# singh-kdlc-knowledge-development-life-cycle-2026-06-28

## Veille

Terzo capitolo della serie di Ashish Singh « New Engineering Disciplines for the AI Era », dedicato al **KDLC — Knowledge Development Life Cycle**: un ciclo di vita in **8 fasi** per trasformare la conoscenza aziendale in un **asset ingegnerizzato**, al pari del codice o dei dati. Tesi: le iniziative di IA falliscono non per la scelta sbagliata dell'LLM o per un sistema RAG mal distribuito, ma perché **non affrontano la struttura sottostante della conoscenza** — « AI is only as effective as the knowledge it can discover, understand, retrieve, and trust ». Il KDLC concatena Discovery → Extraction → Structuring → Knowledge Graph → Embedding → Index Optimization → Retrieval Evaluation → Refresh. Contrappone il **RAG tradizionale** (documenti isolati, parole chiave) all'**Enterprise Knowledge Fabric** (Knowledge Graph + Semantic Search + Vector DB + Hybrid Search), in cui gli agenti comprendono « relationships, context, and business meaning ». Frase distintiva: « Models provide reasoning. Memory provides continuity. Knowledge provides understanding. » Tre esempi (finanza/compliance, ingegneria del software, sanità) illustrano l'impatto.

## Titre Article

New Engineering Disciplines for the AI Era Part 3: KDLC — Knowledge Development Life Cycle

## Date

2026-06-28

## URL

https://www.linkedin.com/pulse/new-engineering-disciplines-ai-era-part-3-kdlc-knowledge-ashish-singh-3sjxc/

## Keywords

KDLC, knowledge development life cycle, knowledge life cycle, enterprise knowledge fabric, knowledge engineering, knowledge engineering, RAG, retrieval-augmented generation, knowledge graph, knowledge graph, semantic search, semantic search, vector database, vector database, hybrid search, embedding, index optimization, retrieval evaluation, knowledge refresh, agentic AI, AI agents, engineered asset, enterprise data, knowledge governance

## Authors

Ashish Singh

## Ton

Profilo: un articolo LinkedIn di leadership tecnica (terzo capitolo di una serie numerata, « New Engineering Disciplines for the AI Era »), una prospettiva da architetto/consulente in terza persona, un registro analitico e prescrittivo che mira a essere un framework di riferimento. Pubblico target: leader dati/IA, architetti aziendali, decisori di piattaforma confrontati con il fallimento ricorrente dei progetti di IA. Il tono è quello dell'**istituzione di una nuova disciplina**: non descrive uno strumento ma eleva l'"ingegneria della conoscenza" al rango di disciplina ingegneristica a pieno titolo, per analogia esplicita con l'SDLC e il ciclo di vita dei dati. La retorica procede **ribaltando la diagnosi** (il problema non è il modello ma la conoscenza) e poi **strutturandola in un ciclo numerato** (8 fasi), un procedimento classico da framework LinkedIn — ogni fase è nominata, definita, ordinata, il che dà un'impressione di completezza metodologica. Le formule memorabili e triadiche (« discover, understand, retrieve, and trust »; « Models provide reasoning. Memory provides continuity. Knowledge provides understanding. ») portano l'autorevolezza più dei numeri — l'articolo è **concettuale, non quantificato**, senza benchmark né studio citato. L'opposizione tra il RAG "ingenuo" e l'Enterprise Knowledge Fabric funge da perno argomentativo: il RAG è il controesempio semplificatore che la disciplina supera. L'ancoraggio settoriale (finanza, ingegneria, sanità) è di registro illustrativo, non dimostrativo.

