La Personalità del Tuo AI Conta Quanto la Sua Intelligenza — e Farà o Romperà il Deployment Aziendale

La maggior parte delle aziende sceglie ancora i modelli di intelligenza artificiale in base ai benchmark. Nella pratica, ciò è raramente ciò che determina se quei sistemi funzionano effettivamente.

Finora, la maggior parte delle conversazioni sui grandi modelli linguistici negli ambienti aziendali è stata dominata dai benchmark. I team si concentrano sulle prestazioni misurabili, come ad esempio quale modello è il più intelligente, il più forte nella codifica, il più preciso nella sintesi o nel ragionamento matematico.

Tuttavia, quando i team iniziano a superare la fase sperimentale e si addentrano nel vero e proprio deployment su larga scala, altri fattori importanti, che sono stati ampiamente trascurati dalla maggior parte dei CEO, si riveleranno essere altrettanto cruciali per il successo aziendale.

L’Assunzione dell’AI

L’intelligenza grezza e la capacità analitica sono ovviamente importanti, ma la variabile più sottovalutata nel deployment dell’AI aziendale è la personalità. La personalità, nel contesto dei grandi modelli linguistici, si riferisce alla voce, al tono e al comportamento coerenti che un modello trasmette attraverso le interazioni. È ciò che rende un AI coerente e affidabile.

Quando si implementa l’AI, le aziende devono adottare lo stesso approccio che adotterebbero nell’assumere un dipendente umano: valutare non solo come un modello possa completare un compito, ma anche la sua attitudine verso il lavoro, come comunica e come si integra nel flusso di lavoro più ampio.

La capacità di un modello di mantenere la coerenza, rispondere in modo appropriato e gestire le sfumature in contesti diversi può avere un impatto significativo sugli esiti aziendali. Un AI tecnicamente brillante che risponde lentamente, cambia tono o gestisce male le interazioni sottili può essere mal utilizzato dalle aziende, frustrando gli utenti, riducendo l’engagement e riducendo infine l’efficacia dell’AI e il successo dell’azienda.

Questo è particolarmente importante in settori come il supporto clienti, il marketing politico o le comunicazioni interne, poiché piccoli cambiamenti di tono o di formulazione tra le risposte possono causare confusione, erodere la fiducia e ridurre l’engagement complessivo. Come per gli esseri umani, non esiste un unico modello ideale che superi la concorrenza in ogni categoria. Alcuni modelli sono migliori nell’esecuzione di compiti analitici come la codifica o la matematica, mentre altri si eseguono molto meglio nella scrittura conversazionale e nella sintesi delle riunioni.

Tuttavia, una sfida per i team che costruiscono su questi sistemi è che queste caratteristiche non sono fisse.

Un Bersaglio Mobile

Il panorama dell’AI sta evolvendo più velocemente di quanto la maggior parte delle organizzazioni possa tenere il passo. Vengono rilasciati nuovi modelli frequentemente e le caratteristiche delle prestazioni possono cambiare da un aggiornamento all’altro. La serie di modelli Gemini di Google è un esempio recente.

Gemini 2.0 Pro è stato rilasciato a febbraio 2025 ed è stato immediatamente presentato come il modello di punta per gli sviluppatori e le aziende che lo utilizzano per la codifica e le prompt complesse in tutto il mondo.

È stato rilasciato con ciò che, al momento, era la finestra di contesto più grande mai offerta da Google, con due milioni di token, che gli ha dato la capacità di analizzare e comprendere complessivamente grandi quantità di informazioni in una sola volta, oltre a essere in grado di utilizzare strumenti come Google Search e anche scrivere codice.

Per i team che costruiscono sistemi che devono elaborare grandi volumi di dati rapidamente e con precisione, sembrava la scelta chiara. Tuttavia, entro poche settimane, Google ha rilasciato Gemini 2.5 Pro, che ha immediatamente superato i precedenti con miglioramenti nella codifica, nella matematica e nella scienza.

Notte e giorno, il modello che era appena stato la migliore opzione sul mercato era già stato superato meno di due mesi dopo il lancio. Tuttavia, gli early adopter hanno immediatamente notato che i cambiamenti non erano solo incrementali o analitici — l’intera personalità di Gemini era stata cambiata notte e giorno. Molti sviluppatori sono arrivati a dire che l’AI stava agendo come se fosse stato “lobotomizzato” dopo l’aggiornamento.

Si sono lamentati del fatto che l’AI sembrava essere, letteralmente, “più stupido” — producendo costantemente risposte più lente, output meno coerenti e mostrando incoerenze nel modo in cui gestiva le prompt che in precedenza non aveva problemi e i compiti che un tempo sembravano fluidi improvvisamente diventavano rigidi.

E questo è il punto in cui la strategia di un’azienda intorno al deployment dell’AI inizia a cambiare fondamentalmente.

Oltre i Benchmark

Sulla carta, Gemini 2.5 Pro avrebbe dovuto essere il vincitore chiaro con i suoi vasti miglioramenti nella capacità e nella sicurezza.

Tuttavia, nella pratica, quei cambiamenti hanno completamente alterato la affidabilità del modello, il modo in cui rispondeva alle prompt e, di conseguenza, hanno mandato i team che avevano appena speso una fortuna e trascorso innumerevoli ore a costruire intorno a questi sistemi di nuovo al punto di partenza se le nuove capacità del modello non si allineavano con la loro pipeline esistente.

Anche piccoli cambiamenti di comportamento possono destabilizzare i sistemi costruiti intorno alla coerenza e alla prevedibilità. Ciò crea un vero rischio operativo se un’azienda è strettamente legata a un unico modello, poiché qualsiasi aggiornamento può introdurre immediatamente instabilità nei team che si affidano a questi sistemi.

Per contrastare ciò, molte aziende forward-thinking hanno iniziato a implementare una strategia multi-modello in cui indirizzano diversi compiti ai modelli migliori per loro, piuttosto che affidarsi a un unico modello per gestire tutto.

Questo approccio non solo migliora le prestazioni adattate a ciascun compito, ma riduce anche il rischio associato all’implementazione dell’AI, poiché se un modello dovesse degradare dopo un aggiornamento, non porterebbe l’intero sistema che si affida a esso giù con sé, poiché ci sono backup disponibili.

In sintesi, la personalità e l’affidabilità dell’AI sono altrettanto importanti quanto la sua intelligenza grezza quando si tratta di applicare il modello in un ambiente di lavoro per completare vari compiti. Questo cambio di pensiero rappresenta un cambiamento fondamentale nel modo in cui le aziende non stanno più acquistando solo uno “strumento più intelligente”, ma stanno costruendo e gestendo un’intera infrastruttura digitale.

Perché le aziende non solo sopravvivano, ma prosperino nel panorama aziendale odierno, i team devono stabilire pipeline che possano scambiare diversi modelli a seconda del compito e costantemente monitorare come gli aggiornamenti influenzano sia le prestazioni che la qualità delle interazioni.

Infine, i modelli stessi continueranno a evolversi a un ritmo difficile da eguagliare. Tuttavia, le aziende che pianificano il cambiamento, costruiscono ridondanza e trattano l’AI sia come uno strumento che come un compagno di squadra saranno quelle che trasformeranno questi rapidi cambiamenti in un vantaggio competitivo.