Come scegliere tra regole, modelli predittivi e IA generativa: guida decisionale

Un metodo che parte dalla decisione, non dalla tecnologia

Scegliere una soluzione di intelligenza artificiale significa innanzitutto definire quale decisione o attività si vuole migliorare. La domanda non è quale tecnologia sia di moda, ma quale risultato serva al processo, quali dati siano disponibili, quali conseguenze avrebbe un errore e quali risorse siano necessarie per sviluppare e gestire la soluzione. In molti casi, una regola esplicita o un processo manuale migliorato è più adatto di un modello di apprendimento automatico.

Questa guida propone un metodo operativo per confrontare tre famiglie di soluzioni: regole deterministiche, modelli predittivi e sistemi generativi. Non è una classificazione normativa né una scala convalidata da studi comparativi. È un modello di lavoro che ogni organizzazione deve adattare e verificare con i propri dati, vincoli e obblighi. Gli scenari relativi a finanza, logistica e risorse umane sono esempi ipotetici per mostrare come applicare il metodo: non vengono presentati come casi reali né come prove di efficacia.

Classificare l’attività e i dati prima di scegliere

Un’attività strutturata ha input, stati e risultati descrivibili tramite campi, categorie o condizioni definite. Per esempio, verificare se una fattura supera un importo autorizzato o se un pacco non rispetta un limite di peso. Se la logica è stabile e nota, le regole possono garantire tracciabilità e controllo senza bisogno di addestrare un modello.

Un’attività non strutturata richiede spesso di interpretare testo libero, immagini, audio o altri segnali che non possono essere gestiti con un breve elenco di condizioni. Classificare una richiesta scritta o riassumere una conversazione sono esempi di questo tipo. La distinzione non è assoluta: un’organizzazione può trasformare parte dei contenuti non strutturati in campi e combinare regole e modelli. Il tipo di dato, da solo, non determina la tecnologia da usare: contano anche qualità, volume, variabilità, disponibilità di esempi etichettati e costo di un errore.

Albero decisionale: escludere le opzioni non adatte

Un albero decisionale rappresenta domande successive e i loro possibili esiti. Ogni nodo presenta una condizione e ogni ramo porta a un’altra domanda o a un’opzione finale. Gli alberi sono anche una famiglia di modelli predittivi; qui, però, usiamo l’espressione per descrivere un diagramma organizzativo di valutazione, non un algoritmo addestrato. La struttura aiuta a esplicitare le ragioni di una scelta, ma non garantisce che le risposte siano corrette né che siano state considerate tutte le conseguenze.

Per iniziare, chiediti se il processo può essere descritto con condizioni stabili. In caso affermativo, valuta prima le regole deterministiche. Se non bastano, verifica se l’obiettivo è assegnare una categoria, stimare una probabilità o un valore, oppure produrre nuovi contenuti. La classificazione o la previsione basate su esempi storici possono giustificare la prova di un modello predittivo. Redigere, riassumere o trasformare contenuti può giustificare un sistema generativo, purché si definiscano limiti chiari e si convalidino i risultati. È possibile anche combinare i metodi: un modello propone una risposta e le regole limitano ciò che è consentito.

Punteggio orientativo: confrontare le alternative senza fingere precisione

Una matrice può aiutare a confrontare diverse proposte quando esistono più opzioni plausibili. Assegna a ciascuna un punteggio da 1 a 5 per adeguatezza all’attività, compatibilità con i dati, rischio e controlli, sostenibilità economica e capacità operativa. In questa scala, un punteggio alto deve indicare una condizione favorevole: per esempio, maggiore adeguatezza, dati più pronti, migliore controllo del rischio residuo e costi più sostenibili. Per il rischio, valuta la capacità dimostrata di mitigarlo, non la sua gravità intrinseca.

Le fonti consultate non individuano una ponderazione convalidata che combini tipo di dato, rischio normativo e budget per scegliere tra regole, modelli predittivi e IA generativa. Perciò i pesi riportati di seguito sono un punto di partenza esplicitamente provvisorio. Il budget non deve favorire automaticamente l’opzione meno costosa: considera il costo totale di proprietà, compresi integrazione, test, licenze o calcolo, supervisione, audit, aggiornamenti, sicurezza e uscita dal fornitore. Prima di decidere, ripeti il confronto con pesi diversi e verifica se il risultato cambia.

Rischio: valutare impatto ed esposizione, non soltanto un numero

Un unico punteggio di rischio può nascondere differenze importanti tra sicurezza, privacy, discriminazione, affidabilità, conformità e continuità operativa. È preferibile tenere un registro separato per ogni dimensione: quale danno si considera, chi potrebbe subirlo, con quale frequenza potrebbe verificarsi, quanto sarebbe grave, quali controlli esistono e chi li verifica. Le scale qualitative possono aiutare a definire le priorità di una discussione, ma non vanno presentate come metriche normative ufficiali.