## Pense-betes

- **Tesi del ribaltamento**: i progetti di IA falliscono non per una scelta scadente dell'LLM o del RAG, ma per una **mancanza di conoscenza strutturata**. « AI is only as effective as the knowledge it can discover, understand, retrieve, and trust. » → la leva si trova a monte del modello.
- **KDLC = 8 fasi** (da ricordare nell'ordine): 1. **Knowledge Discovery** — individuare la conoscenza dispersa nei dati (DB, SharePoint, wiki, CRM, ERP, artefatti di ingegneria, canali di comunicazione). 2. **Knowledge Extraction** — estrarre **preservando il contesto di business, i metadati, le relazioni, la ownership**. 3. **Knowledge Structuring** — oggetti di conoscenza standardizzati e riutilizzabili. 4. **Knowledge Graph Creation** — mappare clienti ↔ prodotti ↔ progetti ↔ team ↔ normative ↔ applicazioni. 5. **Embedding** — rappresentazioni semantiche (comprensione per significato, non per parole chiave). 6. **Index Optimization** — indici vettoriali, metadati, pipeline di retrieval. 7. **Retrieval Evaluation** — misurare pertinenza, precisione, completezza, **impatto di business**. 8. **Knowledge Refresh** — aggiornamento continuo (policy, normative, release).
- **RAG vs Enterprise Knowledge Fabric**: il RAG tradizionale recupera **documenti isolati** per parola chiave; il **Knowledge Fabric** combina Knowledge Graph + Semantic Search + Vector DB + Hybrid Search → gli agenti comprendono **relationships, context, and business meaning**, non solo documenti. RAG = controesempio, Fabric = obiettivo.
- **Triade fondativa**: « **Models provide reasoning. Memory provides continuity. Knowledge provides understanding.** » → la conoscenza è il livello dell'"understanding", distinto dal ragionamento (modello) e dalla continuità (memoria).
- **Posizionamento disciplinare**: l'ingegneria della conoscenza diventa **critica quanto l'ingegneria del software e l'ingegneria dei dati** nell'era dell'IA agentica.
- **3 esempi settoriali**: compliance finanziaria (collegamento normative ↔ policy interne), assistente per l'ingegneria (architettura + contratti API + standard + incidenti prima di raccomandare), assistente clinico (linee guida + protocolli + letteratura + cartella paziente).
- **Limiti**: un articolo **concettuale, non quantificato** (nessun benchmark, dato di costo o riscontro misurato sul campo); il KDLC è un framework accattivante ma resta una **tassonomia di fasi** la cui implementazione, governance e costo di manutenzione (fase 8, Refresh) sono i veri punti dolenti, non trattati.
- **Correlazioni**: un parallelo diretto con **SDLC/ADLC** (Hingel a sei fasi, ADLC di Williams, 11 fasi SFEIR) — la stessa logica di « ciclo di vita » applicata alla conoscenza anziché al codice; il **RAG in declino strutturale** (entità KB) che il Knowledge Fabric afferma di superare; converge con il pattern **Compounding Knowledge Lifecycle** e con la logica del knowledge graph (l'ontologie-kg di questo repository ne è un'istanza concreta).

## RésuméDe400mots

Terzo capitolo della serie « New Engineering Disciplines for the AI Era », questo articolo di Ashish Singh istituisce il **KDLC — Knowledge Development Life Cycle** come disciplina ingegneristica a pieno titolo. La sua tesi ribalta la diagnosi dominante: se tante iniziative di IA aziendale falliscono, non è per la mancata scelta del modello giusto o per la mancata distribuzione di un sistema RAG, ma perché ignorano la **struttura sottostante della conoscenza**. La frase chiave riassume la posta in gioco: « AI is only as effective as the knowledge it can discover, understand, retrieve, and trust. » La conoscenza deve quindi essere trattata come un **asset ingegnerizzato**, al pari del codice (SDLC) o dei dati.

