LLM Wiki: il sistema di knowledge AI del nostro team marketing

Volevamo mettere alla prova, su noi stessi, un’idea in cui crediamo: che la conoscenza di un team possa smettere di disperdersi tra cartelle, documenti e strumenti diversi, e diventare invece un’unica base viva, mantenuta dall’intelligenza artificiale. Così abbiamo costruito, per il nostro team marketing, un sistema di knowledge management basato sul pattern LLM Wiki. Ecco com’è andata.

Il problema: conoscenza dispersa su troppi progetti

Un team marketing che gestisce più prodotti digitali accumula in fretta una quantità enorme di conoscenza: brief, analisi SEO, dati delle campagne, decisioni, contenuti, dettagli tecnici di ogni sito. Il problema non è produrre questa conoscenza — è ritrovarla.

Con il passare dei mesi, le informazioni finiscono sparse tra cartelle condivise, documenti, fogli di calcolo e strumenti diversi. Sapere “cosa abbiamo deciso per quella campagna”, “qual è lo stato SEO di quel sito” o “come si pubblica quel progetto” diventa un esercizio di archeologia. È la stessa frustrazione che vivono quasi tutte le aziende che gestiscono molta documentazione: la conoscenza c’è, ma non è accessibile quando serve.

La soluzione: una knowledge base mantenuta dall’AI

Abbiamo applicato il pattern LLM Wiki, reso popolare da Andrej Karpathy: una base di conoscenza fatta di semplici file markdown che un agente AI costruisce e mantiene aggiornata, organizzata su tre livelli.

• Le fonti grezze — brief, audit SEO, trascrizioni, dati — depositate in un’area immutabile, la fonte di verità che non si tocca mai.
• La wiki — le pagine generate dall’agente: un progetto per pagina, le campagne, i concetti, i competitor, le entità, tutte collegate tra loro da rimandi automatici.
• Lo schema — il file di istruzioni che dice all’agente come strutturare e mantenere la conoscenza.

Ogni volta che entra una nuova fonte, l’agente la legge e aggiorna le pagine correlate in tutto il sistema, segnalando contraddizioni e informazioni obsolete. La conoscenza si accumula come gli interessi: ogni aggiunta rende il tutto più ricco, invece di restare isolata.

L’integrazione con i siti deployabili

Il salto di qualità è stato collegare la knowledge base alla gestione operativa dei progetti. La stessa base che documenta i siti del portfolio ne contiene anche il codice e gli strumenti di pubblicazione: i siti sono deployabili direttamente dallo stesso ambiente in cui vive la conoscenza.

Questo significa che il confine tra “sapere” e “fare” si assottiglia: la documentazione di un sito, la sua strategia SEO e il suo deploy non vivono in tre mondi separati, ma in un’unica base coerente. Il tutto resta in formato aperto — file markdown versionabili in Git — senza lock-in su alcuna piattaforma.

Gli MCP server: l’AI che dialoga con dati e documentazione

Il motore che rende tutto questo possibile sono i server MCP (Model Context Protocol): i connettori standard che permettono all’agente AI di parlare con gli strumenti esterni e con la documentazione del team. Invece di un assistente isolato, l’agente diventa un nodo collegato a più fonti:

• la knowledge base stessa — la wiki dei progetti — che fa da memoria e contesto;
• gli strumenti di analytics e SEO (Google Analytics 4, Google Search Console, piattaforme come Ahrefs), da cui legge dati reali di performance;
• il codice dei siti, su cui può intervenire direttamente.

Il punto chiave è che questi server dialogano tra loro attraverso la documentazione: l’agente incrocia un dato di performance con ciò che il team ha scritto su quel progetto e produce una soluzione immediata, già calata nel contesto. Non un suggerimento generico, ma un’azione concreta sul sito giusto — motivata dai dati e coerente con la strategia documentata.

Dai dati all’azione: analizzare le performance e correggere subito

Grazie a questa rete di connettori, il team può esaminare le performance dei siti direttamente — le metriche di traffico e comportamento da Google Analytics 4, e query, impression, CTR e copertura dell’indice da Google Search Console — e passare immediatamente alla correzione, nello stesso ambiente.

