23 ottobre 2026Aggiornato il Fathy Shalaby14 min di lettura
Framework decisionale per l'IA: fissa i limiti prima che l'IA agisca
L'IA non si limita più a scrivere risposte: prende piccole decisioni dentro workflow reali. Ecco le sette parti del contratto decisionale che i team di prodotto dovrebbero scrivere prima che una decisione dell'IA arrivi a un utente o a un sistema.
Un framework decisionale per l'IA è l'insieme di regole che un team di prodotto scrive prima che un sistema di IA classifichi, instradi, valuti o scelga la prossima azione dentro un workflow. Definisce sette cose: l'esito, la domanda esatta, le risposte ammesse, le evidenze che il modello può usare, la soglia per agire da solo, il passaggio a una persona e la registrazione conservata dopo.
Punti chiave
Le decisioni dell'IA sono ormai un mattone pronto all'uso. La Decisions API di OpenAI, disponibile a tutti dal 22 ottobre 2026, restituisce una probabilità, una scelta tra opzioni fisse o un punteggio secondo una rubrica (OpenAI, 2026).
Una risposta strutturata non è una decisione di prodotto. Secondo la documentazione di OpenAI stessa, è la tua applicazione a eseguire l'azione selezionata dalla risposta, e le soglie vanno fissate partendo da esempi etichettati e dal costo di falsi positivi e falsi negativi.
La reversibilità dovrebbe stabilire il livello di autonomia. La distinzione di Amazon tra decisioni a porta a senso unico e a doppio senso è una guida pratica (Amazon, 2015).
La revisione umana è più debole di quanto sembri. In una meta-analisi all'interno di una rassegna di 74 studi, il consiglio sbagliato di un sistema di supporto alle decisioni ha aumentato del 26% il rischio di una decisione errata (Goddard et al., 2012).
Ai sensi dell'articolo 22 del GDPR, le persone hanno il diritto di non essere sottoposte a decisioni basate unicamente sul trattamento automatizzato che producano effetti giuridici o incidano in modo analogo significativamente su di loro (EUR-Lex).
Che cosa è cambiato con le decisioni dell'IA circoscritte?
Fino a poco tempo fa, l'IA nei prodotti scriveva soprattutto cose: una risposta in chat, un riassunto, una bozza. Ora sempre più spesso decide cose: se una richiesta rientra nell'ambito, in quale coda va, quanto è grave un problema, se un agente deve proseguire o chiedere aiuto.
OpenAI lo ha reso esplicito con la sua Decisions API, uscita in beta il 6 ottobre 2026 e disponibile a tutti dal 22 ottobre 2026. Chi sviluppa fornisce le evidenze e le domande; l'API restituisce risposte tipizzate ():
Una probabilità da 0 a 1 che la condizione sia vera
Choice
Scegliere un'opzione da un elenco che fornisci tu
Uno dei tuoi valori, con probabilità e un campo di confidenza
Score
Valutare l'input su livelli ordinati, come la gravità
Un punteggio pesato per probabilità sui vari livelli
Accetta testo, immagini e JSON, gestisce fino a 400 domande per richiesta (200 durante la beta) ed è descritta come circa 10 volte più veloce della Responses API di OpenAI. L'input non in cache costa 0,10 $ per milione di token e i token di output non vengono addebitati.
Questo rende le decisioni dell'IA una primitiva componibile, come la ricerca o le notifiche. Sposta anche la parte difficile: il modello è diventato più facile da chiamare, ma la policy che lo circonda non è diventata più facile da scrivere. La difficile domanda di prodotto non è se il modello possa decidere in fretta. È che cosa sia esattamente la decisione, quali evidenze possano influenzarla e che cosa succeda quando il sistema è incerto.
Perché una risposta circoscritta può nascondere una policy senza confini?
Immagina un workflow di supporto con tre possibili output:
risolvere automaticamente
chiedere più informazioni
passare a una persona
Queste opzioni sembrano circoscritte. La policy che c'è dietro resta indefinita finché il team non risponde ad alcune domande successive:
Che cosa conta come informazione sufficiente?
Quali azioni sono reversibili?
Quali account cliente o tipi di problema sono esclusi?
Una risposta a bassa confidenza viene sempre escalata?
