L’intelligenza artificiale sta entrando in una nuova fase evolutiva, meno spettacolare agli occhi del grande pubblico ma probabilmente molto più importante per chi deve costruire infrastrutture sostenibili. Per oltre tre anni il mercato ha vissuto una corsa quasi ossessiva verso modelli sempre più grandi, con miliardi di parametri aggiunti come se la dimensione fosse sinonimo inevitabile di qualità. Oggi inizia invece ad affermarsi una domanda decisamente più pragmatica: è davvero necessario utilizzare il modello più potente per qualsiasi richiesta? La risposta proposta da Regolo.ai, piattaforma europea di Green AI sviluppata all’interno dell’ecosistema DHH Group, è un deciso no. Il paper scientifico Brick: Spatial Capability Routing for the Mixture-of-Models (MoM) Paradigm, pubblicato su arXiv da Francesco Massa e Marco Cristofanilli, propone infatti un cambio di paradigma destinato ad avere implicazioni profonde sull’intera industria dell’AI.
Per comprendere la portata della proposta occorre prima mettere in discussione una convinzione ormai radicata. L’industria continua a presentare i Large Language Model come se fossero una sorta di cervello universale capace di risolvere indistintamente qualsiasi problema. Nella realtà operativa, però, nessun modello eccelle ovunque. Alcuni sono straordinari nella programmazione, altri nella conoscenza generale, altri ancora nella pianificazione o nella creatività. Continuare a inviare ogni richiesta sempre allo stesso modello premium equivale, utilizzando una metafora industriale, a movimentare ogni pacco di un magazzino con una gru da cento tonnellate. Funziona. Ma economicamente è una pessima idea.
Brick nasce esattamente per risolvere questa inefficienza sistemica. Il progetto introduce quello che gli autori definiscono paradigma Mixture of Models (MoM), concettualmente diverso dai più noti sistemi Mixture of Experts. Qui non vengono attivati esperti interni allo stesso modello neurale, bensì viene orchestrato un insieme eterogeneo di modelli già esistenti, sia open weight sia closed weight, scegliendo dinamicamente quale utilizzare per ogni singola richiesta. Il routing non avviene sulla base di semplici regole, keyword o dominio applicativo, ma attraverso una rappresentazione geometrica delle capacità cognitive richieste dalla query.
Il cuore tecnico di Brick è sorprendentemente elegante. Ogni richiesta viene classificata secondo sei dimensioni fondamentali di competenza, tra cui coding, ragionamento matematico, pianificazione, creatività, instruction following e conoscenza generale. Parallelamente ogni modello disponibile possiede un proprio vettore di capacità costruito empiricamente attraverso migliaia di valutazioni. Il router confronta ciò che la domanda richiede con ciò che ogni modello è realmente in grado di offrire, stimando contemporaneamente difficoltà, costo computazionale e probabilità di successo. Non sceglie il modello migliore in assoluto, ma quello economicamente più conveniente che abbia elevate probabilità di risolvere correttamente il problema.
È una differenza apparentemente sottile, ma economicamente enorme. Per anni abbiamo ottimizzato gli algoritmi; ora iniziamo finalmente a ottimizzare le decisioni su quale algoritmo utilizzare.
I risultati sperimentali riportati nel paper sono particolarmente interessanti. Sul benchmark proprietario Dataset A, composto da oltre 5.500 query distribuite su molteplici domini, Brick raggiunge il 76,98% di accuratezza, superando il miglior modello singolo fermo al 75,02%. Ancora più significativo è il rapporto tra prestazioni e costo: il profilo “neutral” mantiene un’accuratezza del 74,11% riducendo i costi di inferenza di circa 4,7 volte rispetto all’utilizzo sistematico del modello più costoso. Nel profilo orientato al minimo costo, la riduzione arriva addirittura a oltre 22 volte, lasciando naturalmente sul tavolo una parte della qualità ma offrendo una flessibilità operativa estremamente interessante.