Il ciclo si chiude in un unico flusso:

1. Si osserva un segnale nei dati: una pagina che perde posizioni, un title con CTR basso, una query in crescita non ancora presidiata, un calo di impression.
2. Si chiede all’agente di intervenire: legge i dati, li incrocia con la documentazione del sito e propone (o applica) il fix — riscrivere un title, creare una pagina sulla query emergente, correggere gli hreflang, migliorare un contenuto debole.
3. Si pubblica la correzione, prima in staging poi in produzione.

Quello che di norma richiede più persone e più strumenti — un analista che legge GA4, uno specialista SEO che decide, uno sviluppatore che implementa — qui avviene in un solo flusso, con tempi ridotti drasticamente. È la differenza tra avere un report e aver già risolto.

Modificare, testare e pubblicare i siti — senza gestione tecnica

Il vero salto non è solo documentale: la stessa base di conoscenza permette al team marketing di operare sui siti in completa autonomia, senza dipendere da uno sviluppatore per ogni intervento. Il flusso è semplice e copre l’intero ciclo, dalla modifica alla messa online.

• Modificare i contenuti e il codice. Una richiesta in linguaggio naturale all’agente AI — “aggiorna il title SEO di questa pagina”, “scrivi un nuovo articolo sul tema X in italiano e inglese”, “sistema gli hreflang di questo sito”, “aggiungi una sezione FAQ a questa pagina” — si traduce in modifiche reali al codice del sito. Il marketing lavora su contenuti, SEO e struttura senza scrivere codice e senza aprire un ticket allo sviluppo.
• Lanciare in staging. Con un singolo comando il sito viene compilato e pubblicato in un ambiente di anteprima: si vede il risultato esatto — impaginazione, link, schema, anteprima social — prima di toccare la produzione. Si verifica, si itera, si corregge.
• Andare in produzione. Quando la modifica è approvata, lo stesso flusso pubblica il sito in produzione in modo controllato, con i deploy gestiti da script centralizzati e con la possibilità di rollback immediato in caso di errore.

Il risultato è l’eliminazione quasi totale della gestione tecnica come collo di bottiglia: spariscono i tempi morti tra “il marketing decide” e “lo sviluppo implementa e pubblica”. Chi conosce il contenuto e la SEO può portarlo online da solo, in sicurezza — mantenendo comunque uno step di verifica in staging e il controllo di versione su ogni singola modifica. Per un team che gestisce più siti in più lingue, questo significa velocità (una correzione SEO si applica e si pubblica in giornata, non in settimane) e scalabilità (lo stesso piccolo team segue molti più progetti).

I risultati

Il sistema è oggi la fonte di verità unica del team marketing per più prodotti digitali, e insieme la sua plancia operativa. In concreto:

• la conoscenza non si perde più tra strumenti diversi: progetti, campagne, audit SEO e decisioni vivono in un’unica base interrogabile;
• le modifiche ai siti — contenuti, SEO, nuove pagine, traduzioni — si fanno in linguaggio naturale, senza passare dallo sviluppo;
• le performance si leggono direttamente da GA4 e Google Search Console (via server MCP) e i fix si applicano subito, nello stesso ambiente: dal dato alla correzione pubblicata;
• ogni intervento ha un’anteprima in staging e va in produzione con un flusso controllato e versionato;
• la dipendenza dal team tecnico per le attività editoriali e SEO ordinarie è ridotta quasi a zero, liberando gli sviluppatori per il lavoro a maggior valore;
• l’intero patrimonio resta in formato aperto, di proprietà dell’azienda, senza lock-in.

Soprattutto, questo progetto è la dimostrazione concreta di un approccio che possiamo portare in qualsiasi azienda: trasformare la conoscenza distribuita di un team in un asset vivo, mantenuto dall’AI e integrato con gli strumenti di lavoro — fino a renderlo operativo, capace cioè non solo di rispondere, ma di agire. È esattamente il tipo di sistema che progettiamo per i nostri clienti nell’ecosistema Microsoft 365 e Azure.

Vuoi capire come una knowledge base AI potrebbe funzionare nella tua organizzazione? Parla con un nostro esperto.