Vai al contenuto
Se non funziona, non paghi. 30 giorni.
Implementa.
Agenti IAOpinione··7 min

LLM vs machine learning classico: quando un modello di quelli di sempre batte l'IA generativa

LLM vs machine learning non è una guerra di mode: è una domanda sulla forma dei tuoi dati. Se è una tabella con storico —vendite, insoluti, abbandoni—, un modello classico di solito costa meno, è più stabile e si spiega meglio. Se è testo libero, vince l'LLM. E in produzione vincono quasi sempre tutti e due insieme, ciascuno al suo posto.

Senior AI Operations Implementer

AI Operations Pod

La richiesta arriva piena di entusiasmo: «vogliamo un agente di IA che preveda la domanda». In allegato, un Excel con tre anni di vendite per articolo e per settimana. Il piano implicito è incollare quella tabella in un modello linguistico e chiedergli di indovinare il mese prossimo. Nella demo funzionerà. Darà una cifra diversa ogni volta che lo chiedi. E nessuno saprà spiegare perché ha ordinato 400 unità invece di 250.

La tesi in una riga: metà dei problemi che oggi vengono messi a budget come «progetto di IA generativa» li risolve meglio un modello di machine learning di quelli di sempre, addestrato sul tuo storico. Non per nostalgia tecnica: costa meno per previsione, dà la stessa risposta davanti allo stesso dato e si può spiegare a un revisore. L'LLM vince quando il dato è linguaggio. Scegliere bene non significa seguire la moda, significa guardare la forma di ciò che vuoi prevedere.

LLM vs machine learning: la domanda è posta male finché non guardi il dato

Un modello linguistico è una macchina straordinaria per leggere, riassumere, scrivere e ragionare su testo senza struttura fissa. Un modello classico —un albero di decisione con boosting, una regressione, un modello per serie storiche— è una macchina straordinaria per trovare schemi nelle colonne: migliaia di righe con le stesse variabili e un risultato noto. Strumenti diversi per forme di dato diverse, e la maggior parte degli errori di architettura nasce dall'usare quello di moda sulla forma sbagliata.

Se quello che hai è…Di solito vincePerché
Una tabella con storico e risultato noto (vendite, insoluti, abbandoni)Machine learning classicoImpara dai tuoi casi, costa poco da eseguire ed è stabile
Testo libero: email, contratti, ticket, note di chiamataLLMCapisce il linguaggio senza che qualcuno definisca prima ogni colonna
Documenti con impaginazione caoticaLLM (spesso insieme all'OCR)Legge strutture variabili; il classico ha bisogno di un modello fisso
Una regola che sta in una fraseNé l'uno né l'altro: una regola di businessLa cosa più economica e spiegabile è non addestrare niente

Non è un'opinione da consulente. Nel 2022 un gruppo di ricercatori di Inria e Sorbonne Université ha confrontato modelli ad alberi e reti profonde su 45 dataset tabellari di dimensione media (nell'ordine delle 10.000 righe) e ha concluso che gli alberi restavano lo stato dell'arte su quel terreno (Grinsztajn, Oyallon e Varoquaux, NeurIPS 2022). Lo studio non testava LLM, ma la lezione regge: sui dati tabellari il modello più sofisticato non è quello che prevede meglio.

Tre lavori in cui il modello classico vince senza discussione

Previsione della domanda

È la scena iniziale. Nella competizione di previsione M5 —42.840 serie di vendite giornaliere a unità di Walmart— la maggior parte delle soluzioni in testa si è appoggiata a LightGBM, un modello ad alberi con boosting (Makridakis, Spiliotis e Assimakopoulos, International Journal of Forecasting, 2022). Nessun vincitore ha chiesto a un chatbot di leggere la tabella. Oggi esistono modelli fondazionali pensati per le serie storiche e vale la pena provarli come termine di paragone; ma sono un'altra famiglia, non un assistente testuale in cui incolli un Excel.

Scoring e classificazione dei casi

Probabilità di insoluto, che un cliente se ne vada, che un lead finisca per comprare, che una fattura venga pagata in ritardo. È tutta classificazione su colonne, il terreno naturale dei modelli ad alberi. Addestrati sui tuoi casi chiusi, ti danno una probabilità, il peso di ogni variabile dietro quella probabilità e la stessa risposta domani per lo stesso cliente.

Rilevamento di anomalie

Un pagamento che non torna con lo schema del fornitore, un consumo che schizza, un ordine con un margine impossibile. Far passare milioni di transazioni in un LLM è caro e lento. Un modello statistico o ad alberi lo fa in millisecondi per riga e lascia all'LLM, al massimo, il compito di scrivere l'avviso per chi deve decidere.

Dove vince l'LLM (e di parecchio)

L'altro lato è altrettanto chiaro. Un modello classico non legge un'email di reclamo, non capisce che «il solito, ma senza la scatola grande» è un ordine, non estrae la penale da un contratto di quaranta pagine. Lì l'LLM non compete: è l'unica opzione ragionevole. Vince anche quando non hai storico —un processo nuovo, senza casi chiusi da cui imparare— e quando l'output che ti serve è linguaggio: una risposta, un riassunto, una bozza.

