A settembre, scrivendo di Jev e Laya, ho usato un’immagine che non mi si è più staccata di dosso: usare un modello generativo per smistare un’email è come assumere un romanziere per fare il centralinista.
Mercoledì 11 novembre Google ha fatto la cosa più sensata del mondo: ha assunto il centralinista. Sicchè adesso abbiamo Gemini Decision 1, che non è un modello generativo, che non costa token in scrittura ma solo in lettura e che per rispondere ci mette decimi di secondo.
Per chi, come me, da due anni scommette su Canonity, non è una notizia di settore da archiviare tra le altre. È una pietra che qualcun altro — e non uno qualunque — ha appena posato nelle fondamenta su cui sto costruendo.
Un modello che non parla
Gemini Decision 1 non genera testo: legge l’input una volta e assegna una probabilità a ciascuna risposta ammessa, tutto in un solo passaggio. Niente prosa, niente «fammi pensare», niente risposte da ripulire con le espressioni regolari.
Le domande che accetta sono di tre tipi:
- sì/no: con quale probabilità una condizione è vera;
- scelta: quale opzione, fra 2 e 255, con la probabilità di ciascuna;
- punteggio: dove si colloca l’input su una scala ordinata, una rubrica.
Ogni risposta porta con sé un indice di confidenza da 0 a 1. Tenetelo a mente: è il dettaglio più importante dell’intero articolo e ci torno tra poco.
Poi ci sono i numeri, che sono quelli che fanno rumore:
- legge testo, immagini, audio, video e PDF, fino a circa 256 mila token in un’unica richiesta;
- su quello stesso input si possono porre fino a 1.000 domande, e l’input si paga una volta sola: ogni domanda aggiunge soltanto i token delle proprie istruzioni;
- costa 0,10 dollari per milione di token in ingresso e zero in uscita, perché l’uscita, semplicemente, non c’è;
- risponde in 150–250 millisecondi, misurati su contesti fino a 16 mila token e fino a 100 domande.
Tradotto: se una fotografia vale un migliaio di token, giudicarla costa un decimillesimo di dollaro. Un documento da 10 mila token passato al setaccio con 200 domande da 30 token l’una fa 16 mila token: sedici decimillesimi di dollaro. Meno di due millesimi per duecento controlli.
Tre indizi fanno una prova
Google non è arrivata per prima. A metà settembre TypeSafe AI è uscita dall’ombra con Jev; una settimana dopo Convai Innovations ha risposto con Laya, a pesi aperti. Ne ho scritto in Il riflesso e il midollo.
| Modello | Chi lo fa | Uscita | Prezzo input (per 1M token) | Pesi |
|---|---|---|---|---|
| Gemini Decision 1 | Google DeepMind | 11 novembre 2026 | 0,10 $ | chiusi, solo API |
| Laya | Convai Innovations | fine settembre 2026 | gratis, ma la GPU è tua | aperti, Apache 2.0 |
| Jev | TypeSafe AI | 15 settembre 2026 | 0,042 $ | chiusi, solo API |
E non è nemmeno detto che arrivi la migliore. Sui suoi benchmark Google vince 7 prove su 9; su un indice indipendente, l’Artificial Analysis Decision Index, si piazza nona su diciotto, un soffio dietro Jev.
Ma non è questo il punto. Il punto è che tre produttori, in due mesi, sono arrivati alla stessa forma: uno stato in ingresso, un elenco di domande tipizzate, una risposta tipizzata con la sua confidenza. Quando una startup inventa una forma è un esperimento. Quando Google la adotta, la forma diventa infrastruttura: qualcosa su cui si può costruire senza temere che sparisca al prossimo giro di finanziamento.
Perché è una pietra nelle fondamenta di Canonity
La scommessa di Canonity, da quando si chiamava ancora u-prompt, è una sola: l’intelligenza artificiale in azienda non è una chat, è un processo. Un processo fatto di passi che si ripetono, ogni giorno, sempre uguali e sempre un po’ diversi.
Nell’articolo su Feigenbaum e i sistemi esperti ho raccontato le due metà del sistema. La competenza, cioè quello che quell’azienda sa, estratta dai documenti e validata da un esperto in carne e ossa. La skill, cioè come si lavora, passo dopo passo.
Ora seguimi: guarda un processo vero, uno qualsiasi, e conta. Quanti passi chiedono di scrivere qualcosa? Pochi: la risposta al cliente, il preventivo, la sintesi per il direttore. Quanti chiedono di decidere? Quasi tutti.
- Questa email è una richiesta di preventivo o un reclamo?
- A quale linea di prodotto si riferisce?
- L’allegato è una fattura, un ordine o un catalogo?
- La foto mostra davvero il danno descritto?
- Manca uno dei dati obbligatori?
- Il caso è urgente?
Fino a ieri, per far prendere queste micro-decisioni a una macchina, la via pratica era un modello generativo, quello che ho evocato come “Il romanziere al centralino”: lento, caro, e con la tentazione di aggiungere un paragrafo di troppo. Ma era l’unica cosa che avevamo.
