Riepilogo Tecnico: X-SYNTH — Sintesi del Contesto Aziendale dall'Attenzione Umana Osservata

1. Enunciato del Problema

Nelle operazioni aziendali, il contesto necessario affinché gli agenti AI completino compiti complessi è disperso tra sistemi di record, archivi statici e canali di comunicazione. Gli approcci prevalenti attuali si basano sulla Generazione Aumentata dal Recupero (RAG), che corrisponde il contenuto della richiesta ai dati archiviati. Sebbene efficace per query ristrette e basate sui contenuti (ad esempio, "Trova la fattura INV-34231"), questo approccio fallisce nei compiti agenziali complessi che richiedono una sintesi da prove comportamentali disperse.

La modalità di fallimento fondamentale è l'assenza di un segnale di rilevanza principiale. I sistemi di recupero standard trattano i dati come testo statico, ignorando la "sequenza ordinata di azioni" e i "segnali di ricompensa impliciti" che codificano come il lavoro avviene effettivamente. Di conseguenza, gli agenti soffrono di bassi Tassi di Lead Reali (TLR) e alti Tassi di Lead Falsi (FLR) perché non riescono a distinguere tra rumore e pattern comportamentali causalmente rilevanti specifici di un'organizzazione, un team o un individuo. Il documento sostiene che la sintesi del contesto aziendale non è un problema di recupero, ma un problema di rilevanza, dove l'attenzione umana funge da verità fondamentale.

2. Metodologia: Il Framework X-SYNTH

X-SYNTH è una pipeline agenziale a quattro stadi che fonda la sintesi del contesto sull'attenzione umana, definita come le firme di interazione digitalmente osservabili dei lavoratori. Il sistema modella la linea di base comportamentale di ogni individuo come una Firma del Gemello Digitale (DTS) e utilizza un router appreso per selezionare tra sette filtri di attenzione distinti.

Componenti Principali

A. Firma del Gemello Digitale (DTS)
Per ogni individuo $u$, il sistema mantiene un profilo comportamentale in rotazione $DTS(u, \tau)$ su una finestra $\tau$. È composto da cinque componenti:

1. $v_{dom}$ (Attenzione al Dominio): Concentrazione dell'attenzione tra i domini di lavoro.
2. $v_{rhythm}$ (Ritmo Comportamentale): Statistiche su tempo di permanenza, rivedute e transizioni.
3. $v_{base}$ (Linea di Base): Statistiche di estensione temporale che stabiliscono il "normale" dell'individuo.
4. $v_{resp}$ (Profilo di Responsabilità): Proprietà del dominio inferita dall'attività, non dai ruoli dichiarati.
5. $v_{div}$ (Divergenza): La differenza tra i modelli di attenzione recenti e la linea di base a lungo termine.

B. Sette Filtri di Attenzione
Un selettore di modalità appreso $f_\theta$ (un MLP a 3 livelli) mappa una query $q$ e la DTS dell'utente su una distribuzione di probabilità su sette filtri qualitativamente distinti:

1. Proporzionale: Un alto tempo di permanenza segnala importanza (attenzione attesa).
2. Inverso: L'assenza di attenzione attesa segnala importanza.
3. Differenziale: La deviazione dalla linea di base dell'individuo segnala importanza.
4. Ricorrente: Il ritorno frequente a un artefatto segnala importanza.
5. Comparativo: L'alternanza rapida tra artefatti simili segnala una valutazione attiva.
6. Sequenziale: Deviazioni dalle sequenze di flusso di lavoro attese.
7. Collettivo: Aggrega l'attenzione attraverso una coorte per trovare consenso o valori anomali.

C. La Pipeline a Quattro Stadi

1. Delimitazione del Soggetto: Identifica l'insieme target di individui $U_q$ basato sulla query.
2. Selezione della Modalità: Per ogni coppia $(q, u)$, il sistema calcola $m(q, u) = \text{softmax}(f_\theta([q; DTS(u, \tau)]))$ per selezionare il filtro o i filtri appropriati.
3. Recupero e Ponderazione: Gli artefatti sono classificati da un peso combinato $w(a_j, q, u) = I_{attn}(a_j, q, u) \cdot I_{content}(a_j, q)$. Questo garantisce che gli artefatti siano sia rilevanti per i contenuti che significativi dal punto di vista comportamentale.
4. Sintesi: Un LLM sintetizza la risposta utilizzando le prove classificate e le annotazioni di modalità.