Che cosa vede chi revisiona prima di approvare?
Come capiremo se la regola di escalation è troppo aggressiva o troppo lasca?
Il modello può restituire una choice pulita. Il prodotto continua a rispondere delle conseguenze di quella scelta. La documentazione di OpenAI lo dice chiaramente: l'API restituisce risposte tipizzate e la tua applicazione esegue le azioni che quelle risposte selezionano.
Questo conta ancora di più nello sviluppo di prodotto. «Costruisci la funzionalità», «esegui l'esperimento» e «ignora la richiesta» non sono output di un modello nel vuoto. Sono decisioni su utenti, risorse, costo opportunità e impegni futuri.
Come si scrive un contratto decisionale per un workflow di IA?
Usa questo modello in sette parti prima di collegare una decisione dell'IA a qualsiasi effetto collaterale. È il cuore del framework decisionale per l'IA.
1. Dai un nome all'esito
Parti dall'esito per l'utente o per il business, non dal compito del modello.
Debole: «Classificare il feedback.»
Più forte: «Instradare il feedback in modo che il team possa decidere se un problema di onboarding merita un test.»
L'esito evita che il team ottimizzi un indicatore sostitutivo senza valore per il prodotto.
2. Scrivi la domanda in una frase
La domanda deve avere risposta con il contesto disponibile e non nascondere più decisioni in una sola.
Debole: «È una funzionalità di valore che dovremmo costruire?»
Più forte: «Le evidenze disponibili giustificano un esperimento di onboarding prima di impegnare tempo di ingegneria?»
La seconda versione separa la raccolta di evidenze dall'impegno a costruire.
3. Definisci le risposte ammesse
Dai a ogni risposta un significato comprensibile a una persona e un passo successivo.
Risposta
Significato
Passo successivo
Eseguire un test
Le evidenze bastano per un esperimento reversibile
Definire il test più piccolo e la misura di successo
Raccogliere evidenze
Il segnale è plausibile ma incompleto
Specificare le evidenze mancanti e un responsabile
Non perseguire per ora
Le evidenze attuali non sostengono l'opportunità
Registrare il motivo e un trigger per riesaminarla
Altro / poco chiaro
Il caso non rientra nelle opzioni
Inviare a una coda di revisione generale
Non lasciare che «sì» significhi insieme «esegui un test» e «rilascia la funzionalità»: sono livelli di rischio diversi. OpenAI consiglia di includere un'opzione di ripiego come «altro» quando le categorie non coprono ogni input, e di mandare quei casi in revisione.
4. Fissa il confine delle evidenze
Scrivi che cosa il sistema può usare: citazioni dei clienti e conversazioni di supporto, dati di utilizzo del prodotto, temi emersi dalle interviste, storico delle consegne, evidenze di mercato e la finestra temporale che conta.
Scrivi anche che cosa non può dare per scontato in silenzio. Un modello non dovrebbe trasformare una premessa non verificata in un fatto di prodotto solo perché la premessa compariva in un prompt. Se le evidenze sono scarse, la risposta giusta è spesso «raccogliere evidenze», ed è per questo che quell'opzione esiste.
5. Fissa la soglia in base al costo dell'errore
La confidenza non è correttezza. L'indicazione di OpenAI è usare esempi etichettati della tua applicazione per fissare le soglie di instradamento, filtraggio o revisione, scegliendole in base al costo di falsi positivi e falsi negativi.
L'azione automatica può essere ragionevole quando è a basso rischio, reversibile e facile da ispezionare. Richiedi la revisione umana quando l'azione cambia l'accesso di un cliente, denaro, un impegno di roadmap o un record duraturo. La soglia è una decisione di prodotto, non un'impostazione del modello. L'esempio svolto qui sotto mostra come sceglierla.
6. Progetta il passaggio
«Human in the loop» non è un workflow completo. Specifica che cosa riceve chi revisiona:
la risposta proposta
le evidenze che l'hanno influenzata
l'incertezza o il contesto mancante
le alternative considerate
l'azione esatta in attesa di approvazione
Chi revisiona non dovrebbe dover ricostruire il caso da zero, altrimenti il sistema ha solo spostato il lavoro. Per il lato utente, cioè quando il prodotto stesso dovrebbe chiedere, agire o fermarsi, vedi il contratto di passaggio dell'IA.
