La semplificazione gira da un paio d'anni, nei materiali dei fornitori e nelle conversazioni tra chi usa l'AI in azienda: se un modello sbaglia, basta un secondo modello che rilegga. Due pareri sono meglio di uno. È ragionevole, molto diffusa, e non regge alla prova dei dati. Un workflow AI multi-modello funziona, ma quasi nessuno lo costruisce nel punto in cui conta davvero: la fase in cui qualcuno decide quali critiche accogliere.
Vale la pena capire perché, perché la stessa logica si applica a qualunque valutazione di uno strumento AI che prometta di controllare sé stesso.
1. La ricerca non dice quello che si cita
Le fonti citate a favore dell'autocorrezione e quelle citate contro parlano di cose diverse. La differenza non è metodologica: è il tipo di compito.
| Tipo di compito | Il modello può verificarsi da solo? | Cosa emerge dalla ricerca |
|---|
| Ragionamento, matematica, fatti verificabili | No: esiste una risposta corretta che il modello non sa riconoscere | Chiedere al modello di ricontrollarsi può peggiorare la risposta. Una survey su TACL del 2024 conclude che non c'è evidenza convincente di autocorrezione affidabile via semplice prompting |
| Codice con test eseguibili | Sì, tramite un segnale esterno | Miglioramenti solidi e ripetibili: il feedback non è un'opinione, è un test che passa o fallisce |
| Scrittura, sintesi, contenuti aperti | Parzialmente: la qualità è scomponibile in criteri | Miglioramenti reali e documentati, purché i criteri siano definiti prima |
I risultati pessimisti più citati riguardano quasi tutti la prima riga. I risultati ottimisti quasi tutti la seconda e la terza. Chi cita gli uni contro gli altri sta confrontando esperimenti che rispondono a domande diverse.
Un modello non può correggere in autonomia ciò che non sa di aver sbagliato.
Attenzione però a non tirare la conclusione sbagliata, che è l'errore più comune quando si riassume questa letteratura. Un critico indipendente può benissimo trovare un errore di ragionamento che il generatore non vedeva: trovare non è il problema. Il problema è chi decide. Quando l'errore è verificabile — un dato, una data, una citazione — la decisione non dovrebbe appoggiarsi né al giudizio del generatore né all'autorità del critico, ma alla fonte. Sulle omissioni e sulle scelte di struttura, dove una fonte non esiste, il giudizio di un modello diverso è invece l'unico segnale disponibile, e vale.
2. Non conta il numero. Conta la diversità
Se due modelli sono la stessa cosa addestrata sugli stessi dati, hanno punti ciechi largamente sovrapposti. Il secondo tende a non vedere quello che il primo non ha visto: conferma. È il motivo per cui gli studi sui sistemi multi-agente trovano che la componente che porta il guadagno maggiore non è il numero di agenti, ma la loro eterogeneità: nell'ablation di ReConcile (ACL 2024), la configurazione multi-modello contribuisce circa +6,8% rispetto alla stessa architettura con un modello solo replicato.
| Configurazione | Costo relativo | Decorrelazione attesa | Cosa ottieni davvero |
|---|
| Un modello, una generazione | 1x | — | Il baseline |
| Un modello che si autocritica | 4x circa | Nessuna | Conferme eloquenti, qualche omissione recuperata |
| Due istanze dello stesso modello | 5-6x | Bassa | Poco più della riga sopra, a costo pieno |
| Due modelli di famiglie diverse | 5-6x | Alta | Punti ciechi diversi, critiche che il primo non poteva produrre |
La colonna della decorrelazione è un'aspettativa ragionata, non una misura: quanta ne ottenete dipende dalla coppia che scegliete, e si verifica solo sul vostro lavoro. Sulle differenze reali di architettura e di comportamento tra le famiglie principali abbiamo scritto una guida ai modelli di calcolo computazionale di ChatGPT, Claude e Gemini.
Non state comprando un secondo parere. State comprando una seconda distribuzione di errori.
