Per molto tempo abbiamo pensato che il segreto dell’Intelligenza Artificiale fosse scrivere prompt migliori.
La logica sembrava semplice.
Più il prompt era dettagliato, più la risposta sarebbe stata accurata.
Sono nati corsi, libri, tutorial e perfino nuove figure professionali dedicate esclusivamente alla Prompt Engineering. Per un certo periodo, questa strategia ha funzionato molto bene.
Poi qualcosa ha iniziato a cambiare.
Negli ultimi mesi, osservando i progetti più avanzati nel mondo degli agenti AI, emerge un fenomeno interessante: sempre meno attenzione viene dedicata al prompt perfetto e sempre più attenzione al processo.
È una differenza sottile, ma enorme, prendiamo un esempio molto semplice.
Immaginiamo di chiedere a un modello linguistico di analizzare un contratto di cento pagine e individuare eventuali clausole critiche.
Un chatbot tradizionale riceve il documento, genera una risposta e termina il proprio lavoro.
Un agente moderno, invece, può comportarsi in modo completamente diverso.
Legge il documento.
Identifica le sezioni più rilevanti.
Controlla se le informazioni raccolte sono sufficienti.
Se trova ambiguità, esegue una nuova analisi.
Verifica i riferimenti normativi.
Confronta le informazioni.
Corregge eventuali errori.
Ripete il processo.
Solo alla fine produce la risposta.
La differenza è che il sistema non si limita più a rispondere.
Lavora.
Ed è qui che entra in gioco il concetto di loop.
Quando una risposta non è più sufficiente
Per comprendere l’importanza dei loop occorre osservare come vengono costruiti oggi molti sistemi AI.
Pensiamo a un’applicazione che deve cercare informazioni all’interno di migliaia di documenti aziendali.
Il primo tentativo raramente è quello corretto.
La query potrebbe essere troppo generica.
I documenti recuperati potrebbero non essere pertinenti.
Le informazioni potrebbero essere incomplete.
Se il sistema si fermasse al primo risultato, la qualità delle risposte sarebbe inevitabilmente limitata.
Per questo motivo molti agenti moderni eseguono cicli continui di ricerca e verifica.
Recuperano informazioni.
Valutano il risultato.
Modificano la strategia.
Riprovano.
Ogni iterazione aumenta la probabilità di raggiungere un risultato corretto.
In pratica stanno eseguendo un loop.
Un concetto che esiste già nella vita reale
La cosa interessante è che i loop non sono una novità.
Gli esseri umani lavorano così da sempre.
Un tecnico che deve diagnosticare un guasto industriale non individua immediatamente la causa del problema.
Osserva un sintomo.
Formula un’ipotesi.
Esegue una verifica.
Scopre che l’ipotesi era errata.
Ne costruisce una nuova.
Riparte.
Un medico segue un percorso simile.
Un ricercatore scientifico fa la stessa cosa.
Perfino uno studente che risolve un esercizio complesso procede per tentativi, verifiche e correzioni.
L’intelligenza artificiale sta iniziando a imitare questo comportamento.
Non cerca più soltanto una risposta.
Cerca un percorso verso la risposta.
Il giorno in cui i chatbot sono diventati agenti
Probabilmente il vero salto tecnologico che stiamo osservando oggi non riguarda modelli più grandi o GPU più potenti.
Riguarda la capacità dei sistemi di iterare.
Quando un agente riceve un obiettivo, può decidere di utilizzare strumenti esterni.
Può effettuare ricerche.
Può interrogare database.
Può leggere documenti.
Può eseguire codice.
Può controllare il risultato ottenuto.
Se qualcosa non torna, può ricominciare.
È un comportamento molto diverso rispetto a quello di una semplice chat.
Ed è proprio questa capacità iterativa che sta trasformando i chatbot in veri assistenti operativi.
Un esempio concreto
Immaginiamo di voler costruire un agente che aiuti un utente a pianificare una vacanza.
Un approccio tradizionale potrebbe generare immediatamente una lista di hotel.
Un approccio basato su loop potrebbe invece:
- cercare le strutture disponibili;
- confrontare le recensioni;
- analizzare i prezzi;
- verificare la distanza dai punti di interesse;
- controllare eventuali eventi presenti nella zona;
- aggiornare la ricerca se emergono nuove informazioni.
Ogni passaggio migliora il risultato finale.
Il sistema non sta semplicemente rispondendo.
Sta eseguendo un processo decisionale.
Perché Jensen Huang parla di loop
Quando Jensen Huang afferma che tutti dovrebbero utilizzare l’AI ogni giorno, il messaggio probabilmente non riguarda soltanto l’accesso alla tecnologia.
Riguarda l’accesso a nuovi processi cognitivi.
Un sistema capace di iterare, verificare e correggersi può aiutare persone con competenze molto diverse ad affrontare attività che prima richiedevano esperienza specialistica.
Un progettista può accelerare il proprio lavoro.
Un tecnico può analizzare documentazione complessa.
Un imprenditore può esplorare nuovi mercati.
La vera forza non risiede nella singola risposta prodotta dall’AI.
Risiede nella capacità del sistema di continuare a lavorare fino a raggiungere un risultato soddisfacente.
Il futuro potrebbe essere già qui
Negli ultimi due anni abbiamo imparato a scrivere prompt.
Nei prossimi anni probabilmente impareremo a progettare loop.
Molti framework moderni stanno già andando in questa direzione. Gli agenti non vengono più progettati come generatori di testo, ma come sistemi capaci di osservare, ragionare, agire e verificare.
È un cambiamento che ricorda ciò che è accaduto con Internet.
All’inizio il valore era nelle singole pagine web.
Successivamente il valore è passato ai collegamenti tra le pagine.
Oggi, nell’AI, il valore potrebbe spostarsi dalle singole risposte ai processi che permettono di produrle.
E se questa trasformazione continuerà con la velocità che stiamo osservando, probabilmente tra qualche anno guarderemo alla Prompt Engineering come al primo capitolo dell’Intelligenza Artificiale moderna.
I loop potrebbero essere il secondo.
Nota dell’autore
Per la stesura di questo articolo ho utilizzato l’Intelligenza Artificiale come strumento di supporto editoriale. In pratica, l’AI mi ha aiutato a riorganizzare appunti, idee e riflessioni sparse in una forma più leggibile e strutturata.
I concetti, le considerazioni e le interpretazioni contenute nel testo sono però frutto delle mie elaborazioni personali. L’AI ha contribuito alla forma, non al contenuto del pensiero.