Spieghiamo i Decision Model AI
Spieghiamo i Decision Model AI
Indice dei contenuti – Spieghiamo i Decision Model AI
- Perché tutti parlano di decision model
- Cos’è un decision model
- Le caratteristiche principali
- A cosa servono: il lavoro sporco dell’AI
- Casi d’uso pratici in ambito enterprise
- I decision model più diffusi e attuali
- Jev di TypeSafe AI nel dettaglio
- OpenAI Decisions API nel dettaglio
- Come integrarli nel flusso di lavoro IT aziendale
- Limiti e rischi da tenere d’occhio
- Conclusioni: l’AI corre, il vostro team può correre con lei
1. Perché tutti parlano di decision model
Iniziamo e Spieghiamo i Decision Model AI. Immaginate di dover smistare ogni giorno diecimila email in arrivo: rimborsi, reclami, richieste di informazioni. Fino a ieri la risposta standard era una sola: «chiediamolo a un LLM». Funziona, certo. Ma è un po’ come chiamare un professore universitario per chiedergli se il semaforo è rosso: la risposta è giusta, però ha impiegato qualche secondo, ha consumato un mucchio di token e ci ha anche scritto un saggio che il nostro codice deve poi faticosamente interpretare.
Poi, a Settembre 2026, è successo qualcosa. La startup TypeSafe AI ha rilasciato un modello chiamato Jev, e la reazione degli sviluppatori è stata fulminea. Secondo l’analisi di Department of Product, entro 24 ore dal lancio quasi il 13% dei team monitorati attraverso l’AI Gateway di Vercel lo stava usando, il doppio rispetto a qualsiasi lancio precedente. Dopo dieci giorni, lo State of AI Report lo vedeva gestire il 27% delle classificazioni su OpenRouter.
Tra il 1° e il 9 Ottobre, poi, OpenAI, Amazon, Cloudflare, Perplexity, Microsoft e Snowflake hanno lanciato ciascuno il proprio modello della stessa famiglia. Una nuova categoria è nata in meno di un mese e ha un nome: decision model. Curiosità per gli appassionati di economia: secondo TechCrunch il nome Jev è un omaggio a William Stanley Jevons e al suo celebre paradosso, quello per cui rendere una risorsa più efficiente non la fa consumare di meno, ma la fa usare ovunque. Vedremo che è esattamente ciò che sta accadendo.
2. Cos’è un decision model – Spieghiamo i Decision Model AI
Un decision model risponde a una domanda scegliendo da un insieme fisso di risposte, invece di generare testo libero. Gli si fornisce una situazione da valutare (nel gergo, lo state: un’email, un ticket, un record JSON) e una o più domande tipizzate, cioè domande la cui risposta deve rientrare in un formato preciso. Il modello sceglie e dice anche quanto è sicuro di ogni opzione.
Prendiamo il caso, tratto dall’articolo di Department of Product, di un cliente che scrive: «Mi avete addebitato due volte l’ordine e voglio il rimborso». Il risultato potrebbe essere: richiesta di rimborso 91%, reclamo 8%, domanda 1%. Il codice vede un 91% e instrada il ticket al team giusto, senza dover interpretare nemmeno una riga di prosa. Vercel, annunciando il proprio supporto, ha riassunto il concetto dicendo che i decision model restituiscono risposte strutturate con probabilità, senza generare token di testo.
TypeSafe usa un’etichetta ancora più evocativa: System One Models, con un chiaro richiamo al pensiero veloce e intuitivo reso celebre da Daniel Kahneman. L’LLM è il pensiero lento, quello che ragiona, pianifica e scrive. Il decision model è il colpo d’occhio: una valutazione da «gut check» che un esperto farebbe in due secondi. Come ha scritto The New Stack, è l’«if» di un’applicazione AI.
3. Le caratteristiche principali – Spieghiamo i Decision Model AI
Cosa distingue davvero un decision model da un LLM usato «con un buon prompt»? Dalle documentazioni ufficiali e dalla stampa tecnica emergono sei tratti ricorrenti:
- Output tipizzato. La risposta è un valore di un insieme noto (una scelta, un punteggio, una probabilità), non una stringa da analizzare. Niente regex, niente JSON malformato da riparare.
- Probabilità e confidenza. Ogni risposta arriva con la distribuzione di probabilità sulle opzioni. Per le domande a scelta e a punteggio c’è anche un valore di confidenza da 0 a 1, che misura quanto la distribuzione è concentrata su una sola opzione.