7. Conserva la ricevuta
Registra domanda, contesto, risposta, evidenze, revisore ed esito. È la differenza tra un'azione dell'IA e una decisione di prodotto ispezionabile. Quando il team scopre più tardi che una decisione era sbagliata, la ricevuta mostra se la causa era la mancanza di evidenze, una rubrica scadente, un'opzione poco chiara o la soglia sbagliata. Un modello di registro delle decisioni di prodotto funziona allo scopo anche senza strumenti speciali.
Come scegliere una soglia di confidenza? Un esempio svolto
I numeri sono illustrativi, non un benchmark. Supponiamo che un team SaaS di 6 persone voglia che un sistema di IA instradi i ticket di supporto in arrivo verso una di quattro code, mandando tutto ciò che è incerto a una persona. Etichetta a mano 500 ticket passati, li fa passare dal modello e controlla che cosa succederebbe con diverse soglie di confidenza:
Soglia per l'instradamento automatico
Instradati automaticamente
Coda sbagliata tra gli instradati automaticamente
Lasciati a una persona
Costo totale
0,95
240 (48%)
1% (circa 2)
260
circa 570 minuti
0,85
355 (71%)
3% (circa 11)
145
circa 510 minuti
0,70
430 (86%)
8% (circa 34)
70
circa 820 minuti
La colonna dei costi dà un prezzo agli errori. Il team stima che un ticket instradato male costi circa 20 minuti di ritardi e passaggi, e che un ticket lasciato a una persona costi circa 2 minuti di triage. A 0,85, 11 instradamenti sbagliati costano 220 minuti e 145 triage manuali ne costano 290. A 0,70, 34 instradamenti sbagliati costano 680 minuti per risparmiare solo 150 minuti di triage. Vince la soglia di 0,85.
Poi si aggiungono le regole che la tabella non può cogliere. Gli account enterprise e tutto ciò che parla di fatturazione vanno sempre a una persona, qualunque sia il punteggio. Il team ricontrolla la soglia ogni mese su 50 ticket appena etichettati, perché la composizione degli input cambia nel tempo.
Quali decisioni dell'IA richiedono la revisione umana?
Usa insieme reversibilità e conseguenze. Jeff Bezos descriveva le decisioni importanti e irreversibili come porte a senso unico che meritano una deliberazione lenta e accurata, e quelle reversibili come porte a doppio senso che vanno prese in fretta da singoli o piccoli gruppi (Amazon, 2015). L'anno successivo aggiunse che la maggior parte delle decisioni va presa con circa il 70% delle informazioni che vorresti avere (Amazon, 2016).
Applicato all'IA, ne esce una scala di autonomia:
Tipo di decisione
Esempio
Autonomia suggerita
Reversibile, conseguenze basse
Taggare feedback, instradare un ticket, suggerire un'etichetta
Agire automaticamente, registrare, rivedere a campione ogni settimana
Reversibile, conseguenze moderate
Redigere una risposta, aprire un ticket, pianificare un esperimento
Agire, poi avvisare un responsabile che può annullare
Difficile da invertire o costosa
Cambiare i prezzi, inviare ai clienti, impegnare tempo di roadmap
Solo proporre; approva una persona indicata per nome
Effetto significativo su una persona
Accesso, credito, lavoro, chiusura dell'account
Decisione umana; verificare prima gli obblighi di legge
L'ultima riga ha un peso legale in Europa. L'articolo 22 del GDPR dà alle persone il diritto di non essere sottoposte a una decisione basata unicamente sul trattamento automatizzato che produca effetti giuridici o incida in modo analogo significativamente su di loro, con eccezioni limitate. Dove si applica un'eccezione, il titolare del trattamento deve comunque garantire almeno il diritto di ottenere l'intervento umano, di esprimere la propria opinione e di contestare la decisione (EUR-Lex). Per come l'EU AI Act classifica le funzionalità di IA, vedi la nostra guida alla classificazione del rischio secondo l'EU AI Act. Per il metodo generale sulla reversibilità, leggi la reversibilità come requisito di prodotto.
Perché «human in the loop» non basta da solo?