Dietro questi numeri si nasconde un messaggio strategico che molti CEO dovrebbero iniziare a considerare seriamente. L’adozione dell’intelligenza artificiale non sarà limitata dalla disponibilità di modelli sempre più potenti, bensì dalla sostenibilità economica della loro esecuzione. Quando un’organizzazione processa milioni di richieste al giorno, ogni frazione di centesimo risparmiata sull’inferenza si trasforma rapidamente in milioni di euro di differenza sul conto economico.
Qui entra in gioco anche la dimensione ESG. L’efficienza computazionale non rappresenta più soltanto un vantaggio finanziario ma diventa un elemento di sostenibilità ambientale. Ridurre GPU utilizzate, token elaborati inutilmente e consumi energetici significa diminuire direttamente l’impronta carbonica delle infrastrutture AI. Il concetto di Green AI, spesso utilizzato come slogan di marketing, trova in questo tipo di architettura una concreta implementazione tecnica.
Dal punto di vista infrastrutturale Brick introduce inoltre un elemento estremamente interessante per il mercato europeo: la possibilità di costruire ecosistemi ibridi dove convivono modelli open source ospitati localmente e modelli commerciali accessibili via API. Non esiste più una scelta binaria tra sovranità tecnologica e massime prestazioni. Il router decide quando mantenere il dato all’interno dell’infrastruttura proprietaria e quando, invece, abbia senso utilizzare un modello frontier esterno. È un approccio che potrebbe risultare particolarmente rilevante per pubbliche amministrazioni, sanità, finanza e industria manifatturiera, dove compliance, costi e privacy convivono quotidianamente.
Esiste poi un’altra implicazione che probabilmente verrà compresa solo nei prossimi anni. L’intera competizione tra produttori di modelli potrebbe progressivamente spostarsi. Oggi si confrontano benchmark assoluti e classifiche di performance. Domani potrebbero prevalere ecosistemi cooperativi nei quali modelli diversi collaborano invece di competere. In altre parole, il valore potrebbe spostarsi dall’algoritmo al sistema di orchestrazione.
È un’evoluzione che ricorda quanto accaduto nel cloud computing. All’inizio tutti parlavano della potenza dei server. Successivamente il vantaggio competitivo si è spostato sugli orchestratori, sui scheduler e sulle piattaforme capaci di distribuire intelligentemente i carichi di lavoro. L’intelligenza artificiale sembra avviarsi lungo una traiettoria sorprendentemente simile.
Naturalmente il lavoro presenta anche alcuni limiti, riconosciuti dagli stessi autori. Il router viene validato su un dataset specifico e l’efficacia dipende dalla qualità della classificazione delle query e dalla calibrazione delle capacità dei modelli disponibili. Inoltre il paradigma MoM non elimina i limiti dei modelli sottostanti: li sfrutta semplicemente in modo molto più efficiente. Tuttavia proprio questa trasparenza metodologica rafforza la credibilità della ricerca, che descrive apertamente metodologia, benchmark, parametri di calibrazione e margini di miglioramento futuri.
La sensazione è che Brick rappresenti qualcosa di più di un semplice router semantico. Potrebbe essere uno dei primi esempi concreti di quella che diventerà la prossima generazione delle infrastrutture AI enterprise, dove il valore competitivo non deriverà dall’avere “il modello più grande”, ma dal sapere orchestrare intelligentemente decine di modelli differenti.
La Silicon Valley ha costruito il proprio mito sull’idea che ogni nuova generazione di AI dovesse essere più gigantesca della precedente. L’Europa, almeno in questo caso, sembra suggerire una strada diversa: non costruire il martello più pesante, ma imparare finalmente quale attrezzo utilizzare per ogni singolo lavoro. In un settore che per anni ha confuso forza bruta e innovazione, potrebbe essere proprio questa l’intelligenza più difficile da replicare.