- Domande atomiche, valutate in parallelo. Si possono inviare più domande nella stessa richiesta: ognuna è valutata in isolamento sullo stesso stato. Aggiungerne altre cambia pochissimo i tempi di risposta.
- Velocità e costo. Non generando testo, questi modelli rispondono in decine o poche centinaia di millisecondi e costano frazioni di un LLM (nel dettaglio più avanti).
- Composizione nel codice. Le decisioni complesse si scompongono in domande semplici, poi combinate con logica normale. Se le priorità cambiano, si modifica un coefficiente, non un prompt.
- Interfacce convergenti. Lo schema di richiesta e risposta di TypeSafe sta diventando un contratto condiviso: lo implementano, tra gli altri, Amazon con Strands Decider, Upstage e Ollama.
Un’avvertenza che gli stessi autori ripetono: la confidenza non è la probabilità che la risposta sia giusta. Misura la concentrazione della distribuzione. La calibrazione si valuta su molte decisioni, mai sulla singola. Per questo le soglie vanno fissate sui propri dati, non copiate da un tutorial.
4. A cosa servono: il lavoro sporco dell’AI
Spieghiamo i Decision Model AI. Gran parte di ciò che oggi chiediamo agli LLM nei prodotti è, in realtà, una scelta. Quale tool deve chiamare l’agente? Questa email è un reclamo o una richiesta di rimborso? Questo comando va bloccato? Sono domande da «sì, no, quale tra questi», e i decision model sono nati per quelle.
Le fonti descrivono alcuni schemi d’uso ormai consolidati:
- Classificazione e smistamento: assegnare ticket, email e documenti alla coda o al team corretto.
- Scoring e triage: dare un punteggio su una rubrica, per esempio urgenza, rischio, qualità di un candidato.
- Routing tra modelli: scegliere quale LLM, e con quale livello di ragionamento, deve gestire una richiesta, riservando i modelli costosi ai casi che li meritano. OpenRouter ha lanciato un Jev Router proprio per questo.
- Gating dei tool call: verificare, prima di eseguire un’azione, se è sicura o se mancano informazioni. L’esempio pubblicato da AWS blocca una chiamata a un tool meteo e fa chiedere all’agente la città, invece di indovinarla.
- Decisioni visive: con i modelli multimodali, scegliere la prossima azione guardando un’immagine o un frame.
La regola d’oro, in un’architettura ben fatta: l’LLM pianifica, scrive e ragiona; il decision model fa le mille micro-scelte tra un passo e l’altro. Un LLM che deve decidere se rispondere al cliente può farlo, ma è come usare un’autocisterna per annaffiare un vaso.
5. Casi d’uso pratici in ambito enterprise – Spieghiamo i Decision Model AI
Passiamo dalla teoria ai numeri, partendo dai casi documentati.
- Recruiting su larga scala (Jack & Jill). La piattaforma di talent matching valutava ogni giorno 6.000 candidati per ogni posizione aperta con Gemini 3.1 Flash Lite. Sostituito con Jev nello stadio di scoring iniziale, secondo il case study pubblicato da TypeSafe il costo è sceso dell’88% (da 0,755 a 0,092 dollari ogni mille candidati), il tempo mediano si è dimezzato da 20,3 a 10,3 secondi e la qualità è rimasta equivalente. Il risparmio stimato è di circa 500.000 dollari l’anno. Attenzione: sono dati dell’azienda fornitrice, ma con metodologia dichiarata.
- Assistenti vocali e interfacce in tempo reale (Speak). Secondo TechCrunch, l’azienda di tutor linguistici ha ridotto il tempo tra un’azione e l’altra da 1,4 secondi a 0,13 usando la Decisions API di OpenAI.
- Incident response (Microsoft). Microsoft ha dichiarato di testare internamente il suo Microsoft-Decision-1 anche nella gestione degli incidenti.
- Analisi dati ad alto volume (Snowflake, Databricks). Snowflake Decision, in private preview, è pensato per classificazione, scoring, routing e triage su grandi volumi. Databricks permette di invocare modelli decisionali aperti direttamente da SQL.
- Agenti con guardrail. AWS riporta che, nei suoi test su compiti di classificazione brevi mai visti, le risposte con confidenza pari o superiore a 0,9 erano corrette circa nel 95% dei casi.
Per capirci con qualche scenario illustrativo (non tratto da casi citati): un team di sicurezza che assegna una priorità a migliaia di alert al giorno; una banca che smista le richieste dei clienti per rischio normativo; un reparto DevOps che classifica la gravità di un log prima di svegliare qualcuno alle tre di notte. Sempre la stessa struttura: tanti input, poche scelte possibili, bisogno di velocità e di una soglia di sicurezza.
