Al Boston Children's Hospital alcuni medici hanno usato sistemi di intelligenza artificiale per arrivare alla diagnosi di oltre quaranta malattie rare. Bambini che giravano da anni tra specialisti diversi, con sintomi che non quadravano, hanno finalmente ricevuto un nome per la loro condizione. La storia fa notizia per ovvi motivi, ma il dettaglio che mi interessa non è la sanità. È il meccanismo che c'è sotto.
Quei risultati non sono arrivati chiedendo a un chatbot generico "che malattia ha questo paziente?". Sono arrivati da modelli e pipeline costruiti attorno a un problema preciso: dati genomici, descrizioni cliniche strutturate, letteratura medica specializzata, vincoli e regole del dominio. Un sistema che vede solo quel tipo di problema, allenato e calibrato su quel tipo di problema, e valutato su metriche che contano per quel problema.
Questa è la differenza tra AI generalista e AI verticale. Ed è una differenza che vale per la diagnosi di malattie rare esattamente come vale per la gestione di un magazzino, per l'analisi di contratti legali o per il supporto tecnico di un macchinario industriale. Il principio è lo stesso: quando applichi l'intelligenza artificiale a un dominio ristretto, con i dati giusti di quel settore, ottieni qualcosa che un assistente tuttofare non riesce a darti.
Cosa intendo per AI verticale
Partiamo dai termini, perché si usano in modo confuso. Un'AI generalista è un modello addestrato per fare un po' di tutto: scrive email, riassume articoli, genera codice, risponde a domande di cultura generale. I grandi modelli linguistici che usiamo ogni giorno appartengono a questa categoria. Sanno ragionare su quasi qualsiasi argomento perché hanno visto quasi qualsiasi argomento, ma in modo superficiale rispetto a chi quel campo lo conosce a fondo.
Un'AI verticale è invece pensata per un singolo dominio o per una classe ristretta di compiti. Non significa per forza un modello addestrato da zero. Quasi mai lo è, sarebbe assurdamente costoso. Significa una soluzione che combina alcune cose: un modello di base, dati specifici del settore, conoscenza strutturata di quel dominio, regole e vincoli che riflettono come funziona davvero quel lavoro, e un sistema di valutazione che misura ciò che conta lì dentro.
Pensa alla differenza tra un medico di base e un cardiologo. Il medico di base copre un'ampiezza enorme di casi e nella maggior parte delle situazioni va benissimo. Ma se hai un'aritmia complessa, vuoi qualcuno che abbia visto migliaia di elettrocardiogrammi e che parli la lingua del cuore. L'AI verticale è il cardiologo. Sa meno cose in assoluto, ma su quelle che sa è molto più affidabile.
La parte interessante è che la specializzazione non riguarda solo il modello. Riguarda tutto il contorno: i dati che gli dai in pasto, il modo in cui formuli la domanda, i controlli che metti in mezzo, e soprattutto come decidi se la risposta è buona o no.
Perché lo specialista vince
Quando un chatbot generico sbaglia su un problema di dominio, di solito le ragioni sono poche e ricorrenti. Vale la pena capirle, perché spiegano da dove arriva il vantaggio di una soluzione verticale.
La prima ragione è il vocabolario. Ogni settore ha un suo gergo, e dietro le parole ci sono significati precisi. In ambito assicurativo "franchigia" e "scoperto" non sono sinonimi, e confonderli cambia chi paga cosa. In ambito legale una "diffida" e una "messa in mora" hanno effetti diversi. Un modello generalista ha visto questi termini, ma li ha visti diluiti in un mare di testo dove spesso vengono usati in modo impreciso. Un sistema verticale, allenato o ancorato a documenti di quel settore, tiene insieme parola e significato in modo molto più stretto.
La seconda ragione sono i dati che il modello non ha mai visto. Gran parte della conoscenza che conta per un'azienda non sta su internet. Sta nei suoi gestionali, nei suoi storici di vendita, nei manuali interni, nei ticket di assistenza degli ultimi cinque anni, nelle email tra il commerciale e i clienti. Un modello generalista non ha accesso a niente di tutto questo. Per quanto sia bravo a ragionare, sta ragionando al buio sul tuo caso specifico. Una soluzione verticale porta quei dati dentro il sistema, e questo cambia completamente la qualità delle risposte.
La terza ragione è la calibrazione del rischio. Un assistente generico tende a dare sempre una risposta, anche quando dovrebbe dire "non lo so" o "qui serve un esperto umano". In molti domini questo è pericoloso. Nel caso del Boston Children's Hospital, una diagnosi sbagliata su una malattia rara non è un errore qualsiasi, è una decisione che pesa sulla vita di un bambino. Un sistema verticale ben fatto sa quando fermarsi, sa segnalare l'incertezza, sa quando passare la palla a una persona. Questa prudenza non nasce per caso, la costruisci apposta.