Da mercoledì la decisione è diventata una merce, con un prezzo vicino allo zero, servita dal fornitore che meno di tutti rischia di chiudere bottega. E siccome in Canonity la competenza non appartiene al modello, cambiare il modello che decide è una scelta di configurazione, non una migrazione.
Non è Google che ha validato Canonity, ovviamente, ma (se fosse ancora necessario) ha confermato, con i fatti e con un listino, che l’architettura su cui abbiamo puntato — tanti passi che decidono, pochi passi che scrivono, l’uomo dove serve — è quella verso cui sta andando tutto il mercato.
Il futuro che vedo
Ecco come immagino Canonity da qui in avanti. Non è una roadmap con le date: è la direzione.
Passi che decidono, passi che scrivono
Il workflow di Canonity è fatto di Step, con due famiglie distinte: quelli che decidono (leggono l’input, pongono le loro domande tipizzate e instradano) e quelli che scrivono, che entrano in scena solo quando c’è davvero qualcosa da scrivere. Il romanziere torna a fare il romanziere, e lo paghiamo solo per quello.
La confidenza è la porta da cui entra l’uomo
Qui sta il dettaglio che vi avevo chiesto di tenere a mente. Una risposta con il suo grado di confidenza permette di fissare una soglia. Sopra, il processo prosegue da solo. Sotto, il caso va all’esperto: lo stesso che ha validato la competenza.
Così lo human in the loop smette di essere uno slogan da slide e diventa un parametro, regolabile Step per Step. E ogni caso risolto dall’esperto è un esempio in più che, validato, torna ad arricchire la competenza. Il sistema impara dai suoi dubbi, non dalle sue certezze.
Controllare tutto costa meno che non controllare
Con mille domande sullo stesso input pagato una volta, il problema non è più quanto controllare. È che cosa chiedere. Un ordine, un contratto, una pratica possono passare sotto una lista di controllo di duecento voci per meno di due millesimi di dollaro. Nessun ufficio al mondo può permettersi di farlo a mano su ogni documento. Una macchina, ora, sì.
La voce, la foto, il PDF storto
Il lavoro vero non arriva in testo pulito. Arriva come nota vocale su WhatsApp, come foto del pezzo rotto scattata col telefono, come PDF scansionato di traverso. Se il modello che decide legge direttamente immagini, audio e documenti, sparisce un intero strato di passaggi intermedi (trascrivi, estrai, normalizza) che oggi è la parte più complessa e costosa di ogni automazione.
Il modello è un fornitore, la competenza è nostra
Jev non sparisce da Canonity, su alcuni compiti risponde meglio, prima e costa meno.
Gemini Decision va benissimo per i documenti lunghi e multimodali.
(Un modello locale come Laya non è nel nostro core business, costa più la macchina dove ospitarlo che i token di Gemini.)
In Canonity la scelta del decisore può essere fatta Step per Step, perché quello che conta — le domande, le soglie, la competenza — resta dell’azienda e sopravvive a qualunque cambio di fornitore.
Il midollo resta nostro
Prima che qualcuno mi accusi di entusiasmo da comunicato stampa, ecco le note in fondo alla pagina:
- Non spiega. Restituisce punteggi, non fa ragionamenti. Davanti a un reclamo respinto, a una fattura bloccata o a un audit, «il modello ha detto 0,87» non è una risposta. Quando un cliente contesta un esito o serve ricostruire una pratica a distanza di mesi, un decimale non basta: servono i singoli controlli superati o falliti. E quella storia la registra il workflow, non il modello.
- Una risposta valida può essere sbagliata. Il modello non può inventare un’opzione fuori dallo schema, ma può scegliere quella sbagliata con grande sicurezza. Su un test indipendente di estrazione da documenti, l’AA-Paperclip, ha azzeccato tutto solo in un documento su tre.
- I dati viaggiano. Ogni domanda porta l’input sui server di Google, e il piano gratuito ha le sue condizioni d’uso. Per i dati sensibili servono contratti chiari o un modello in casa.
- I numeri hanno un perimetro. I 150–250 millisecondi valgono per input piccoli e fino a cento domande; per il caso estremo, 256 mila token e mille domande, Google non ha pubblicato cifre. Niente Batch API, niente caching, e per ora niente Vertex AI.
E poi c’è la lezione che avevo imparato a settembre, guardando Jev e Laya giocare a Doom: la domanda è il programma. Il prompt engineering non sparisce, cambia forma. Scomporre un giudizio complesso in domande semplici, scritte bene, è il lavoro vero. Ed è esattamente il lavoro che in Canonity fa la competenza, insieme all’esperto che la firma.
Come dicevo nell’altro articolo, il riflesso del midollo risponde prima che il cervello arrivi. Però è il cervello quello che decide, una volta per tutte, quali riflessi valeva la pena avere.
E adesso?
Due anni fa, a dire che l’AI in azienda sarebbe diventata soprattutto una catena di piccole decisioni ben poste, mi guardavano come si guarda uno che non ha capito le chat. Oggi a dirlo è un listino di Google.
Il romanziere torna a scrivere romanzi. Il centralinista, finalmente, costa quanto un centralinista e in Canonity, ça va sans dire, c’è già una scrivania pensata per lui.