6. I decision model più diffusi e attuali
Spieghiamo i Decision Model AI. Il mercato si muove a ritmo vertiginoso, quindi questa è una fotografia al 29 ottobre 2026, basata sulle fonti consultate. Con la dovuta cautela sui benchmark, che The New Stack e TechCrunch descrivono come un mosaico di misure eterogenee e non comparabili tra loro.
- Jev (TypeSafe AI): il capostipite, ospitato, a pesi chiusi. Di gran lunga il più interrogato su OpenRouter.
- Decisions API (OpenAI): basata su GPT-6 Luna, ospitata, con input di testo e immagini.
- pplx-decider v1.1 (Perplexity): pesi aperti con licenza Apache 2.0 e API ospitata, a 0,02 dollari per milione di token in ingresso.
- Strands Decider 2B (Amazon): open source, basato su Qwen3.5, pensato per i workflow agentici.
- Clef, Clef-flash e Clef-omni (Cloudflare): pesi aperti e servizio Workers AI, con supporto multimodale e una piattaforma per il fine-tuning sui propri dati.
- d1 e D1 Ultra (Liquid AI): modelli aperti piccoli abbastanza da girare su dispositivi; D1 Ultra guida diverse classifiche pubbliche.
- Microsoft-Decision-1 (Microsoft) e Snowflake Decision: le proposte dei due colossi enterprise, quest’ultima in private preview.
- Solar Decide (Upstage), Kev, Open-Jev e Laya: alternative che adottano il contratto System One, anche in versione self-hosted.
Ollama ha aggiunto dalla versione 0.35 un endpoint compatibile con System One, il che significa che si può provare un decision model in locale con pochi comandi.
7. Jev di TypeSafe AI nel dettaglio
TypeSafe AI si definisce un laboratorio che costruisce infrastruttura di intelligenza «machine-native»: un’AI pensata per essere letta dal software, non dalle persone. L’idea di fondo è opposta a quella dei chatbot. Gli LLM, spiegano, vengono ottimizzati con il feedback umano (RLHF) e ne ereditano limiti come l’eccesso di sicurezza e la scarsa affidabilità. Jev nasce invece da un nuovo algoritmo di addestramento, il Reinforcement Learning for Calibrated Decisions (RLCD), che punta a una confidenza calibrata.
Dal punto di vista dello sviluppatore, Jev espone tre «primitive», cioè tre tipi di domanda:
- Choice: sceglie un’opzione da una lista e restituisce scelta, probabilità e confidenza.
- Score: colloca lo stato su una rubrica ordinata e restituisce punteggio, probabilità e confidenza.
- Noul: valuta se un’affermazione è vera, restituendo un valore tra 0 e 1.
In una singola richiesta si inviano stato e domande e si ricevono tutte le risposte, valutate in parallelo. La documentazione suggerisce un pattern semplice a tre fasce: confidenza alta, si agisce in automatico; media, si chiede conferma o si raccolgono più informazioni; bassa, si passa a un umano o a un altro sistema. E le soglie vanno modulate sul rischio: sbagliare schermata è recuperabile, approvare un bonifico no.
Sul fronte economico, il prezzo pubblico è di 0,042 dollari per milione di token in ingresso, con output gratuito. Il sito dichiara inoltre risparmi enormi rispetto agli LLM su certi workflow (193,6 volte più veloce e 444,6 volte più economico), e sostiene che il modello non produca allucinazioni. Sono affermazioni di marketing da leggere come tali: i numeri riguardano compiti specifici, e vedremo che la robustezza non è un problema risolto. L’ultima versione, Jev 1.14, aggiunge il supporto alle immagini e le cosiddette «smart-if».
Ecco come appare una chiamata in Python, adattata dal quickstart ufficiale (l’SDK si installa con pip install typesafe-sdk e legge la chiave dalla variabile TYPESAFE_API_KEY):
from typesafe_sdk import Choice, Noul, Score, TypeSafeClient
ticket = "Ci avete addebitato due volte l'ordine, voglio il rimborso subito."