Detto in linguaggio di procurement: la variabile tecnica è la diversità, ma il modo pratico di procurarsela, oggi, è non consolidare l'intera spesa AI su un unico fornitore. È un argomento documentato a favore di una strategia multi-fornitore — non l'unico e non decisivo da solo, ma da mettere nella colonna dei benefici quando si valuta l'accentramento. Il quadro dei piani disponibili e delle loro differenze di prezzo è nel nostro confronto tra ChatGPT Business, Claude Team e Gemini Workspace.
Con un'avvertenza che vale per entrambe le direzioni: avere due contratti non garantisce due distribuzioni di errori. La diversità è un risultato da verificare, non una proprietà che si acquista firmando.
3. Il conto dei token che quasi nessuno fa
Qui la maggior parte delle valutazioni interne sbaglia. Il costo di un ciclo generazione–critica–revisione non è tre volte quello di una generazione singola, perché ogni passaggio successivo rilegge tutto quello che è stato prodotto prima.
Sotto, il conto per un documento di circa 1.200 parole con un brief di 600 token. Gli ordini di grandezza contano, i decimali no.
| Configurazione | Token consumati | Totale, relativo |
|---|
| Generazione singola | ~600 in ingresso, ~1.800 in uscita | 1x |
| Autocritica, un round | ~6.000 in ingresso, ~4.200 in uscita | ~4x |
| Due modelli, un round completo | ~9.400 in ingresso, ~4.600 in uscita | ~6x |
Sei volte i token per un round. Chi ne fa tre arriva a quindici o venti, spesso senza misurare se il terzo round abbia aggiunto qualcosa.
Il confronto corretto non è una chiamata contro sei: è lo stesso budget speso in modi diversi.
Prima di adottare un workflow multi-modello come standard interno, il test da fare è banale e quasi nessuno lo fa: dare al modello singolo lo stesso budget di calcolo — più tentativi indipendenti, output più lunghi e ragionati — e confrontare i risultati. In alcuni compiti il workflow a due modelli vince nettamente. In altri no, e si è pagato sei volte tanto per un vantaggio che si otteneva altrimenti.
Questo è anche il modo giusto di leggere le claim dei fornitori di strumenti AI che promettono "verifica automatica" o "controllo qualità integrato": chiedete contro quale baseline è misurato il miglioramento. Se la risposta è "contro una generazione singola", il dato è quasi privo di significato.
4. Non sbaglia il critico. Cede il generatore
Qui arriva il dato che ribalta l'intuizione di quasi tutti.
L'aspettativa comune è che il pericolo di un sistema a due modelli sia il critico che si inventa un problema inesistente. È un pericolo reale — i critici automatici documentano errori che non ci sono — ma è il secondo per gravità. Il primo è che il generatore, messo di fronte a una critica ben argomentata, abbandoni una scelta che era giusta.
| Fenomeno misurato | Risultato |
|---|
| Modelli che cambiano risposta dopo una semplice contestazione | 46% dei casi, su dieci modelli testati |
| Variazione di accuratezza tra prima e ultima risposta | −17% in media |
| Effetto delle confutazioni più dettagliate e argomentate | Aumentano la cedevolezza, non la riducono |
| Stessi modelli, stesse opzioni presentate a confronto affiancato | Identificano correttamente la risposta giusta |
Fonte: l'esperimento FlipFlop (Laban et al., 2024) per le prime due righe; Kim & Khashabi, Findings EMNLP 2025, per le ultime due.
L'ultima riga è la più utile di tutte, ed è controintuitiva: gli stessi modelli che cedono in conversazione sanno riconoscere la risposta giusta se gliela si mostra affiancata all'alternativa. Non è un problema di capacità. È un problema di formato.
Da cui la conseguenza pratica che vale l'intero articolo. Non chiedete al primo modello "il revisore dice che questo passaggio è debole, che ne pensi": in quel formato accetterà quasi tutto, e tanto più quanto meglio è scritta la critica. Mostrategli invece il passaggio attuale e quello che risulterebbe applicando la critica, affiancati, e chiedete quale serve meglio l'obiettivo. Stessa informazione, decisione molto migliore.
5. Cosa cambia per chi compra AI in azienda
Tre implicazioni concrete, al di là del caso specifico.
I criteri di valutazione vanno scritti prima, da una persona, e vanno tenuti separati dagli obiettivi. Se il critico automatico deduce i criteri dal testo che sta valutando, premia quello che il testo già fa. È lo stesso errore, per inciso, di un capitolato che descrive la soluzione del fornitore uscente: un vizio che abbiamo raccontato tra i sette peccati capitali di una RFP.
La selezione non si delega. Nello studio Stanford su oltre cento ricercatori pubblicato a ICLR 2025, le idee generate da modelli linguistici sono state giudicate più originali di quelle degli esperti umani — ma gli stessi modelli si sono rivelati valutatori inaffidabili, con un ordinamento che diverge da quello degli esperti. La configurazione vincente era generazione automatica e riordino umano.
E serve un criterio di arresto. Nel software si smette quando i test passano. Su un documento non esiste alcun segnale equivalente, quindi senza una regola esplicita si itera per inerzia. Il controllo più semplice è il conteggio parole: i modelli usati come giudici preferiscono sistematicamente le risposte più lunghe, quindi se il documento cresce a ogni giro, il revisore sta gonfiando, non migliorando.
In sintesi
Il valore di un sistema a due modelli non sta nel secondo modello. Sta nella terza fase, quella in cui qualcuno decide quali critiche accogliere e quali respingere — e nel fatto che quel qualcuno abbia criteri scritti prima e un formato di decisione che non lo faccia cedere.
Aggiungere un revisore automatico senza aggiungere un giudice è come commissionare un audit e firmarne le conclusioni senza leggerle.
Il protocollo completo
Prompt pronti da usare, soglie di accettazione per categoria di rilievo, metriche di controllo e la distinzione esplicita tra ciò che poggia su evidenza pubblicata e ciò che è estrapolazione operativa: quindici pagine, in un documento che mandiamo su richiesta. Per riceverlo scrivete a info@capcost.it.
Nota su fonti e metodo
I riferimenti citati sono, in ordine di comparsa: Kamoi et al., When Can LLMs Actually Correct Their Own Mistakes? (TACL, 2024); Chen, Saha & Bansal, ReConcile (ACL, 2024); Laban et al., The FlipFlop Experiment (2024); Kim & Khashabi, Findings EMNLP 2025; Si, Yang & Hashimoto, Can LLMs Generate Novel Research Ideas? (ICLR, 2025); Zheng et al., Judging LLM-as-a-Judge (2023) per la preferenza dei giudici automatici verso le risposte lunghe. Le stime di consumo token della sezione 3 sono calcolate su un documento di circa 1.200 parole con brief di 600 token e valgono come ordine di grandezza, non come misura: variano con la lunghezza del testo, la verbosità del revisore e il numero di rilievi prodotti. Dati aggiornati ad agosto 2026.
Trasparenza
Questo articolo è stato prodotto con il metodo che descrive. I criteri di valutazione, la selezione dei contenuti e la revisione finale sono di redazione; le verifiche sulle fonti citate sono state fatte manualmente sui testi originali. Sugli obblighi di trasparenza che stanno entrando in vigore per i contenuti prodotti con AI, si veda il nostro pezzo su cosa cambia per le aziende con l'AI Act dopo il Digital Omnibus.
Se un modello sbaglia basta un secondo modello che rilegga: è la convinzione più diffusa tra chi usa l'AI in azienda, ed è sostanzialmente fuori bersaglio. Un workflow AI multi-modello funziona, ma la variabile che decide il risultato non è il numero dei modelli: è la diversità tra loro e soprattutto chi ha l'ultima parola sulle critiche. Chi salta quel passaggio spende cinque o sei volte tanto e ottiene testi peggiori. Questo articolo mette in fila cosa dice davvero la ricerca sull'autocorrezione dei modelli, distinguendo i compiti in cui funziona da quelli in cui non funziona; fa il conto dei token che un ciclo generazione-critica-revisione consuma sul serio; e riporta il dato che ribalta l'intuizione di tutti: il rischio principale non è che il revisore automatico sbagli, ma che il generatore ceda a una critica sbagliata scritta bene. In chiusura, cosa implica per chi in azienda deve valutare strumenti AI o decidere se consolidare la spesa su un unico fornitore.