Pochi giorni fa, Ho letto un articolo accademico che mi ha subito ricordato il mio vecchio AbShaper (https://www.linkedin.com/pulse/o-efeito-abshaper-verdade-inconveniente-sobre-projetos-deivid-bitti-wyzuf). Ricercatori di rinomate università hanno scoperto qualcosa che noi, in prima linea nei progetti di intelligenza artificiale, sospettavamo già: esiste un muro invisibile che sta spingendo le grandi aziende tecnologiche a costruire letteralmente centrali nucleari nel tentativo di superarlo.
La matematica brutale della realtà
Lo studio ha rivelato numeri che farebbero passare notti insonni a qualsiasi CFO: per migliorare le prestazioni di un LLM anche solo del 10%, sarebbe necessario aumentare la potenza di calcolo del 10 miliardi di volteSì, avete letto bene. Non è 10x o 100x. È 10.000.000.000x.
È come se qualcuno ti dicesse: "Guarda, per ottenere addominali più definiti del 10% con AbShaper, dovrai fare non 100, ma 10 miliardi di ripetizioni". A quel punto, anche l'acquirente più ottimista getterebbe la spugna.
Il parallelo con la nostra realtà aziendale
Na Flexa Nuvola , dopo centinaia di progetti consegnati, vedo questo schema ripetersi in un modo meno drammatico, ma altrettanto rivelatore:
- Progetto A: Il cliente ha investito 500 R$ prevedendo un ROI del 200%. Risultato effettivo? 15% (ancora positivo, ma lontano dalle aspettative).
- Progetto B: Abbiamo aumentato il set di dati da 100 GB a 1 TB. Miglioramento della precisione? Dall'82% all'84%.
- Progetto C: Abbiamo triplicato la potenza di calcolo. Riduzione del tempo di risposta? Del 20%.
La lezione? Di più non è sempre meglioA volte è semplicemente più costoso.
La sindrome del “GPT-4.5 risolverà tutto”
Di recente, un cliente è venuto da me e mi ha detto: "David, quando uscirà GPT-5, i nostri problemi saranno finiti, giusto?" Ho dovuto affrontare la stessa difficile conversazione che avevo avuto con me stesso a 16 anni riguardo ad AbShaper.
Costi GPT-4.5 30 volte di più rispetto al GPT-4. I miglioramenti? Marginali nelle attività quantitative. È come comprare un AbShaper Pro Max Titanium Edition per 3.000 dollari quando il vero problema è che non vuoi fare addominali.
Le verità che dobbiamo affrontare
1. Il problema delle correlazioni spurie
L'articolo ha rivelato un aspetto affascinante: più ampio è il set di dati, più "spazzatura statistica" viene generata. È come fare 10.000 addominali in modo sbagliato: non si ottengono addominali scolpiti, ma mal di schiena.
In un progetto recente, abbiamo scoperto che il nostro modello aveva "imparato" che le vendite aumentavano quando pioveva. Perché? Perché, per puro caso, nei dati di addestramento, i giorni di pioggia coincidevano con le vendite. Correlazione? Sì. Causalità? Zero.
2. La legge dei rendimenti decrescenti è implacabile
- Raddoppio dei dati = miglioramento del 7-9%
- Doppia elaborazione = miglioramento del 5%
- Doppio investimento = metà del ROI previsto
3. L'energia non è infinita
Le grandi aziende tecnologiche stanno letteralmente riaprendo le centrali nucleari. Nel frattempo, il nostro cervello funziona con 20 watt, meno di una lampadina a LED. C'è qualcosa di fondamentalmente sbagliato in questa equazione.
Cosa funziona davvero (Spoiler: non è magia)
Dopo tutti questi progetti, ho individuato cosa fa davvero la differenza:
1. Specificità sulla generalità
Invece di cercare di creare il "modello che risolve tutto", abbiamo creato il "modello che risolve il TUO problema specifico". Un cliente ha ridotto i tempi di assistenza del 40% con un modello addestrato SOLO sui SUOI ticket, non su tutte le conoscenze presenti su Internet.
2. Intelligenza ibrida
Il miglior progetto che abbiamo realizzato insieme:
- AI per lo screening iniziale (accuratezza del 90%)
- Umani per casi complessi (10% dei casi)
- Ciclo di feedback continuo
Risultato? Precisione finale del 99.5% con il 70% di costi in meno.
3. Qualità dei dati > Quantità dei dati
Un set di dati pulito da 1 GB è più performante di un set di dati disordinato da 1 TB. Sempre. Senza eccezioni.
La difficile conversazione con il cliente
Oggi, quando un cliente entra entusiasta delle "infinite possibilità dell'intelligenza artificiale", ho una presentazione che chiamo "Momento di realtà":
Slide 1: “Sì, l’intelligenza artificiale è trasformativa” Slide 2: "No, non farà miracoli." Slide 3: “Ecco il vero lavoro necessario” Slide 4: “Ecco i risultati realistici” Slide 5: "Ancora interessato?"
Sorprendentemente, i clienti che restano dopo quella conversazione sono quelli che ottengono i risultati migliori.
Il percorso sostenibile
Il futuro non è nei modelli sempre più grandi, ma in:
- Profonda comprensione del problema Prima di scegliere lo strumento, comprendere i processi di lavoro della mappa, non le tecnologie
- Soluzioni su misura Un modello piccolo e ben strumentato > modello gigante generico Concentrati sul tuo caso d'uso specifico
- Aspettative realistiche Un ROI del 10-20% nel primo anno è OTTIMO Miglioramento continuo > rivoluzione istantanea
- Investimento intelligente Investi sulla qualità dei dati, non sulla quantità. Investi in persone che comprendano il business e la tecnologia.
Conclusione: AbShaper è ancora lì
Il mio AbShaper è ancora nella soffitta di mia madre, a ricordarmi ogni giorno che non esiste un pasto gratis. I ricercatori hanno confermato matematicamente ciò che l'esperienza ci ha già insegnato: arrampicarsi all'infinito non è la soluzione.
La vera intelligenza, artificiale o meno, sta nel riconoscere i limiti e nel lavorare in modo più intelligente al loro interno. Non abbiamo bisogno di centrali nucleari. Abbiamo bisogno di chiarezza su ciò che vogliamo risolvere e della volontà di impegnarci al massimo.
In che modo stai pensando in modo diverso ai tuoi progetti di intelligenza artificiale? Stai inseguendo il modello migliore o stai sviluppando la soluzione giusta per il tuo problema specifico?
Fai come fanno alcuni dei nostri clienti, come Gruppo Voit , FEBBRAIO , Dengo Cioccolatini , Gruppo ADCOS , GE Sanità e molti altri, assumi un dirigente esperto in intelligenza artificiale e scopri come trasformiamo effettivamente le idee in progetti con rendimenti reali e misurabili.
Caso Febraban che è stato rilasciato in FEBRABANO TECN .
Link all'articolo: https://arxiv.org/pdf/2507.19703