with TypeSafeClient(model="jev-latest") as client:
risposta = client.system_one(
state=ticket,
questions={
"reparto": Choice(
instructions="Quale team deve gestire la richiesta",
criteria={
"fatturazione": "Pagamenti, addebiti, rimborsi",
"tecnico": "Bug o problemi di integrazione",
"commerciale": "Prezzi o domande sull'account",
},
),
"frustrazione": Score(
instructions="Quanto appare frustrato il cliente",
criteria=["Calmo", "Frustrato ma cortese", "Molto arrabbiato"],
),
"urgente": Noul(instructions="Il messaggio comunica urgenza"),
},
)
reparto = risposta.choices["reparto"]
print(reparto.choice, reparto.confidence)
print(risposta.scores["frustrazione"].score)
print(risposta.nouls["urgente"].noul)
8. OpenAI Decisions API nel dettaglio
OpenAI ha annunciato la Decisions API al developer day del 29 settembre. L’endpoint è passato alla beta pubblica ai primi di ottobre ed è diventato disponibile a tutti i clienti il 22 ottobre, con l’aggiunta di modalità vocali e visive e di un’infrastruttura distribuita geograficamente per ridurre la latenza. Una curiosità raccontata da TechCrunch: il team non ha addestrato un modello nuovo, ma ha preso ChatGPT Luna e l’ha riconfigurato per accelerare l’inferenza e abbassare i costi. Il responsabile prodotto delle API, Nikunj Handa, ha dichiarato che il grande sblocco è la velocità: da uno-tre secondi a 100-180 millisecondi.
L’endpoint è POST /v1/decisions. Si fornisce un modello (come gpt-6-luna), un input e un elenco di domande, e se ne possono porre diverse insieme. Il riferimento ufficiale prevede tre tipi di domanda:
- predicate: valuta una condizione e restituisce la probabilità che sia vera;
- choice: sceglie tra opzioni descritte da un valore e da una descrizione, restituendo scelta e confidenza;
- score: posiziona l’input su livelli ordinati, con probabilità e confidenza.
L’input può essere una semplice stringa, una sequenza di messaggi (anche con chiamate e output di tool, utile per valutare lo stato di un agente), oltre a immagini e blocchi JSON. Tra le risposte possibili c’è anche un rifiuto per singola domanda, che il codice deve saper gestire. Il prezzo in beta è di 0,10 dollari per milione di token in ingresso, senza costi per i token in uscita né per le letture o scritture della cache, secondo The New Stack.
Tra i punti di forza c’è la multimodalità: secondo Handa, Luna mostra una calibrazione particolarmente buona nella classificazione di immagini. Tra i limiti, il modello è solo ospitato e a pesi chiusi, in un mercato in cui molti concorrenti rilasciano i pesi. Nelle classifiche pubbliche citate da TechCrunch (AIM System One Index e Artificial Analysis Decision Index) si colloca ottavo e quattordicesimo, mentre Jev è settimo e terzo. Ricordate però che questi indici cambiano di settimana in settimana. Aggiungiamo un dettaglio da architetto: lo schema OpenAI non coincide con System One (per esempio parla di predicate dove TypeSafe parla di noul), quindi la portabilità tra i due richiede un piccolo strato di adattamento.
Un esempio minimale in Python con l’SDK OpenAI, basato sul riferimento API ufficiale (la struttura esatta degli oggetti di risposta va verificata sulla versione dell’SDK che userete):
from openai import OpenAI
client = OpenAI() # legge OPENAI_API_KEY
risultato = client.decisions.create(
model="gpt-6-luna",
input="Il pacco è arrivato con lo schermo rotto.",
questions=[
{"type": "predicate", "name": "danneggiato",
"instructions": "Il cliente segnala un articolo danneggiato?"},
{"type": "choice", "name": "azione",
"instructions": "Qual è l'azione migliore?",
"choices": [
{"value": "rimborso", "description": "Rimborsare l'ordine"},
{"value": "sostituzione", "description": "Inviare un pezzo nuovo"},
{"value": "supporto", "description": "Passare a un operatore"},
]},
],
)
for r in risultato.answers:
if r.type == "predicate":
print(r.name, r.probability)
elif r.type == "choice":
print(r.name, r.choice, r.confidence)
else: # score oppure rifiuto: gestire esplicitamente
print(r.name, r.type)
9. Come integrarli nel flusso di lavoro IT aziendale
Integrare un decision model non richiede di riscrivere l’architettura. Richiede piuttosto di cambiare mentalità: smettere di chiedere a un LLM di «decidere e spiegare» e iniziare a trattare la decisione come un dato. In panoramica, il percorso consigliato è questo:
- Mappare le decisioni. Individuate nei vostri flussi le chiamate LLM che in realtà servono solo a scegliere (classificare, instradare, approvare, filtrare). Sono i candidati ideali.
