Un uso diverso dello stesso transformer
Secondo la guida pubblicata da AI4Business, un modello decisionale è una rete transformer progettata per rispondere a domande chiuse assegnando una probabilità alle risposte possibili, senza produrre testo. Alla rete si fornisce un contenuto e un elenco di domande con le risposte ammesse; in uscita si ottiene, per ogni domanda, una distribuzione di probabilità sulle opzioni disponibili. Un algoritmo usa poi quei valori per decidere o avviare azioni.
La differenza rispetto a un LLM generativo sta nel meccanismo: il modello linguistico sceglie un token alla volta campionando da una distribuzione e reinserendo il risultato nell'input, mentre il modello decisionale legge l'input una sola volta e ricava direttamente la probabilità di ciascuna risposta ammessa. Il risultato è un valore tipizzato, non un testo da interpretare. La fonte segnala anche un limite: il modello non motiva la scelta, quindi per una spiegazione a clienti o auditor serve un altro strumento.
Tre primitive e il ruolo delle soglie
Tutti i modelli decisionali rilasciati finora, commerciali e aperti, condividono tre primitive, i cui nomi usati da TypeSafe sono diventati standard di fatto: Noul per il sì/no, Choice per la scelta tra più opzioni e Score per la posizione su una scala. Ogni domanda ha un identificativo scelto dallo sviluppatore, un tipo, istruzioni in linguaggio naturale e, per Choice e Score, criteri che definiscono le risposte ammesse.
Nel tipo Noul la risposta è un valore tra 0 e 1, la probabilità di un sì; il codice applica soglie per stabilire come comportarsi. Con Choice si sceglie tra un insieme chiuso e non ordinato, con un valore di confidence che indica quanto la probabilità è concentrata su una singola opzione. Con Score si assegna una probabilità a livelli ordinati e lo score finale è la media pesata dei valori numerici associati. La guida raccomanda domande precise e livelli ben delineati, perché descrizioni generiche risultano poco efficaci.
Differenze da classificatori e output strutturato
Rispetto ai classificatori tradizionali, usati da decenni per smistare e-mail o segnalare frodi, il modello decisionale non richiede centinaia o migliaia di esempi etichettati né un nuovo addestramento quando cambiano le categorie: le categorie si descrivono a parole al momento della richiesta. Il rovescio della medaglia, secondo la fonte, è che un classificatore addestrato su dati proprietari in un dominio stretto e stabile può raggiungere precisioni superiori con costi di inferenza quasi nulli.
La guida distingue il modello decisionale anche dalle pipeline che usano un LLM in modalità output strutturato: in quel caso la decisione va formulata tramite prompt, la risposta va estratta dal testo e la probabilità, quando disponibile, non è utilizzabile per impostare soglie. I test citati indicano comunque che i modelli generativi di frontiera restano più accurati nei giudizi complessi che richiedono ragionamento multi-step.
Tra i riferimenti temporali, la fonte cita Jev di TypeSafe AI, rilasciato in early access il 15 settembre 2026 e presentato come System One model, e la comparsa in poche settimane di modelli open source con la stessa interfaccia e il supporto in librerie come l'API DecisionModel di LangChain4j. Resta da verificare sul campo l'affidabilità delle probabilità calibrate in domini diversi e il peso effettivo delle soglie nelle decisioni automatiche.