Il KDLC organizza questo lavoro in **otto** fasi ordinate. La **Discovery** individua la conoscenza dispersa tra database, SharePoint, wiki, CRM, ERP e artefatti di ingegneria. L'**Extraction** estrae le informazioni significative preservando il contesto di business, i metadati, le relazioni e la proprietà (ownership). Lo **Structuring** converte l'informale in oggetti di conoscenza standardizzati e riutilizzabili. La **Knowledge Graph Creation** mappa le interconnessioni tra clienti, prodotti, progetti, team, normative e applicazioni. L'**Embedding** produce rappresentazioni semantiche che consentono la comprensione per significato. L'**Index Optimization** affina gli indici vettoriali e le pipeline di retrieval. La **Retrieval Evaluation** misura pertinenza, precisione, completezza e impatto di business. Infine, il **Knowledge Refresh** mantiene l'insieme aggiornato rispetto a nuove policy, normative e release.

Il nucleo argomentativo contrappone due architetture. Il **RAG tradizionale** recupera documenti isolati tramite ricerche basate su parole chiave. L'**Enterprise Knowledge Fabric** — una combinazione di Knowledge Graph, Semantic Search, Vector Database e Hybrid Search — punta a una comprensione interconnessa: anziché recuperare documenti, gli agenti IA colgono « relationships, context, and business meaning ». Una seconda triade inquadra i ruoli rispettivi dei livelli: « Models provide reasoning. Memory provides continuity. Knowledge provides understanding. »

Tre illustrazioni settoriali rendono concreto l'impatto: un assistente per la **compliance finanziaria** che collega normative aggiornate e policy interne; un assistente per l'**ingegneria del software** che consulta architettura, contratti API, standard e incidenti prima di formulare raccomandazioni; un assistente **clinico** che incrocia linee guida terapeutiche, protocolli, letteratura e cartelle cliniche dei pazienti. Singh conclude che, nell'era dell'IA agentica, l'ingegneria della conoscenza diventa critica quanto l'ingegneria del software e l'ingegneria dei dati. Il limite dell'articolo risiede nella sua natura **concettuale, non quantificata**: nessun benchmark né dato di costo, e i veri punti dolenti — governance e manutenzione continua della fase Refresh — restano fuori campo.

## GrapheDeConnaissance

- Ashish Singh —a_créé→ New Engineering Disciplines for the AI Era Part 3: KDLC (DOCUMENT, 0.96)
- KDLC —s_applique_à→ connaissance d'entreprise comme actif ingénieré (CONCEPT, 0.93)
- Ashish Singh —affirme_que→ les initiatives IA échouent faute de connaissance structurée, pas faute de modèle ou de RAG (AFFIRMATION, 0.92)
- Ashish Singh —affirme_que→ « AI is only as effective as the knowledge it can discover, understand, retrieve, and trust » (CITATION, 0.94)
- KDLC —fait_partie_de→ New Engineering Disciplines for the AI Era (série) (CONCEPT, 0.9)
- Enterprise Knowledge Fabric —surpasse→ RAG (TECHNOLOGIE, 0.88)
- Enterprise Knowledge Fabric —utilise→ knowledge graph (TECHNOLOGIE, 0.9)
- Enterprise Knowledge Fabric —utilise→ recherche sémantique (TECHNOLOGIE, 0.88)
- Enterprise Knowledge Fabric —utilise→ base de données vectorielle (TECHNOLOGIE, 0.88)
- knowledge graph —permet→ compréhension des relations, du contexte et du sens métier (CONCEPT, 0.87)
- KDLC —s_applique_à→ IA agentique (TECHNOLOGIE, 0.86)
- ingénierie de la connaissance —est_instance_de→ discipline d'ingénierie critique au même titre que SDLC et data engineering (CONCEPT, 0.85)
- Ashish Singh —affirme_que→ « Models provide reasoning. Memory provides continuity. Knowledge provides understanding. » (CITATION, 0.9)
- KDLC —observé_dans→ conformité financière, ingénierie logicielle et santé (CONCEPT, 0.83)

---
Canonical: https://www.thekb.eu/it/fiches/singh-kdlc-knowledge-development-life-cycle-2026-06-28/