Perché le persone si affidano alle macchine. La rassegna sistematica di Goddard, Roudsari e Wyatt sul Journal of the American Medical Informatics Association ha vagliato 13.821 articoli e ne ha inclusi 74 sull'automation bias, la tendenza a fidarsi troppo del consiglio automatizzato. Nella loro meta-analisi di quattro studi, il consiglio sbagliato di un sistema di supporto alle decisioni ha aumentato del 26% il rischio di una decisione errata (Goddard et al., 2012).
La stessa rassegna ha rilevato che carico di lavoro, complessità del compito e pressione temporale peggioravano l'eccessiva fiducia. Tra i fattori che la riducevano c'erano la formazione, il richiamo alla responsabilità dell'utente, la visualizzazione di livelli di confidenza aggiornati, il punto dello schermo in cui compare il consiglio e il fornire informazioni anziché una semplice raccomandazione.
Questo si traduce direttamente nella progettazione del passaggio:
Mostra le evidenze prima del verdetto, così chi revisiona si fa un'idea prima di vedere la risposta del modello.
Mostra una confidenza calibrata, non una singola etichetta sicura di sé.
Indica il revisore responsabile su ogni approvazione.
Tieni d'occhio il tempo di revisione. Se ogni approvazione richiede 3 secondi, si sta timbrando senza guardare.
Inserisci ogni tanto errori noti per verificare che chi revisiona li individui ancora.
Chi costruisce agenti affronta lo stesso problema su scala maggiore. Le indicazioni di Anthropic sugli agenti suggeriscono di fermarsi per ricevere feedback umano ai punti di controllo o quando l'agente incontra un blocco, di aggiungere condizioni di arresto come un numero massimo di iterazioni e di testare a fondo in ambienti isolati, perché gli errori si accumulano (Anthropic, 2024).
Un workflow di prodotto illustrativo: la domanda sull'onboarding
Questo è un workflow illustrativo, non un caso cliente reale. Un piccolo team continua a sentirsi dire che i nuovi utenti si confondono durante l'onboarding. Potrebbe chiedere a un sistema di IA se costruire una grande riscrittura dell'onboarding, ma quella domanda è troppo ampia e troppo costosa da automatizzare.
Un contratto decisionale migliore:
Esito: migliorare il completamento del primo valore senza impegnarsi troppo presto in una grande riscrittura.
Domanda: le evidenze attuali giustificano un piccolo esperimento di onboarding?
Risposte ammesse: eseguire un test, raccogliere evidenze, non perseguire per ora, oppure altro.
Evidenze: conversazioni di supporto recenti, note di interviste, comportamento di attivazione e flusso di onboarding attuale, degli ultimi 60 giorni.
Soglia: qualsiasi raccomandazione che modifichi la roadmap viene rivista dal product owner, qualunque sia la confidenza.
Ricevuta: estratti delle fonti, incognite, raccomandazione, responsabile e misura di verifica conservati insieme.
L'IA può organizzare le evidenze e formulare una raccomandazione circoscritta. Non dovrebbe trasformarla di nascosto in un impegno di roadmap. È la via di mezzo tra due cattivi estremi: l'IA come generatore passivo di testo che crea più lavoro di smistamento, e l'IA come decisore autonomo che impegna il team senza revisione.
Come dovrebbero valutare i team di prodotto una funzionalità decisionale basata sull'IA?
Quando un fornitore mostra una demo veloce, fai queste cinque domande.
La decisione è davvero circoscritta?
Riesci a elencare ogni possibile output? Se la risposta è «dipende», chiedi quali dipendenze sono esplicite e quali sono nascoste nel prompt o nel comportamento del modello.
Quanto costa ogni errore?
Falsi positivi e falsi negativi non sono intercambiabili. Mandare in revisione un ticket a basso rischio è diverso dal cambiare l'accesso di un cliente o dall'impegnare un trimestre di lavoro di ingegneria. La guida al framework di valutazione dell'IA mostra come testare separatamente ogni tipo di errore.
Il team può ispezionare le evidenze?
Un punteggio senza i suoi input è un nuovo tipo di etichetta di stato opaca. Il prodotto dovrebbe rendere le evidenze verificabili senza far finta che la spiegazione del modello dimostri la risposta.
L'azione è reversibile?