Per questo scegliere un modello non è mai chiedersi «qual è il migliore», ma per quale compito. È la stessa logica che applichiamo in un sistema di agenti quando decidiamo quale modello usare in un agente in base a compito, latenza e costo per caso: chi guida la classifica raramente è quello giusto per ogni passaggio.

Lo schema che regge in produzione: l'LLM trasforma il testo in colonne, il classico decide

La versione matura di questo dibattito non è scegliere da che parte stare. È concatenare. L'LLM legge il non strutturato —l'email del cliente, la bolla scansionata, la nota del commerciale— e lo trasforma in campi: motivo, importo, urgenza, prodotto. Quei campi alimentano un modello classico che assegna un punteggio, prevede o segnala. E una persona rivede ciò che esce dal corridoio.

Ogni pezzo fa ciò che sa fare meglio, e il sistema si può verificare tratto per tratto: sai cosa ha letto l'LLM, quali colonne ha generato e quale variabile ha pesato di più nella decisione. Abbiamo visto lo stesso ibrido confrontando OCR classico e modelli multimodali per leggere documenti: in produzione vince la combinazione, non il pareggio tecnico. E il confine di ciò che rivede una persona non si improvvisa; si progetta con i criteri dello human in the loop nell'automazione con IA.

Quando la decisione riguarda una persona, spiegare non è facoltativo

C'è un argomento che non è tecnico e spesso decide da solo. Se il tuo modello assegna punteggi a persone —credito, selezione, prezzi, accesso a un servizio—, dovrai spiegare perché. Nell'Unione europea la Corte di giustizia ha stabilito nel dicembre 2023 che il calcolo di un punteggio di solvibilità può essere di per sé una decisione automatizzata ai sensi dell'articolo 22 del GDPR quando un terzo vi fa affidamento in modo determinante (CGUE, causa C-634/21, SCHUFA, comunicato stampa). Questo porta con sé obblighi di trasparenza sulla logica applicata.

Un modello ad alberi ti permette di indicare quali variabili hanno spostato il punteggio di ogni caso. Un LLM può generare una spiegazione che suona ragionevole, ma non è la stessa cosa della ragione per cui ha deciso. Per qualsiasi decisione con conseguenze su una persona, questa differenza è ciò che tiene in piedi o fa cadere il tuo sistema davanti a un'autorità. E ogni decisione dovrebbe restare registrata con il suo perché: è esattamente ciò che risolve la tracciabilità delle decisioni dell'IA.

Quando NON costruire un modello classico

Andare contro la moda non significa farlo sempre. Un modello classico è una cattiva idea quando:

  • Non hai storico con risultato. Senza casi chiusi non c'è niente da imparare. Un LLM con buone istruzioni o una regola ti danno qualcosa di utile dal primo giorno; il modello classico, niente.
  • Hai pochissime righe. Con qualche decina di esempi, qualunque schema trovi il modello è rumore ben vestito.
  • Il processo cambia ogni mese. Se le regole di business si muovono più in fretta di quanto accumuli dati, il modello navigherà sempre con la mappa del trimestre scorso.
  • Basta una regola. «Se la fattura supera X e il fornitore è nuovo, controllare» non richiede addestramento. È l'opzione più economica, più rapida e più spiegabile delle tre.

Quattro domande prima di chiedere un preventivo

  1. Ciò che voglio prevedere sta in una colonna con risposta nota nel mio storico?
  2. Quanti casi chiusi ho, e quanto somigliano quelli di oggi a quelli di due anni fa?
  3. Qualcuno dovrà spiegare ogni decisione a un cliente, a un revisore o a un'autorità?
  4. Il mio input è una tabella, un testo o entrambi?

Se rispondi «sì, tanti, sì, tabella», il progetto non è di IA generativa, e chi te lo vende così ti sta facendo pagare la parola di moda. Se rispondi «no, pochi, no, testo», l'LLM è il tuo strumento. E se esce un po' di tutto —la normalità—, ti serve un'architettura che metta ogni modello al suo posto. Per capire da dove partire c'è la guida su quali processi automatizzare con l'IA; per costruire il tutto, con dati, modelli e supervisione, c'è il nostro servizio di infrastruttura IA per le aziende.

L'IA non si sceglie dal titolo. Si sceglie dalla forma del dato. E a volte la risposta più moderna è un modello di dieci anni fa, addestrato bene sui tuoi numeri.

Continua a leggere

Altri articoli su Agenti IA

Lo lasciamo a girare?

Se questo ti ha risuonato, conversazione di 30 minuti senza impegno. Ti diciamo cosa calza, cosa no e il prezzo approssimativo.

Vedi i case study
LLM vs machine learning classico: quando un modello di quelli di sempre batte l'IA generativa · Implementa