Nel panorama dell’intelligenza artificiale, ogni nuova pubblicazione sembra spostare di nuovo il punto di partenza. Un recente episodio ha coinvolto Jev un modello di decisione ideato da un ex dipendente di OpenAI, il quale ha innescato una serie di reazioni da parte dei giganti del settore. L’interesse suscitato ha portato OpenAI a rilasciare una propria soluzione con funzionalità analoghe e Microsoft a presentare il modello MD-1 (Model Decision 1). Questo fermento ha evidenziato perché, in poche settimane, i modelli di decisione AI siano diventati un punto focale per le imprese.
Jev e la risposta di OpenAI e Microsoft
Il progetto Jev è stato introdotto come un decision model capace di elaborare informazioni complesse – testi, immagini o dati sensoriali – e restituire risposte strutturate, pronte all’uso da parte di un sistema tradizionale. La capacità di fornire non solo una risposta testuale ma una classificazione con probabilità e livello di confidenza ha immediatamente attratto l’attenzione di chi sviluppa software per la gestione di flusso di lavoro. In risposta, OpenAI ha messo a disposizione un modello interno con caratteristiche similari, mentre Microsoft ha annunciato il proprio MD-1 dimostrando che la corsa ai decision models è ormai una priorità per i principali attori del settore.
Dal punto di vista operativo, questi modelli consentono di superare i 300-400 cicli di classificazione al minuto su una workstation equipaggiata con una GPU di media gamma. Tale efficienza li rende adatti a svariate applicazioni aziendali, dalle analisi delle email in arrivo alla valutazione di imagini provenienti da telecamere di sicurezza, senza dover ricorrere a costose infrastrutture cloud. La possibilità di eseguire il modello localmente riduce inoltre le preoccupazioni legate al trattamento dei dati sensibili da parte di terzi.
Il funzionamento pratico di clef-flash 9B
Un esempio concreto è rappresentato dal modello clef-flash 9B disponibile tramite Ollama. La sua interfaccia accetta due blocchi distinti: state contenente l’informazione da valutare, e questions che elenca le domande a cui il modello deve rispondere. Le richieste possono spaziare da semplici decisioni binarie a classificazioni con etichette e punteggi. Per ogni quesito, clef-flash restituisce la probabilità associata a ogni opzione e un indice di confidence consentendo al sistema chiamante di agire in base a criteri ben definiti.
Ciò che rende particolarmente interessante questa architettura è la sua natura di LLM raffinato per produrre risposte strutturate anziché lunghi testi. In pratica, un’applicazione tradizionale può incorporare il modello con una chiamata API leggera e ricevere immediatamente i dati di classificazione, risparmiando tempo di elaborazione e semplificando l’integrazione. Inoltre, le dimensioni contenute del modello (9 miliardi di parametri) lo rendono eseguibile su hardware accessibile, favorendo l’adozione in ambienti aziendali dove le risorse cloud sono limitate.
Demo reale: Tetris guidato da AI con clef-flash
Per verificare le capacità dei decision models in un contesto dinamico, è stato sviluppato un semplice clone di Tetris utilizzando il servizio di vibe coding. Il progetto, generato da Codex (GPT-5.6), prevede un client HTML5 per la visualizzazione e un server C# che comunica con clef-flash. Il server non delega l’intera logica di gioco al modello, ma seleziona le 20 mosse più ragionevoli tra le 41 possibili (10 colonne, quattro rotazioni, drop) e affida la decisione finale al modello, che valuta ogni opzione assegnando probabilità e livello di confidenza.
Sul portatile la latenza era di circa un minuto per decisione; passando a una workstation con architettura GB10 (DGX Spark) si è raggiunta una velocità di cinque decisioni al secondo, sufficiente per una partita fluida. Il risultato è stato sorprendente: anche fornendo al modello solo una rappresentazione testuale della scacchiera, l’AI è riuscita a gestire situazioni complesse, recuperando linee quasi piene e mantenendo un gameplay competitivo. L’intera demo, disponibile su GitHub, dimostra come pochi prompt ben formulati possano trasformare un modello di decisione in un agente capace di apprendere le regole di un gioco senza un tradizionale set di addestramento.
Questa esperienza suggerisce che molte funzionalità decisionali presenti nei software correnti – spesso basate su regole hard-coded o euristiche approssimative – possono essere sostituite da modelli di decisione AI. Il vantaggio è duplice: si ottengono decisioni più accurate e si mantiene la flessibilità di modificare i criteri di scelta semplicemente aggiornando il prompt in linguaggio naturale, senza dover ricompilare il codice. In termini di costi, l’adozione di un modello di 9 B parametri richiede risorse paragonabili a quelle di un’applicazione tradizionale, ma aggiunge un livello di intelligenza che può migliorare notevolmente l’efficienza dei processi.