C'è poi una quarta ragione, più sottile. In un dominio ristretto puoi misurare bene. Puoi dire con precisione cosa significa "risposta corretta", puoi raccogliere casi reali su cui testare il sistema, puoi confrontare l'output con quello che avrebbe fatto un esperto. Questo ciclo di misurazione e correzione è il motore che fa migliorare la soluzione nel tempo. Su un assistente generalista è quasi impossibile farlo, perché "tutto" non si misura.
Il caso delle malattie rare, letto come schema
Torniamo per un attimo all'ospedale di Boston, ma stavolta guardiamo solo la struttura del problema, non la medicina.
Le malattie rare sono il terreno ideale per un'AI verticale, e capire perché aiuta a riconoscere casi simili nel tuo settore. Sono condizioni con pochissimi casi documentati, quindi anche un medico bravo ne ha visti pochi nella sua carriera. La conoscenza è frammentata in letteratura specialistica che nessun singolo umano può leggere tutta. I sintomi si sovrappongono a malattie più comuni, quindi serve mettere insieme molti segnali deboli. E l'errore costa caro, sia che si manchi la diagnosi sia che se ne dia una sbagliata.
Un sistema che incrocia il profilo genetico del paziente, la descrizione clinica e tutta la letteratura disponibile fa una cosa che un umano fatica a fare: tiene in memoria simultaneamente migliaia di pattern rari e li confronta con il caso davanti a sé. Non sostituisce il medico. Gli porta sul tavolo le tre o quattro ipotesi che valeva la pena considerare e che lui, da solo, non avrebbe avuto il tempo di tirare fuori.
Ora prova a tradurre questo schema fuori dalla sanità. Hai un problema dove la conoscenza è frammentata e difficile da tenere in testa tutta insieme? Dove i casi rilevanti sono molti ma ognuno è leggermente diverso? Dove l'errore costa? Dove esistono dati storici da cui imparare? Se rispondi sì a queste domande, probabilmente sei davanti a un buon candidato per una soluzione verticale. Lo schema si ripete identico nella manutenzione predittiva di impianti, nel controllo qualità di una linea di produzione, nell'analisi di anomalie nei pagamenti.
Come riconoscere i casi che valgono la pena
Qui sta la domanda pratica, quella che conta quando devi decidere dove mettere il budget. Non tutto merita una soluzione su misura. Costruire un sistema verticale richiede tempo, dati e competenze, e per molte cose un assistente generico già pronto è più che sufficiente. Saper distinguere i due casi ti fa risparmiare soldi e delusioni.
Il primo segnale è il costo dell'errore. Se una risposta sbagliata costa poco, magari fa solo perdere qualche minuto a un utente, allora un modello generico va benissimo e non serve altro. Ma se un errore può causare una perdita economica seria, un problema legale, un rischio per la sicurezza o un danno di reputazione, allora la precisione di una soluzione verticale ripaga l'investimento. La diagnosi medica sta all'estremo di questa scala, ma anche cose come l'approvazione di un finanziamento o il dosaggio di un trattamento chimico in un impianto ci stanno vicino.
Il secondo segnale sono i dati proprietari. Se il valore della risposta dipende da informazioni che esistono solo dentro la tua azienda, un modello generico è cieco rispetto a quello che ti serve. Lo storico dei tuoi clienti, le specifiche dei tuoi prodotti, le procedure interne che hai affinato in vent'anni: nessuna di queste cose è dentro un chatbot pubblico. Più la risposta giusta dipende dai tuoi dati, più una soluzione verticale ha senso.
Il terzo segnale è il volume e la ripetitività. Se un certo tipo di richiesta arriva centinaia di volte al giorno e segue ogni volta una logica simile, automatizzarla con un sistema dedicato conviene. Il classico esempio è il supporto clienti di primo livello su un prodotto tecnico, dove le domande sono tante ma ruotano attorno a un nucleo conoscibile. Un sistema verticale che conosce a fondo quel prodotto risolve l'ottanta per cento dei casi senza intervento umano, e i restanti li smista bene.
Il quarto segnale è la presenza di vincoli e regole forti. Settori regolamentati come la finanza, l'assicurazione, il farmaceutico hanno norme precise su cosa si può dire e come. Un assistente generico non le conosce e prima o poi dice qualcosa di non conforme. Un sistema verticale può avere queste regole cucite dentro, sia nel modo in cui ragiona sia nei controlli a valle. La conformità non è un dettaglio che aggiungi dopo, è parte di come il sistema funziona.
Il quinto segnale, più qualitativo, è la presenza di esperti interni che oggi spendono tempo su un compito ad alto valore ma ripetitivo. Quando hai persone brave e costose che passano ore a fare una cosa che potrebbero fare in metà tempo con il supporto giusto, c'è spazio per una soluzione verticale che le affianca. Non per sostituirle, per liberare il loro tempo per i casi davvero difficili. È esattamente quello che è successo a Boston: i medici hanno continuato a decidere, ma con un assistente che faceva il lavoro pesante di setaccio.