- Scomporre in domande atomiche. Una domanda, una valutazione. Invece di «valuta questo candidato», chiedete separatamente esperienza, competenze e affinità, e combinate i punteggi con la vostra formula.
- Creare un dataset di verità. Servono esempi etichettati per misurare accuratezza e calibrare le soglie. Le fonti sono unanimi: provate i modelli sul vostro carico di lavoro, non fidatevi solo dei benchmark.
- Usare un livello di astrazione. Gateway come OpenRouter e Vercel AI Gateway, o integrazioni come quella di LangChain per OpenAI Decisions (in beta, con middleware che blocca l’azione in caso di rifiuto o errore), permettono di cambiare fornitore con modifiche minime. Chi scrive contro lo schema System One può passare da Jev a un modello locale cambiando l’URL base.
- Gestire le tre fasce di confidenza nel codice. Alta: agisce il sistema. Media: conferma o LLM più potente. Bassa: operatore umano. Prevedete sempre un fallback, per esempio verso un LLM, se il servizio non risponde.
- Tracciare tutto. Registrate input, decisione, probabilità e versione del modello. Servono per audit, debug e per rivedere le soglie nel tempo.
- Scegliere dove far girare il modello. Servizio ospitato per partire in fretta; pesi aperti self-hosted quando i dati sensibili non possono uscire dalla rete o quando i volumi rendono più conveniente l’infrastruttura propria.
Un esempio di logica a fasce, con funzioni segnaposto da sostituire con le vostre. Le soglie sono volutamente prudenti: partite così, misurate e poi ritoccate.
SOGLIA_MIN = 0.50 # sotto: il modello non sa, non indovinare
SOGLIA_AUTO = 0.90 # sopra: si può agire in automatico
def instrada(scelta: str, confidenza: float, ticket: str):
if confidenza < SOGLIA_MIN:
return invia_a_operatore(ticket)
if confidenza < SOGLIA_AUTO:
return chiedi_conferma_o_llm(ticket)
return esegui_azione(scelta, ticket)
10. Limiti e rischi da tenere d’occhio
Un buon articolo tecnico non vende fumo, quindi diciamolo chiaramente: i decision model sono potenti….con un “ma”. Una ricerca di un ricercatore della University of Southern California, citata da The New Stack, ha mostrato che un ottimizzatore riusciva a deviare il 61,4% di 508 decisioni inizialmente corrette di Jev, aggiungendo brevi frasi dall’aspetto naturale. Si tratta di un attacco mirato, non della probabilità di errore in condizioni normali, ma un modello open basato su Qwen nello stesso studio ha ceduto nel 72,6% dei casi: la fragilità riguarda la categoria, non un singolo fornitore.
La lezione pratica: se lo stato contiene testo scritto da utenti esterni, la soglia di confidenza non basta. Servono più controlli, azioni critiche con conferma umana e un approccio «fail closed», in cui nel dubbio l’azione non parte. A questo si aggiungono due cautele: il mercato è giovanissimo (lo schema di OpenAI e quello System One potrebbero restare due standard concorrenti) e molte cifre di velocità e risparmio arrivano dai fornitori stessi.
11. Conclusioni: l’AI corre, il vostro team può correre con lei
Se c’è una cosa che questa storia ci insegna è la velocità. Un modello esce a Settembre, a Ottobre ha già una decina di concorrenti, uno standard di fatto e un’adozione enorme. Chi sviluppa software lo sa bene: l’AI sta cambiando il lavoro dei team di sviluppo a un ritmo mai visto, ridefinendo le competenze che servono, gli strumenti che si usano e persino le domande che ci poniamo quando progettiamo un’architettura.
In questo scenario c’è un’unica strategia che regge nel tempo: la formazione continua del team. Non serve inseguire ogni novità, ma costruire basi solide per riconoscere quali valgono la pena e saperle integrare con metodo.
Per questo vi consigliamo i Corsi AI Generativa di Innovaformazione rivolti alle aziende, in particolare:
I corsi sono attivati su richiesta, con calendario da concordare e in modalità online in classe virtuale.
Contatti
Per informazioni e per richiedere un preventivo potete scrivere a info@innovaformazione.net o chiamare Dario Carrassi al 347 1012275.
Per altri articoli tecnici di settore consigliamo di navigare sul nostro blog QUI.
Articoli correlati
Claude Code con Arduino
Novità .Net 11
Backdoor nei modelli AI open-weight
Opportunità di lavoro Bari
Spieghiamo il Weight space programming
