Le notizie sull’intelligenza artificiale generativa tendono a concentrarsi sui modelli: quale sia il più potente, quale sappia ragionare meglio, quale produca il codice migliore o utilizzi più efficacemente gli strumenti.
Ma, allo stato attuale dell’evoluzione dei modelli di frontiera come Anthropic Fable e OpenAI GPT Sol, le aziende che sono in grado di sviluppare un nuovo large language model si contano sulle dita di una mano (forse due). Per tutte le altre aziende, la sfida sta nel capire come trasformare un modello generalista in uno strumento capace di svolgere efficacemente un compito specifico.
Indice degli argomenti
Dal prompt all’harness: come l’AI diventa operativa
Qui entra in gioco il concetto di harnessing. Con questo termine indichiamo l’insieme degli elementi che consentono di “mettere al lavoro” un large language model: istruzioni, esempi, strumenti, regole, criteri di valutazione, accesso ai dati e sequenze operative che indirizzano le capacità generali dell’AI verso un determinato obiettivo.
Il termine deriva dall’inglese harness, l’imbracatura utilizzata per controllare e indirizzare la forza di un animale da lavoro. In senso più ampio, to harness significa sfruttare o indirizzare una risorsa in modo intenzionale. L’analogia è abbastanza intuitiva: il modello mette a disposizione una capacità generale, mentre l’harness stabilisce come utilizzarla per svolgere un determinato lavoro.
Quando il lavoro diventa più articolato, però, una singola istruzione non sempre basta. Quasi sempre è necessario scomporre il lavoro in più passaggi, fornire esempi, stabilire criteri per valutare il risultato, collegare il modello a strumenti esterni, recuperare informazioni da fonti specifiche o prevedere comportamenti differenti in base a ciò che emerge durante l’esecuzione.
Il prototipo come caso concreto
A quel punto non stiamo più semplicemente scrivendo un prompt. Stiamo cercando di descrivere un processo. Ipotizziamo di voler sviluppare il prototipo di un’applicazione. Potremmo spiegare a un modello avanzato l’idea che abbiamo in mente, in modo più o meno dettagliato, e poi dargli l’istruzione: «costruisci un prototipo di questa applicazione». Probabilmente sarebbe in grado di produrre qualcosa di funzionante. Ma realizzare un buon prototipo non significa semplicemente scrivere del codice.
Un prototipo serve a verificare un’ipotesi nel minor tempo possibile. Bisogna quindi capire quali funzionalità siano davvero necessarie, quali possano essere escluse, quali parti dell’esperienza debbano risultare sufficientemente realistiche e quali invece possano essere simulate.
Un professionista che svolge questo lavoro da anni prende molte di queste decisioni quasi automaticamente. Sa quando una funzionalità è troppo complessa rispetto allo scopo del prototipo, quando un’interfaccia deve essere realistica per consentire un test e quando, invece, è inutile investire tempo in dettagli che non influenzano il risultato.
La conoscenza tacita nel lavoro
Questo aspetto è particolarmente interessante perché gran parte della conoscenza professionale è tacita. Infatti, in molte attività non esiste una procedura completamente deterministica. Un avvocato esperto non analizza un contratto applicando semplicemente una serie di regole del tipo «se accade A, allora fai B». Un product manager non decide quali funzionalità sviluppare seguendo una formula matematica. Un designer non costruisce un’interfaccia applicando sempre la stessa sequenza di operazioni. In tutti questi casi entrano in gioco l’esperienza, il contesto, i criteri qualitativi, le eccezioni e una serie di valutazioni che variano a seconda della situazione.
Il software tradizionale ha sempre avuto difficoltà a rappresentare questo tipo di conoscenza, perché funziona particolarmente bene quando il problema può essere formalizzato con regole precise. Gli LLM permettono invece di lavorare anche con istruzioni meno deterministiche. Possiamo dire al modello, per esempio, di privilegiare una certa soluzione quando il tempo disponibile è limitato, di confrontare più alternative secondo determinati criteri qualitativi oppure di considerare alcune eccezioni prima di prendere una decisione.
Questo non significa che il modello possieda effettivamente l’esperienza di un professionista. Significa però che possiamo rendere esplicita una parte di quell’esperienza e inserirla nel contesto operativo in cui il modello opera.
Harnessing AI e conoscenza professionale
Da questo punto di vista, l’harnessing può essere considerato una forma di knowledge engineering: il tentativo di rappresentare una conoscenza specialistica in modo che possa essere utilizzata da una macchina.
Per un’azienda, la questione è rilevante perché una parte importante del suo know-how risiede proprio nel modo in cui svolge determinate attività: i criteri con cui prende decisioni, le eccezioni che ha imparato a gestire, le procedure sviluppate nel tempo e l’esperienza accumulata dalle persone.
Costruire un harness significa provare a rendere almeno una parte di questa conoscenza esplicita e utilizzabile da un sistema di intelligenza artificiale.
Harnessing AI e modelli sempre più capaci
A questo punto, emerge un’obiezione piuttosto naturale. Se i modelli diventano sempre più capaci, avremo ancora bisogno di sistemi così articolati di istruzioni e controlli?
