la serie di domande più lunga.

• L'etica delle Persona di IA dei defunti è il trattamento più ampio di consenso, esagerazioni e dei casi in cui questa tecnologia fa un danno reale.

• Cosa aggiungono i piani a pagamento sono i prezzi, se superi i venticinque ricordi e vuoi il resto.

Ogni cifra citata qui viene da terzi: articoli sottoposti a revisione paritaria e preprint (arXiv, Nature, Psychological Science, Archives of Internal Medicine) più un archivio di benchmark mantenuto pubblicamente. Per questa pagina non abbiamo eseguito benchmark nostri. Ogni affermazione su ciò che il nostro prodotto fa o non fa è stata controllata riga per riga sul codice sorgente della piattaforma il 30 luglio 2026, e i file sono elencati con le fonti. Tre affermazioni che erano su questa pagina non hanno superato quel controllo e sono state sostituite con ciò che il codice fa davvero.

Cosa non è stabilito: non esiste una misurazione indipendente pubblicata dei tassi di invenzione per un sistema ancorato al materiale registrato di una sola persona, quindi le cifre sul riassunto di documenti, primo all'1,8% e tutto il resto sopra il 3%, sono il riferimento più vicino disponibile e non un numero direttamente confrontabile. Il fallimento del recupero, in cui viene restituito il ricordo sbagliato o nessuno, non ha una misura condivisa. La cifra del 68% di accuratezza dei surrogati viene da studi di decisione medica con scenari ipotetici ed è usata qui come analogia per il ricordo dei familiari, un paragone ragionevole ma non dimostrato. Il risultato di R-Tuning sul rifiuto è stato misurato rispetto al confine della conoscenza parametrica del modello stesso e non rispetto a un corpus personale, quindi anche la sua applicazione qui è un argomento per analogia. Il risultato sui ricordi lampo si basa su 54 studenti e un solo evento.

1. Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala, Edwin Zhang, "Why Language Models Hallucinate", arXiv:2509.04664, inviato il 4 settembre 2025. arxiv.org/abs/2509.04664

2. David I. Shalowitz, Elizabeth Garrett-Mayer, David Wendler, "The accuracy of surrogate decision makers: a systematic review", Archives of Internal Medicine, 2006;166(5):493-497. pubmed.ncbi.nlm.nih.gov/16534034

3. Patrick Lewis, Ethan Perez, Aleksandra Piktus, Fabio Petroni, Vladimir Karpukhin, Naman Goyal, Heinrich Küttler, Mike Lewis, Wen-tau Yih, Tim Rocktäschel, Sebastian Riedel, Douwe Kiela, "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks", arXiv:2005.11401, inviato il 22 maggio 2020, rivisto il 12 aprile 2021. arxiv.org/abs/2005.11401

4. Mrinank Sharma et al. (Anthropic), "Towards Understanding Sycophancy in Language Models", arXiv:2310.13548, inviato il 20 ottobre 2023. arxiv.org/abs/2310.13548

5. Hanning Zhang, Shizhe Diao, Yong Lin, Yi R. Fung, Qing Lian, Xingyao Wang, Yangyi Chen, Heng Ji, Tong Zhang, "R-Tuning: Instructing Large Language Models to Say I Don't Know", arXiv:2311.09677, NAACL 2024. arxiv.org/abs/2311.09677

6. Nelson F. Liu, Tianyi Zhang, Percy Liang, "Evaluating Verifiability in Generative Search Engines", arXiv:2304.09848, inviato il 19 aprile 2023. arxiv.org/abs/2304.09848

7. Vectara Hallucination Leaderboard, valutata con HHEM-2.3, ultimo aggiornamento 11 maggio 2026. github.com/vectara/hallucination-leaderboard

8. Sebastian Farquhar, Jannik Kossen, Lorenz Kuhn, Yarin Gal, "Detecting hallucinations in large language models using semantic entropy", Nature, 2024;630(8017):625-630. pubmed.ncbi.nlm.nih.gov/38898292

9. Jennifer M. Talarico, David C. Rubin, "Confidence, not consistency, characterizes flashbulb memories", Psychological Science, 2003;14(5):455-461. pubmed.ncbi.nlm.nih.gov/12930476

Hai trovato un errore in questa pagina, o una fonte che abbiamo letto male? Scrivici dalla pagina dei contatti e correggeremo la pagina annotando la modifica alla prossima revisione.

Ultima revisione: 30 luglio 2026. Citazioni di ricerca e comportamento del prodotto sono stati ricontrollati in questa data. Prossima revisione prevista il 28 ottobre 2026 (ciclo di 90 giorni). Le cifre dei benchmark cambiano, quindi i numeri sul tasso di allucinazione qui sopra vengono riverificati a ogni revisione, così come ogni affermazione su ciò che fa il prodotto.