Quando invece il generalista basta
Vale la pena dire anche il contrario, perché il rischio opposto è altrettanto reale. C'è chi vuole costruire una soluzione AI su misura per ogni cosa, e finisce per spendere molto per un vantaggio minimo.
Se il compito è scrivere bozze di testi, riassumere documenti generici, tradurre, fare brainstorming, rispondere a domande di conoscenza comune, un modello generalista è già ottimo e probabilmente migliorerà da solo senza che tu faccia nulla. Costruirci sopra una soluzione verticale sarebbe sprecato. Lo stesso vale quando i volumi sono bassi e l'errore è poco costoso: se una cosa la fai dieci volte al mese e sbagliarla non crea danni, non vale l'investimento.
C'è poi una regola di buon senso che ripeto spesso ai clienti. Prima prova con lo strumento generico più semplice possibile. Se risolve il problema, fermati lì. Solo quando vedi che il generico sbaglia in modo sistematico su qualcosa che conta, hai la prova che ti serve specializzazione. Partire subito a costruire il sistema verticale perfetto, senza aver verificato che il generico non basti, è il modo più rapido per bruciare budget.
La specializzazione, in altre parole, è una risposta a un problema dimostrato, non un punto di partenza per moda.
Come si costruisce davvero una soluzione verticale
Detto il quando, vale la pena spendere due parole sul come, almeno a grandi linee, perché aiuta a capire cosa serve mettere sul tavolo.
Il primo mattone sono i dati. Non servono necessariamente quantità enormi, serve qualità e pertinenza. Documenti puliti, esempi di casi reali con la risposta giusta, conoscenza strutturata del dominio. Spesso questa fase è la più lunga e la meno glamour, ma è quella che decide il risultato. Un modello mediocre con dati eccellenti batte quasi sempre un modello eccellente con dati scadenti.
Il secondo mattone è il modo in cui colleghi il modello a quei dati. La tecnica più usata oggi non è riallenare il modello da zero, ma dargli accesso ai documenti giusti nel momento giusto, in modo che ragioni su materiale verificato invece che sulla sua memoria approssimativa. Questo riduce molto gli errori inventati e rende il sistema aggiornabile: quando cambia una procedura, aggiorni i documenti e il sistema ne tiene conto, senza dover ritoccare il modello.
Il terzo mattone sono i controlli. Tra la risposta grezza del modello e quello che arriva all'utente ci sta un livello di verifica: regole che bloccano output non conformi, controlli di coerenza, segnalazioni di incertezza, e i punti dove il sistema passa la mano a un umano. In un dominio serio questo livello è importante quanto il modello stesso.
Il quarto mattone, quello che molti dimenticano, è la valutazione. Devi avere un insieme di casi reali con la risposta corretta, su cui misuri il sistema prima di metterlo in produzione e poi in modo continuo. Senza questo non sai se stai migliorando o peggiorando, e ogni modifica diventa una scommessa. La capacità di misurare è ciò che separa un progetto serio da una demo che fa scena e poi delude sul campo.
Quando in Bajara affrontiamo un progetto di AI applicata partiamo quasi sempre da queste quattro domande, prima ancora di parlare di modelli: che dati hai, come li colleghiamo, che controlli servono, come misuriamo il risultato. Il modello è quasi l'ultima cosa di cui ci preoccupiamo, perché è la parte che cambia più in fretta ed è la più facile da sostituire.
Il vantaggio si accumula nel tempo
Un aspetto che si nota poco all'inizio ma pesa molto sul lungo periodo è che le soluzioni verticali migliorano con l'uso, mentre quelle generiche restano ferme.
Ogni volta che il tuo sistema verticale lavora su un caso, produce un dato in più: la richiesta, la risposta data, cosa è successo dopo, se un umano ha corretto qualcosa. Quei dati alimentano la valutazione e le correzioni successive. Dopo un anno di esercizio, un sistema costruito bene conosce i casi limite del tuo settore meglio di qualsiasi modello generico, perché li ha visti accadere proprio da te. Questo vantaggio è difficile da copiare per un concorrente, perché è fatto della tua esperienza specifica.
L'ospedale di Boston ne è un esempio nel tempo lungo. Ogni caso raro risolto arricchisce la base di conoscenza che rende più probabile risolvere il prossimo. È un effetto cumulativo che un chatbot generico, per quanto potente, non può dare, perché non ha memoria del tuo problema specifico e non impara dai tuoi casi.
La scelta tra generalista e verticale, allora, non è solo una questione di precisione oggi. È una questione di dove vuoi essere tra due anni. Se il problema conta per il tuo business, costruire la versione specializzata significa mettere in piedi un vantaggio che cresce mentre lo usi.
Il segnale da cui partire resta semplice. Guarda dove un assistente generico ti delude in modo costante su qualcosa che pesa, dove hai dati che nessun altro possiede, dove l'errore costa. Lì, e solo lì, vale la pena costruire lo specialista. Boston ha scelto le malattie rare perché quei criteri c'erano tutti. Il tuo equivalente, nel tuo settore, probabilmente ce l'hai già sotto gli occhi.