D. Ciclo di Feedback
Il sistema scompone il feedback terminale in probabilità di fallimento a livello di stadio. Il selettore di modalità viene aggiornato solo quando il fallimento è attribuito allo Stadio 2 (Selezione della Modalità), impedendo che il segnale di addestramento venga inquinato da errori di recupero o sintesi.

3. Contributi Chiave

Il documento delinea quattro contributi principali:

1. Attenzione Umana come Verità Fondamentale Comportamentale: L'operazionalizzazione dell'attenzione umana come segnale di rilevanza discriminativo e apprendibile senza etichette esterne, codificato tramite la DTS.
2. Framework di Modalità di Attenzione a Sette Filtri: Un insieme strutturato di filtri qualitativamente distinti selezionati dinamicamente per ogni individuo e query tramite un router leggero.
3. Pipeline di Sintesi Agenziale a Quattro Stadi: Un flusso di lavoro che integra la delimitazione del soggetto, la selezione di modalità individualizzata, il recupero ponderato per l'attenzione e la sintesi.
4. Ciclo di Feedback con Attribuzione del Credito: Un meccanismo per isolare e aggiornare il selettore di modalità solo quando specifico di una classificazione errata della modalità, garantendo segnali di addestramento puliti.

4. Valutazione e Risultati

Il framework è stato valutato su un benchmark di 302 istanze derivate da tracciati reali di interazione digitale di cinque lavoratori della conoscenza di un'azienda Fortune 500 (210 istanze positive di opportunità commerciali, 92 negative).

Prestazioni di Base:

• Un modello all'avanguardia (Claude Opus 4.6) operante direttamente su sequenze di interazione grezze ha raggiunto un Tasso di Lead Reale (TLR) del 9,5% e un Tasso di Lead Falso (FLR) del 90,5%.
• Un modello più piccolo (GPT-4o-mini) ha raggiunto un TLR dello 0%.

Prestazioni di X-SYNTH:

• Modello all'Avanguardia + X-SYNTH: Il TLR è aumentato al 61,9% (un miglioramento di 6,5 volte), catturando 130 dei 210 lead reali. L'FLR è sceso al 18,8%.
• Modello Piccolo + X-SYNTH: Il TLR è aumentato dallo 0% al 57,1%, dimostrando che il framework può rendere funzionali modelli più piccoli per compiti complessi.

Risultati Qualitativi:

• Divario di Vocabolario: X-SYNTH ha interpretato con successo abbreviazioni specifiche dell'organizzazione (ad esempio, "FZ" per "Formal Zone") sfruttando la DTS, mentre l'inferenza diretta ha fallito a causa della mancanza di priori organizzativi.
• Scalabilità e Selettività: L'inferenza diretta è non fattibile su larga scala a causa del volume di token (fino a 2,5 milioni di token/giorno per venditore). Il recupero selettivo di X-SYNTH rende la valutazione trattabile.
• Integrazione Temporale: X-SYNTH ha integrato con successo segnali su più giorni e individui, mentre le finestre di un singolo giorno hanno mancato il contesto critico.

5. Significato e Affermazioni

Il documento afferma che la sintesi del contesto aziendale non è un problema di recupero, ma un problema di rilevanza. L'assenza di un segnale di rilevanza fondato sul comportamento umano è il principale collo di bottiglia per gli agenti AI aziendali, non la capacità di ragionamento del LLM sottostante.

X-SYNTH dimostra che, modellando le linee di base comportamentali individuali (DTS) e selezionando dinamicamente i filtri di attenzione, i sistemi possono:

• Recuperare la rilevanza causale da prove comportamentali disperse.
• Superare il "divario di vocabolario aziendale" fondando l'inferenza su priori organizzativi accumulati.
• Scalare a flussi di interazione ad alto volume attraverso una compressione fondata sul comportamento anziché sul matching di parole chiave.

Gli autori concludono che l'attenzione umana è la verità fondamentale più affidabile per la rilevanza aziendale e che X-SYNTH fornisce un meccanismo principiale per operazionalizzare questo segnale, migliorando significativamente l'utilità degli agenti AI nei flussi di lavoro aziendali complessi.