Nell’Unione europea, la classificazione giuridica dipende dall’uso previsto e dalla corrispondenza del sistema alle categorie e condizioni applicabili; non deriva semplicemente dal fatto che un progetto sia considerato a «rischio alto», «medio» o «basso» per l’impresa. La Commissione europea ha pubblicato un progetto di orientamenti per aiutare a valutare se alcuni sistemi debbano essere classificati ad alto rischio. Essendo una bozza, non va descritta come guida definitiva né come sostituto della normativa applicabile. La Fondazione Cotec, invece, illustra un approccio pratico alla governance che comprende l’identificazione dei casi d’uso e dei ruoli, l’analisi dei rischi e l’integrazione dei controlli nel ciclo di vita.

Budget e costo totale: decidere considerando la gestione nel tempo

Attribuire un peso al budget non significa favorire automaticamente l’opzione meno costosa. Per prima cosa, definisci un orizzonte di valutazione comune, per esempio il periodo di pianificazione economica dell’organizzazione, e stima costi iniziali e ricorrenti: preparazione dei dati, integrazione, test, calcolo, licenze, revisione umana, monitoraggio, sicurezza, formazione e manutenzione. Considera anche i costi di uscita, sostituzione o ripristino qualora il fornitore cambi le condizioni o la soluzione non sia più adeguata.

Confronta questi costi con un beneficio definito in anticipo, come la riduzione dei tempi di elaborazione, degli errori o l’aumento della copertura di un’attività. Non dare per scontato che l’automazione produca risparmi netti: se serve una verifica manuale frequente, il costo potrebbe essere trasferito anziché eliminato. Avvia un progetto pilota circoscritto, con criteri di successo e condizioni di interruzione. Se il budget è limitato, prova prima una soluzione più semplice invece di ridurre i controlli che tutelano le persone o l’operatività.

Tre scenari per mettere in pratica il metodo

Gli scenari seguenti sono illustrativi: non descrivono implementazioni reali né risultati misurati. Mostrano come l’analisi cambia in base all’attività, ai dati, all’impatto e alle possibilità di supervisione. In qualsiasi settore, il nome del comparto non basta a determinare la categoria normativa: contano la finalità prevista, il contesto e la configurazione specifica.

Per ciascun caso si indica un’opzione iniziale ragionevole, un’alternativa da valutare e alcuni controlli da considerare. La scelta finale dipende dai dati disponibili e dalle verifiche svolte localmente. Un progetto pilota dovrebbe confrontare la proposta con una baseline e valutare non solo la precisione media, ma anche gli errori rilevanti, i costi, gli effetti sulle persone e le prestazioni in condizioni diverse da quelle usate per sviluppare la soluzione.

Convalida, supervisione e criteri di interruzione

Prima del rilascio, concorda che cosa significhi «funzionare». La valutazione dovrebbe usare dati separati da quelli impiegati per adattare il sistema e rappresentare ragionevolmente l’uso previsto. Per la classificazione, registra gli errori per tipologia e per segmenti pertinenti; per la previsione, confronta i risultati con una baseline e misura l’errore nelle condizioni operative; per la generazione, verifica accuratezza, omissioni, coerenza, privacy e risposte non ammesse. La metrica deve riflettere le conseguenze dell’errore, non soltanto la facilità di misurazione.

Definisci chi verifica gli output, quali decisioni può prendere il sistema, quando deve astenersi e come si correggono gli errori. Registra versione, modifiche, incidenti, approvazioni e motivi degli aggiornamenti. Stabilisci condizioni di interruzione, come un peggioramento oltre una soglia concordata, incidenti di sicurezza, risultati diseguali non mitigati o l’impossibilità di mantenere una revisione efficace. La guida istituzionale della Fondazione Cotec raccomanda di integrare la governance nel ciclo di vita e di mantenere ruoli e inventario dei sistemi; il progetto di orientamenti della Commissione europea aiuta a comprendere la classificazione dei sistemi ad alto rischio, ma non convalida questa matrice di punteggio.

Conclusione: una decisione difendibile vale più di un punteggio accattivante

L’albero di valutazione aiuta a distinguere le attività che si prestano a regole, previsioni o generazione; la matrice rende visibili i compromessi tra dati, adeguatezza, rischio, costi e capacità operativa. Nessuno dei due strumenti determina automaticamente la soluzione corretta. I punteggi sono utili solo se vengono spiegati, confrontati con ipotesi alternative e aggiornati quando cambia il contesto.

Il metodo pratico consiste nel partire da un’attività concreta, valutare prima regole e baseline semplici e provare i modelli soltanto quando esistono una necessità chiara e dati adeguati. Nelle attività a impatto significativo, la supervisione deve incidere davvero sulla decisione, non essere una formalità. Le fonti disponibili sostengono l’utilità generale degli alberi decisionali, l’importanza della governance e la necessità di classificare i sistemi in base al loro uso; non dimostrano l’efficacia di questo modello né stabiliscono pesi universali. La decisione finale dovrebbe basarsi su test locali e, ove opportuno, su una revisione legale.

Continua a esplorare

Correzioni e trasparenza

Se trovi un dato errato o non aggiornato, inviaci la pagina e la fonte da verificare.