Inizia ad automatizzare con azioni che si possono annullare e i cui effetti sono visibili. Conquista un'autonomia più ampia con le evidenze, non con l'entusiasmo per la demo.
Il sistema impara dagli esiti?
Se chi revisiona scavalca una raccomandazione, dove viene registrato? Senza un ciclo sugli esiti, il workflow ripete lo stesso errore con una latenza migliore.
Errori comuni nell'automazione delle decisioni dell'IA
Mescolare più decisioni in una sola domanda. «Dovremmo costruirlo?» raggruppa valore, costo e tempistica. Separale.
Scambiare il punteggio di confidenza per accuratezza. Una confidenza di 0,9 ha significato solo dopo averla confrontata con casi etichettati.
Fissare la soglia una volta sola. Gli input cambiano; ricontrollala a intervalli regolari con etichette nuove.
Revisione di facciata. Un'approvazione umana che dura 3 secondi non è supervisione.
Nessuna opzione «altro». Costringere ogni caso in una categoria nota nasconde i casi che non avevi previsto.
Automatizzare per prima una porta a senso unico. Comincia dalle decisioni reversibili e allarga il perimetro man mano che le ricevute mostrano che funziona.
Dove si inserisce Specky
Specky lavora sul livello tra i segnali sparsi e la prossima decisione di prodotto. Legge chiamate con i clienti, feedback, Slack, Jira e analytics in un Product Graph, permette a un team di ispezionare le evidenze dietro una domanda di prodotto e registra la scelta rivista in un Decision Log collegato alla spec che ne risulta e, dopo il lancio, all'esito della scommessa. Il confine è voluto: il software redige e collega il lavoro; le persone decidono che cosa giustificano le evidenze. La pagina sulle funzionalità di product intelligence mostra come viene conservata questa traccia.
Domande frequenti
Che cos'è un framework decisionale per l'IA?
Un framework decisionale per l'IA è un contratto scritto per ogni decisione automatizzata in un prodotto: l'esito a cui serve, la domanda esatta, le risposte ammesse, le evidenze che può usare, la soglia di confidenza per agire da sola, il passaggio a una persona e la registrazione conservata. Trasforma l'output di un modello in una policy di prodotto verificabile.
L'output strutturato basta a rendere sicura una decisione dell'IA?
No. L'output strutturato rende la risposta più facile da gestire per il software. Sicurezza e utilità dipendono ancora dalla domanda, dal confine delle evidenze, dal costo di ogni errore, dalla regola di revisione e dalla reversibilità dell'azione. La documentazione di OpenAI sulle Decisions lascia alla tua applicazione l'azione che ne deriva.
Quando un sistema di IA può agire senza revisione umana?
Lascia che l'IA agisca da sola prima di tutto su decisioni a basso rischio e reversibili, con un insieme di risposte chiaro e un risultato visibile, come taggare o instradare. Richiedi la revisione quando un'azione cambia l'accesso di un cliente, denaro, impegni di roadmap o record duraturi, o incide in modo significativo su una persona, dove può applicarsi l'articolo 22 del GDPR.
Come si fissa una soglia di confidenza per le decisioni dell'IA?
Etichetta qualche centinaio di casi reali, falli passare dal modello e confronta i tassi di errore a diverse soglie. Dai un prezzo a ogni tipo di errore, per esempio il costo di un'azione sbagliata rispetto a una revisione manuale, e scegli la soglia con il costo totale più basso. Ricontrollala con regolarità su casi appena etichettati.
Un revisore umano elimina il rischio di errori dell'IA?
Non da solo. Una rassegna sistematica sull'automation bias ha rilevato che il consiglio sbagliato dei sistemi di supporto alle decisioni ha aumentato del 26% il rischio di decisioni errate. Lo riduci mostrando evidenze e confidenza, indicando un revisore responsabile, limitando la pressione temporale e verificando quanto in fretta vengono date le approvazioni.
Un'API di decisioni dell'IA sostituisce il giudizio di prodotto?
No. È una primitiva di implementazione per decisioni circoscritte dentro un'applicazione. Il giudizio di prodotto continua a definire l'esito, i compromessi, le soglie e il rischio accettabile, e a decidere quali decisioni restano umane. L'API rende più facile eseguire una policy scritta; non la scrive.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing