Per decenni le imprese hanno funzionato su due tempi distinti. Da un lato il tempo del progetto: ritiri strategici, revisioni di piano triennale, riorganizzazioni, framework di competenze elaborati in sedi isolate dal lavoro quotidiano. Dall’altro il tempo dell’esecuzione: la quotidianità operativa che cerca, con alterna fedeltà, di attuare quanto deciso altrove. Tra i due, un ciclo di ritorno lento, costoso, mediato da consulenti, policy e corsi. Sebbene le organizzazioni imparino a convivere con questa scissione, nessuna è in grado di annullarla.
Si tratta di un ostacolo profondo, che Argyris e Schön (1978, 1996) identificano come la causa principale del mancato apprendimento a doppio anello: l’incapacità, cioè, di analizzare e trasformare i modelli di governo che determinano il comportamento dell’intera struttura.
L‘AI generativa, quando è ancorata a ontologie aziendali leggibili dalla macchina (Gruber, 1995; Guizzardi et al., 2022) e orchestrata da un’architettura agentica (McKinsey, 2025), rende possibile per la prima volta operare quella separazione su un’unica linea temporale. Non perché tutto diventi fluido – sarebbe l’interpretazione sbagliata, e la più rischiosa – ma perché stabilità e fluidità possono finalmente essere distribuite su livelli diversi dello stesso sistema.
È, in altri termini, una versione operativa della distinzione che il programma dell’enterprise ontology propone da tempo: separare “l’essenza stabile dell’impresa dal modo variabile in cui viene realizzata e implementata” (Dietz, 2006; Dietz & Mulder, 2020).
Indice degli argomenti:
I due strati invisibili di ogni organizzazione
Ogni dominio operativo — un’azienda, un ospedale, una scuola, un laboratorio — porta con sé due strati di significato strutturato.
Il primo è l’ontologia di dominio: l’insieme concreto di entità e relazioni su cui l’organizzazione opera quotidianamente (Gruber, 1995). In una società di consulenza sono clienti, progetti, persone, competenze, ruoli, giornate fatturate, offerte. In un ospedale sono pazienti, diagnosi, protocolli, turni, esiti clinici. È il livello che ciascun dipendente percepisce come “reale”.
Il secondo è l’ontologia meta: le variabili di governo che danno senso al primo. Sono gli obiettivi strategici, i valori dichiarati, le politiche di compliance, il concetto operativo di “performance”, la definizione di “sviluppo professionale”, la posizione concorrenziale che si vuole occupare, la nozione stessa di “squadra” o “cliente strategico”. Questo strato corrisponde a ciò che Argyris e Schön (1974) hanno chiamato governing variables: le variabili la cui modifica definisce, in senso proprio, l’apprendimento organizzativo profondo. Risponde alla domanda: perché importa ciò che facciamo nel primo strato?
Storicamente i due livelli sono stati gestiti con modalità e tempi completamente diversi. L’ontologia meta viene articolata in fasi di progettazione — consigli strategici, revisioni di policy, riscrittura di framework — e poi congelata in documenti: organigrammi, carte dei valori, configurazioni ERP.
L’ontologia di dominio è invece in continuo movimento, e il suo compito è implementare, con le inevitabili approssimazioni, ciò che il livello superiore ha stabilito. Il ciclo tra i due è lento, dispersivo, dipendente da un’intermediazione umana che perde informazione a ogni passaggio.
È esattamente questo ciclo che l’AI generativa, usata correttamente, ricongiunge.
Perché è un cambiamento strutturale, non incrementale
La differenza decisiva sta nel fatto che è oggi possibile costruire architetture in cui il livello meta può essere rappresentato in forma leggibile dalla macchina, interrogato, aggiornato, e applicato operativamente senza passare per la traduzione umana. Non era possibile finché non sono nate entità artificiali in grado di accedere in modo nativo alle strutture semantiche.
Quattro componenti, insieme, lo rendono possibile.
Il primo è un grafo della conoscenza aziendale costruito su un’ontologia esplicita (Gruber, 1995; Hinkelmann et al., 2020): una rappresentazione formale delle entità dell’impresa e delle loro relazioni, strutturata in modo che algoritmi e umani possano ragionarci sopra con il medesimo significato. Il programma delle ontologie fondazionali — DOLCE, BFO, e più recentemente la Unified Foundational Ontology con il suo linguaggio derivato OntoUML (Guizzardi et al., 2015, 2022) — fornisce il vocabolario tecnico per costruire ontologie di dominio interoperabili tra settori e organizzazioni.
Il secondo è la capacità dei modelli linguistici di operare come interfacce flessibili tra intenzioni espresse in linguaggio naturale e query formali verso il grafo. Tecniche come Graph-RAG riducono le allucinazioni e ancorano l’output a fatti verificabili — una differenza enorme rispetto all’uso di LLM isolati.
Il terzo è l’architettura agentica: reti di agenti specializzati, ciascuno con i propri strumenti e responsabilità, che eseguono azioni sul grafo coordinandosi tra loro. McKinsey nel settembre 2025 ha descritto questa transizione come il più grande cambiamento di paradigma organizzativo dalla rivoluzione digitale, con lo spostamento da organigrammi gerarchici a “reti di lavoro” in cui piccoli team umani supervisionano decine di agenti che gestiscono processi end-to-end. Piattaforme commerciali come Foundry di Palantir (Palantir Technologies, 2025) rappresentano oggi l’incarnazione più matura di questa architettura: un’ontologia operativa che accoppia “sostantivi” (oggetti semantici) e “verbi” (azioni e funzioni) leggibili sia dagli umani sia dagli agenti.
Il quarto è il livello di governance incorporato: agenti critici che contestano gli output, guardrail di policy, controllori di compliance. È il meccanismo attraverso cui i valori del livello meta non restano documenti ma diventano vincoli attivi applicati a ogni azione. Lavori recenti su ontologie metacognitive e meta-decisionali (Badea & Gilpin, 2022) mostrano che il livello meta può ormai essere formalizzato a un grado tale da rendere operativo, e non solo filosoficamente coerente, il suo uso.
Combinando questi elementi, il livello meta smette di essere un’astrazione da tradurre in operatività e diventa un livello di controllo vivo.
Un esempio concreto
Consideriamo una società di consulenza di media dimensione — duecento professionisti, sette uffici, un portafoglio che spazia dall’industria al settore pubblico. Maria è in azienda da tre anni, è senior consultant, e il suo percorso finora è finito in un punto di attrito classico: il suo sviluppo è gestito da HR con revisioni semestrali, la sua allocazione sui progetti è gestita dai partner con logiche settimanali. I due processi non parlano davvero tra loro. La sua crescita professionale è intermittente, guidata più dalla fortuna dei progetti su cui finisce che da un disegno.
Immaginiamo ora che l’impresa abbia investito nell’architettura descritta sopra. L’ontologia formativa contiene le competenze di Maria al giusto livello di granularità, i suoi interessi di sviluppo dichiarati, le sue meta-competenze (ragionamento critico, comunicazione strutturata, decisione in contesti incerti), e le relazioni tra argomenti e capacità. L’ontologia organizzativa contiene i progetti vivi, i ruoli richiesti, le competenze associate, le priorità strategiche, le dinamiche del mercato in cui la società sta entrando.
Sul livello meta vive un obiettivo operativo persistente: mantenere in allineamento continuo la traiettoria di sviluppo di ciascuna persona con l’evoluzione delle capacità richieste dall’impresa, sotto vincoli di equità, carico di lavoro e preferenze dichiarate. Non è un piano con scadenza: è una variabile di governo sempre attiva.
Quando entra in sistema un nuovo progetto su analytics sanitaria — un dominio in cui la società ha appena vinto la prima commessa — il livello meta non si limita a pubblicare il ruolo su un marketplace interno. Interroga simultaneamente le due ontologie. Scopre che Maria ha competenze solide in modellazione attuariale assicurativa, che ha dichiarato sei mesi prima interesse per il sanitario, che il suo progetto attuale è in chiusura, e che un’allocazione parziale non comprometterebbe la consegna. Propone una configurazione: Maria entra al 40% in un ruolo ponte tra la sua forza esistente e il nuovo dominio, accoppiata a un collega più esperto in sanità che copre il restante 60% e per cui l’affiancamento è a sua volta crescita su competenze di mentoring.
Nessuna delle ontologie sottostanti è cambiata. Il “ruolo ponte” esisteva già come tipo di relazione. Le competenze di Maria non sono state ricalibrate. Ciò che il livello meta ha fatto è comporre una configurazione specifica di entità e relazioni, pescando da entrambi gli strati, che serve l’obiettivo attivo meglio delle alternative.
Nelle settimane successive il sistema continua a operare. Mentre Maria lavora, il livello meta osserva segnali — documenti prodotti, feedback raccolti, meeting sostenuti — e aggiorna la sua ontologia formativa con eventi di apprendimento concreti e auditabili. Quando emerge un gap (Maria fatica con gli schemi dati specifici della sanità, distinti da quelli assicurativi), il sistema propone risorse alla granularità giusta, o suggerisce l’abbinamento con un collega per cui trasmettere quella conoscenza è a sua volta crescita documentata.
Se a metà progetto la strategia dell’impresa si sposta verso un segmento adiacente — analytics per provider invece che per payer — non serve un ciclo di ripianificazione. L’aggiornamento strategico si propaga immediatamente nello spazio degli obiettivi attivi, le allocazioni correnti vengono rivalutate, la traiettoria professionale di Maria viene ridefinita con il nuovo paesaggio come sfondo, nel continuo. Strategia ed esecuzione diventano continue, non perché un documento è stato riscritto, ma perché la strategia è stata tenuta come variabile viva fin dall’inizio.
Esteso a duecento persone e a un portafoglio completo, questo coordinamento libera una capacità che oggi non esiste: riconfigurarsi in risposta al mercato senza passare per cicli di pianificazione trimestrali. Staffing, sviluppo e strategia cessano di essere tre processi distinti con handoff dispendiosi e diventano un’operazione unica.
Due velocità: il ciclo veloce e il ciclo lento
La tentazione, leggendo l’esempio, è di concludere che tutto debba diventare fluido. È l’errore più pericoloso che un dirigente possa fare.
Un’ontologia che cambia continuamente sotto le persone distrugge il riferimento condiviso che la rende utile. Due agenti — umani o software — non possono coordinarsi su una “competenza” se il concetto viene riscritto a ogni azione. Un’ontologia che non cambia mai, d’altra parte, accumula debito semantico: col tempo il sistema spende più energia ad aggirare disallineamenti tra concetti e realtà che ad operare attraverso semantica pulita.
La soluzione è strutturale: stabilità e fluidità su scale temporali diverse. È la stessa logica che Dietz (2006) propone separando l’essenza stabile dell’impresa dal modo variabile della sua realizzazione, qui resa operativa dall’infrastruttura agentica.
Sul ciclo veloce le ontologie di dominio sono stabili. Ciò che il livello meta manipola è la relazione tra di esse — quali entità sono legate a quali, con che peso, sotto quale obiettivo attivo. È il livello dell’esempio di Maria: riconfigurazione continua guidata da obiettivi, senza inventare nuovi concetti. Le decisioni operative hanno un riferimento solido e condiviso, e il linguaggio in cui vengono prese resta coerente nel tempo.
Sul ciclo lento le ontologie stesse vengono raffinate. Ma non sulla base di intuizioni episodiche o di riorganizzazioni dall’alto: sulla base delle prove accumulate dal ciclo veloce. È, strutturalmente, la versione moderna del doppio anello di Argyris e Schön (1978): il ciclo veloce è azione coordinata sotto variabili di governo stabili, il ciclo lento è la modifica di quelle variabili sotto evidenza accumulata. La novità non è il concetto, ma il fatto che l’evidenza ora viene generata automaticamente, in modo strutturato e continuo, dall’operatività stessa del ciclo veloce.
Il livello di esperienza: il ciclo veloce come generatore di prove
L’operatività del ciclo veloce produce, come sottoprodotto naturale, una traccia strutturata di ciò che accade e del perché. Non log operativi generici, ma registrazioni semanticamente contestualizzate: quali entità sono state legate, sotto quale obiettivo, con quale ritorno atteso, e — col tempo — con quale ritorno effettivo.
Questa traccia è il livello di esperienza — un costrutto che riprende e operazionalizza, in chiave computazionale, l’idea di Argote e Miron-Spektor (2011) secondo cui l’esperienza organizzativa, interagendo con un contesto latente e attivo, produce conoscenza. Rivela quattro pattern che in passato restavano invisibili:
- Legami efficaci che l’ontologia non prevedeva: se persone con un mix inatteso di competenze performano sistematicamente bene in un certo ruolo, esiste nel mondo una relazione che l’ontologia non ha ancora catturato.
- Legami che funzionano solo sotto tensione: quando il sistema raggiunge un obiettivo solo trattando un’entità come istanza di una categoria per cui non era progettata, lo stiramento ripetuto è prova che i confini sono sbagliati.
- Relazioni silenziosamente portanti: relazioni modellate come periferiche che risultano determinanti nei risultati, e andrebbero elevate a cittadini di primo livello.
- Granularità sbagliate: concetti troppo grossolani che richiedono distinzioni continue, o distinzioni troppo fini trattate come equivalenti.
Non sono verità che un knowledge engineer tradizionale possa produrre dalla scrivania. Emergono dall’attrito reale tra l’ontologia e il lavoro. Il livello di esperienza le rende visibili, aggregate, quantificate. Il ciclo lento le traduce in raffinazioni deliberate, secondo la metodologia che la letteratura sull’evoluzione delle ontologie (Zablith et al., 2014) ha sviluppato in due decenni di ricerca — qui dotata, finalmente, di un flusso continuo di evidenze invece di interventi episodici.
Tre modelli di governance, non uno
Il punto più politicamente delicato dell’architettura non è tecnico: è chi decide come raffinare cosa. In questo ambito, è plausibile identificare tre modelli:.
Il Modello A è la raffinazione assistita da AI con approvazione umana leggera. Un agente analizza l’esperienza, identifica pattern di tensione, propone modifiche, e le sottopone a un revisore. È appropriato per ontologie tecniche non contese: catalogo servizi, classi di progetto, schema dati clienti. Cadenza: settimanale o mensile.
Il Modello B è la raffinazione guidata da un esperto, informata dall’esperienza. Un knowledge engineer, un domain expert o un responsabile di funzione revisiona periodicamente le prove ed esprime giudizi di modellazione. È appropriato per ontologie tecniche che richiedono competenza specialistica: tassonomie cliniche, strumenti finanziari, standard ingegneristici. L’LLM serve l’esperto, non lo sostituisce. Cadenza: trimestrale.
Il Modello C è la deliberazione multi-stakeholder con evidenze strutturate. Le prove del livello di esperienza vengono rese disponibili alle persone il cui lavoro è strutturato dall’ontologia, e le modifiche vengono negoziate. È necessario per le ontologie normativamente contestate dentro l’organizzazione: cosa conta come “mastery”, cosa conta come “performance”, cosa costituisce “meritevole di promozione”, come si definisce “equità” nell’allocazione delle opportunità. Non sono domande tecniche con risposte giuste da scoprire: sono domande su cui membri ragionevoli dell’istituzione, con interessi diversi, legittimamente dissentono. La legittimità dell’ontologia dipende dalla legittimità del processo con cui viene modificata. Cadenza: annuale, con clausole di revisione straordinaria.
L’errore da non commettere
L’errore che un’impresa può fare — e molte lo stanno già facendo inavvertitamente — è applicare il Modello A o B a regioni che richiederebbero il Modello C, perché è più rapido, meno costoso, politicamente meno faticoso. È così che i sistemi di AI acquisiscono un bias tacito che nessuno ha esplicitamente scelto: qualcuno ha deciso, in silenzio, cosa significa “performance”, e nessuno l’ha rimesso in discussione. Schön (1983) lo aveva già anticipato in altri termini: ogni framing del problema determina cosa potrà valere come soluzione, e i framing che restano impliciti sono i più difficili da contestare.
La protezione è strutturale. Ogni regione di ogni ontologia va marcata, alla costruzione, con il modello di governance che le si applica, e il ciclo lento deve onorare quella marcatura. Il livello meta deve quindi contenere, in forma esplicita e leggibile dalla macchina, uno schema di governance della raffinazione: quali parti di quali ontologie si raffinano secondo quale modello, da chi, con quale cadenza, contro quali standard di evidenza. Lo schema stesso è auditabile e soggetto alle stesse distinzioni che governa.
Un beneficio secondario, ma non piccolo: questo crea un luogo legittimo per il dissenso organizzativo sull’ontologia. Oggi il disaccordo su cosa conta come competenza o cosa vada misurato in una revisione di performance o si svolge implicitamente — il sistema è stato progettato da qualcuno e le sue scelte sono invisibili — oppure non si svolge affatto. Un’architettura con ciclo lento esplicito trasforma quel disaccordo in una conversazione strutturata con conseguenze reali, invece che in una decisione una tantum riprodotta in silenzio per anni.
Cosa cambia per chi guida un’impresa
Se quanto sopra è vero, come chi scrive pensa che sia, ne derivano alcune conseguenze di una certa rilevanza.
L’unità del design organizzativo si sposta dal processo all’ontologia. Ciò che un dirigente lungimirante sta progettando, quando progetta bene, è il livello meta: quali entità contano, quali relazioni sono rilevanti, quali sono le variabili di governo, come si distingue ciò che è tecnico da ciò che è normativamente carico. Il processo discende da lì. È un cambiamento di mestiere: meno elaborazione di piani dettagliati, più articolazione di come l’organizzazione pensa se stessa.
Il Viable System Model di Beer (1979, 1981) — un tentativo cibernetico precedente di formalizzare la relazione ricorsiva tra livello operativo e livello di governo — ottiene così, con quasi cinquant’anni di ritardo, il sostrato computazionale che gli mancava.
Strategia ed esecuzione cessano di essere fasi separabili. Un aggiornamento strategico è un’edizione del livello meta; la propagazione verso le operazioni è una questione di runtime, non un progetto di trasformazione di sei mesi (McKinsey, 2025). Il tempo tra decisione ed effetto si comprime drasticamente, con le implicazioni competitive che si possono immaginare.
Formazione e lavoro diventano una funzione continua. Se condividono un’ontologia meta di competenze, obiettivi e traiettorie, la domanda “quando finisce la formazione e inizia il lavoro” diventa mal posta. Lo sviluppo delle capacità è un problema di allocazione viva, non un evento di calendario. Non significa che ogni apprendimento debba avvenire in produzione — per competenze ad alto rischio la pratica deliberata in contesti protetti conserva valore insostituibile — ma la distinzione va rappresentata nell’ontologia stessa, non imposta dall’esterno dai cicli formativi decisi da HR.
La memoria istituzionale diventa leggibile dalla macchina. Le imprese perdono oggi la maggior parte della conoscenza tacita quando le persone se ne vanno. Un livello meta vivo, con una storia operativa completa e un livello di esperienza che registra il contesto semantico delle decisioni, è il primo meccanismo serio per preservare il sapere organizzativo senza congelarlo. È, nei termini del modello 4I di Crossan, Lane e White (1999), la prima infrastruttura in cui la fase di istituzionalizzazione — storicamente il punto di rottura più frequente nel ciclo dell’apprendimento organizzativo — può essere sostenuta a una cadenza realistica per l’organizzazione.
La governance si sposta dall’audit degli output alla cura del livello meta. Il punto di leva per etica, compliance, equità e coerenza strategica è lo strato che si propaga. È una promessa — precisione chirurgica dell’intervento — ed è un rischio — piccoli errori al livello meta cascano velocemente ovunque. Lo schema di governance della raffinazione non elimina il pericolo, lo rende visibile e gestibile.
Cosa rimane aperto
L’introduzione di un’architettura che gestisca, pur assieme a operatori umani, le ontologie aziendali in questi termini non è priva di rischi.
Chi “possiede” il livello meta dentro l’impresa — il proprietario, il CEO, un consiglio interfunzionale, il fornitore della piattaforma — è una domanda politica che l’architettura rende finalmente visibile, ma alla quale non risponde. Oggi viene risolta tacitamente, distribuita su molte mani; con l’architettura proposta va decisa esplicitamente. E la decisione non è neutrale.
Il problema della spiegabilità delle decisioni dei modelli linguistici resta serio anche quando sono ancorati a ontologie. Il livello di esperienza aiuta, ma la distanza tra spiegazione plausibile post-hoc e spiegazione causalmente accurata non è interamente colmata. Le imprese regolate dovranno tenerne conto con rigore. Lavori emergenti su digital twin organizzativi guidati da impegni espliciti (Straka, 2026) suggeriscono una direzione promettente — un’infrastruttura riflessiva che lega intenzione strategica e esecuzione operativa attraverso modelli verificabili — ma è un programma di ricerca aperto, non una soluzione disponibile a scaffale.
Il rischio che lo schema di governance della raffinazione sia esso stesso catturato — modificato nel tempo da chi ha più potere, in modi che si auto-rinforzano — è reale. La protezione richiede meccanismi di revisione indipendenti e, per alcune aziende, voci esterne nel Modello C.
Il rischio della sovra-leggibilità. Rendere le decisioni organizzative leggibili dalla macchina abilita accountability e coordinamento, ma abilita anche sorveglianza e quantificazione di attività che possono essere soggette a regolamentazioni specifiche o a restrizioni esplicite. L’architettura dà alle imprese una lente potente su se stesse; non dice dove la lente non andrebbe puntata.
Il rischio che la velocità con cui i feedback tra i due anelli ontologici si propaga porti a sovrastimare i vantaggi e sottostimare i rischi di drift. Governare una Formula 1 è più difficile che gestire un’auto familiare.
Pur con queste considerazioni, queste sono domande che ora si possono porre con precisione, perché l’architettura le rende visibili invece di occultarle nelle pieghe e inefficienze del disegno organizzativo tradizionale. È un vantaggio, anche quando porta a domande scomode.
Conclusione
L’AI generativa non rende l’impresa magicamente fluida, e chi la presenta così fa un cattivo servizio a chi deve decidere come investire. Ciò che rende possibile è una cosa più precisa e più utile: separare stabilità e fluidità su scale temporali diverse. Un livello operativo che opera su ontologie stabili, componendole in configurazioni sempre nuove sotto obiettivi vivi. Un livello di raffinazione che corregge le ontologie stesse quando l’esperienza mostra che è tempo di farlo, con governance differenziata secondo il peso normativo di ciò che si sta modificando.
È, in sostanza, l’apprendimento organizzativo a doppio anello teorizzato da Argyris e Schön (1974, 1978) quasi cinquant’anni fa — finalmente dotato dell’infrastruttura che gli mancava. Per mezzo secolo autorevoli teorici di organizzazione d’impresa, da Senge (1990) in avanti, hanno parlato di variabili di governo da mettere in discussione, di modelli mentali condivisi, di organizzazioni che imparano. Non esisteva il sostrato tecnico per renderle operative a scala. Ora esiste.