La risposta è sì, ma probabilmente in una forma diversa. Infatti, occorre distinguere almeno due componenti dell’harnessing. La prima serve a compensare i limiti del modello. Un’attività che oggi richiede una lunga sequenza di passaggi potrebbe domani essere svolta autonomamente a partire da un’unica istruzione. È un fenomeno già osservabile: compiti che fino a poco tempo fa richiedevano prompt molto dettagliati possono oggi essere eseguiti con indicazioni più semplici. I modelli gestiscono meglio il contesto, utilizzano strumenti, pianificano le attività e verificano autonomamente una parte del proprio lavoro. Questa componente dell’harnessing è quindi destinata a ridursi.
Ma esiste una seconda componente che dipende molto meno dalle capacità del modello: la conoscenza del processo. Se chiediamo a un sistema AI di «costruire un buon prototipo», rimane infatti aperta una questione: cosa significa, esattamente, buon prototipo? La risposta dipende dall’obiettivo che vogliamo raggiungere, dal tipo di ipotesi che intendiamo verificare, dagli utenti, dal tempo a disposizione, dai vincoli economici e dalla metodologia che abbiamo scelto di adottare.
Un modello più capace potrà probabilmente ricostruire da solo molti più passaggi operativi. Ma dovremo comunque comunicargli, in qualche modo, secondo quali criteri vogliamo che lavori.
I tre livelli delle applicazioni basate sull’AI
Un modo utile per leggere il problema è immaginare un’applicazione basata sull’intelligenza artificiale come composta da tre livelli.
Il primo è il modello. Fornisce le capacità generaliste: comprendere e generare linguaggio, ragionare, programmare, interpretare immagini, utilizzare strumenti.
Il secondo è l’harness. Contiene la conoscenza necessaria per trasformare quelle capacità generali in un processo specifico: istruzioni, regole, esempi, strumenti, criteri e verifiche.
Il terzo è il prodotto. È tutto ciò che consente al sistema di entrare realmente nel lavoro di persone e organizzazioni: interfacce, dati, integrazioni, permessi, sicurezza, gestione degli utenti e la connessione con gli altri sistemi aziendali.
Le aziende che sviluppano foundation model competono al primo livello. Per la maggior parte delle altre imprese, invece, una parte importante della possibilità di differenziarsi risiede negli altri due.
Due aziende possono utilizzare lo stesso modello e ottenere sistemi molto diversi. Possono avere accesso a dati diversi, adottare processi diversi e, soprattutto, incorporare nel sistema una diversa conoscenza del problema che stanno cercando di risolvere.
Un harness AI indipendente dal modello
Questa distinzione ha anche una conseguenza architetturale. Un harness ben progettato non dovrebbe dipendere eccessivamente da un modello specifico. Se oggi il modello più adatto a una determinata attività è Claude e domani è GPT o Gemini, dovrebbe essere possibile sostituirlo senza dover ricostruire interamente il processo.
Naturalmente non esiste un’indipendenza totale. Modelli differenti hanno capacità, modalità d’uso e comportamenti diversi. Cambiando modello può essere necessario modificare alcune istruzioni, rivedere l’utilizzo degli strumenti o sfruttare nuove funzionalità che rendono inutili alcuni passaggi. Ma la metodologia sottostante può rimanere sostanzialmente invariata.
È un principio familiare nello sviluppo software: quando possibile, si cerca di separare la logica dell’applicazione dall’infrastruttura che l’esegue. Lo stesso principio può rivelarsi utile nei sistemi basati sull’intelligenza artificiale. Il modello diventa una componente che può cambiare nel tempo, mentre il processo e la conoscenza del dominio restano patrimonio dell’organizzazione.
Harnessing AI e vantaggio competitivo nelle imprese
Negli ultimi anni gran parte dell’attenzione si è concentrata sulla scelta del modello migliore. È comprensibile: la tecnologia si è evoluta molto rapidamente e le differenze tra una generazione e l’altra sono state significative, anche se oggi la competizione tra i principali LLM li sta portando verso un livello di prestazioni e funzionalità sempre più omogeneo. Di conseguenza, la scelta di uno specifico modello rispetto a un altro sta perdendo gran parte della sua rilevanza strategica: quando i foundation model tendono ad equivalersi per capacità e performance, la vera differenza non risiede più nel modello adottato.
Per le aziende, utilizzare il modello più potente disponibile non è sufficiente a creare una differenza significativa. Il valore si è spostato progressivamente verso ciò che viene costruito intorno al modello: il modo in cui viene inserito nei processi, i dati a cui può accedere, gli strumenti che può utilizzare e, soprattutto, la conoscenza specialistica con cui viene guidato.
Se due aziende hanno accesso allo stesso LLM, ciò che le distingue è ciò che riescono a fargli fare e il modo in cui lo fanno. È qui che l’harnessing assume il suo valore più interessante, perché è un modo per trasformare l’esperienza, il metodo e la conoscenza specialistica in un processo che un’intelligenza artificiale possa utilizzare.
Partecipa alla community