La domanda, per chi guida un’impresa oggi, non è più se adottare questa architettura, ma con quale disciplina. Perché lo stesso substrato che la rende possibile, usato senza la distinzione tra raffinazione tecnica e deliberazione normativa, produce precisamente l’opposto di ciò che promette: organizzazioni più rigide di prima, i cui presupposti sono sepolti più in profondità e difesi da sistemi meno contestabili.
La differenza tra le due traiettorie vedrà probabilmente un’accelerazione nei prossimi due o tre anni — e l’adozione sistemica della AI generativa come architettura portante dell’impresa sarà probabilmente influenzata più dalle scelte che saranno operate su quale livello ontologico far lavorare in modo strutturale i sistemi di AI più che dalla scelta di una delle piattaforme.
Riferimenti bibliografici
Argote, L., & Miron-Spektor, E. (2011). Organizational Learning: From Experience to Knowledge. Organization Science, 22(5), 1123–1137.
Argyris, C., & Schön, D. (1974). Theory in Practice: Increasing Professional Effectiveness. Jossey-Bass.
Argyris, C., & Schön, D. (1978). Organizational Learning: A Theory of Action Perspective. Addison-Wesley.
Argyris, C., & Schön, D. (1996). Organizational Learning II: Theory, Method, and Practice. Addison-Wesley.
Badea, C., & Gilpin, L. H. (2022). Establishing Meta-Decision-Making for AI: An Ontology of Relevance, Representation and Reasoning. arXiv:2210.00608.
Beer, S. (1979). The Heart of Enterprise. Wiley.
Beer, S. (1981). Brain of the Firm (2ª ed.). Wiley.
Crossan, M. M., Lane, H. W., & White, R. E. (1999). An Organizational Learning Framework: From Intuition to Institution. Academy of Management Review, 24(3), 522–537.
Dietz, J. L. G. (2006). Enterprise Ontology: Theory and Methodology. Springer.
Dietz, J. L. G., & Mulder, H. B. F. (2020). Enterprise Ontology: A Human-Centric Approach to Understanding the Essence of Organisation. The Enterprise Engineering Series. Springer.
Gruber, T. (1995). Toward principles for the design of ontologies used for knowledge sharing. International Journal of Human-Computer Studies, 43(5–6), 907–928.
Guizzardi, G., Wagner, G., Almeida, J. P. A., & Guizzardi, R. S. S. (2015). Towards ontological foundations for conceptual modeling: the Unified Foundational Ontology (UFO) story. Applied Ontology, 10(3–4), 259–271.
Guizzardi, G., Benevides, A. B., Fonseca, C. M., Porello, D., Almeida, J. P. A., & Sales, T. P. (2022). UFO: Unified Foundational Ontology. Applied Ontology, 17(1), 167–210.
Hinkelmann, K., Laurenzi, E., Martin, A., Montecchiari, D., Spahic, M., & Thönssen, B. (2020). ArchiMEO: A standardized enterprise ontology based on the ArchiMate conceptual model. In Proceedings of the 8th International Conference on Model-Driven Engineering and Software Development (MODELSWARD).
McKinsey & Company (2025). The agentic organization: Contours of the next paradigm for the AI era. People & Organizational Performance Practice; McKinsey Technology; QuantumBlack, AI by McKinsey.
Palantir Technologies (2025). Foundry Platform Overview e The Ontology System. Documentazione Palantir.
Schön, D. (1983). The Reflective Practitioner: How Professionals Think in Action. Basic Books.
Senge, P. (1990). The Fifth Discipline: The Art and Practice of the Learning Organization. Doubleday.
Straka, L. (2026). Toward Commitment-Driven Enterprise Digital Twins. In H.-G. Fill, Y. Wautelet, J. Ralyté, & J. Zdravkovic (Eds.), The Practice of Enterprise Modeling (PoEM 2025), Lecture Notes in Business Information Processing, vol. 570. Springer.
Zablith, F., Antoniou, G., d’Aquin, M., Flouris, G., Kondylakis, H., Motta, E., Plexousakis, D., & Sabou, M. (2014). Ontology evolution: a process-centric survey. The Knowledge Engineering Review, 30(1), 45–75.
