Cosa sono i modelli System One nell’intelligenza artificiale?

I modelli System One, chiamati anche modelli decisionali (decision models), sono modelli di intelligenza artificiale progettati per prendere decisioni rapidissime e circoscritte, scegliendo tra risposte già definite anziché generare testo.

Ricevono un contenuto da valutare, per esempio un’email, un documento o una richiesta di assistenza, insieme a una o più domande e, per ciascuna domanda, restituiscono velocemente una risposta strutturata, accompagnata da un valore che esprime la probabilità o il livello di confidenza attribuito alla scelta.

Possono servire, per esempio, a stabilire a quale reparto inoltrare una richiesta, quanto sia urgente un reclamo o se un documento richieda una verifica: la differenza rispetto ai tradizionali modelli linguistici di grandi dimensioni (LLM) è che i modelli System One non sono progettati per scrivere risposte destinate alle persone, ma per fornire in modo rapido decisioni che altri software possono utilizzare direttamente.

La denominazione si è diffusa a partire dal 15 settembre 2026, quando TypeSafe AI ha presentato Jev come primo System One Model; nelle settimane successive sono stati annunciati altri modelli e servizi con caratteristiche simili, tra cui Laya, CLM-8B e la Decisions API di OpenAI.

Che differenza c’è tra un modello System One e un LLM?

La differenza principale riguarda il tipo di risultato prodotto: un LLM generativo è progettato per generare contenuti, generalmente testo, producendo una sequenza di token, cioè parole o parti di parole (può scrivere un’email, riassumere un documento, tradurre un testo o rispondere a una domanda).

Un modello System One, invece, valuta un contenuto rispetto a un insieme di alternative e restituisce (in brevissimo tempo) direttamente una decisione strutturata.

Immaginiamo che un’azienda voglia classificare automaticamente le email ricevute. Con un LLM generativo può chiedere “Leggi questa email e indica se riguarda l’amministrazione, il commerciale o l’assistenza tecnica”: il modello può rispondere con una frase, per esempio “Questa richiesta dovrebbe essere inoltrata all’amministrazione” (per utilizzare la risposta in un processo automatico, il software deve interpretarla oppure richiedere all’LLM un formato strutturato, come JSON).

Con un modello System One, invece, l’azienda definisce direttamente le tre opzioni possibili: amministrazione, commerciale e assistenza tecnica. Il modello analizza l’email e restituisce una risposta strutturata, per esempio “amministrazione”, accompagnata da un valore che indica la probabilità attribuita alla scelta (il software può quindi utilizzare direttamente il risultato per inoltrare il messaggio al reparto competente, senza dover interpretare una risposta testuale).

La differenza sta nel funzionamento: un modello System One è progettato specificamente per prendere decisioni tra opzioni predefinite e restituire risultati strutturati, senza generare testo.

Le principali differenze tra un modello System One e un LLM possono essere riassunte così:

Caratteristica	LLM generativo	Modello System One
Risultato	Testo o altri contenuti generati	Scelta, punteggio o probabilità
Destinatario principale	Persone o applicazioni	Software e processi automatici
Funzionamento	Genera una sequenza di token	Valuta opzioni definite
Attività tipiche	Scrivere, riassumere, tradurre, conversare	Classificare, assegnare priorità, verificare, instradare
Formato della risposta	Libero o strutturato	Strutturato
Spiegazione delle decisioni	Può generare spiegazioni testuali	Non produce direttamente spiegazioni in linguaggio naturale

La distinzione non è assoluta: anche un LLM generativo può essere configurato per produrre risposte strutturate e prendere decisioni tra opzioni predefinite, ma la particolarità dei modelli System One è che questo tipo di attività costituisce il loro obiettivo principale, anziché essere una funzione ottenuta attraverso la generazione di testo.

Di conseguenza non sono strumenti adatti a scrivere email, tradurre documenti o preparare presentazioni ma, in compenso, possono essere più efficienti quando serve prendere molte decisioni circoscritte: non generando testo libero, infatti, evitano alcune categorie di errori tipiche della generazione testuale; questo però non significa che le loro decisioni siano necessariamente corrette.

Anche le architetture possono essere differenti: CLM-8B, per esempio, utilizza come base un modello linguistico esistente, mantenendone invariati i parametri e aggiungendo un modulo addestrabile; Laya si basa invece su ModernBERT-large, un modello progettato per la comprensione del testo.

La differenza quindi non dipende necessariamente dalla tecnologia di partenza, ma dal modo in cui il modello viene addestrato e dal risultato che deve produrre.

Come funziona un modello System One?

Un modello System One riceve principalmente due elementi:

1. un contenuto da valutare, come un’email, un ticket di assistenza, un documento o dati strutturati;
2. una o più domande con risposte definite, che il modello deve valutare sulla base delle informazioni ricevute.

Nel caso di Jev, le domande possono essere di tre tipi:

1. Choice: scegliere un’opzione tra quelle disponibili;
2. Score: assegnare un punteggio su una scala di valutazione;
3. Noul: stimare la probabilità di un’affermazione, restituendo un valore compreso tra 0 e 1.

Un esempio aziendale aiuta a capire come funziona: immaginiamo che un’azienda riceva una richiesta di rimborso dove il cliente minaccia di rescindere il contratto.

Un sistema basato su un modello System One potrebbe valutare contemporaneamente tre domande:

1. A quale reparto inoltrare la richiesta? Commerciale, assistenza tecnica, amministrazione o altro.
2. Quanto è urgente? Priorità bassa, media o alta.
3. Il cliente minaccia di interrompere il rapporto commerciale? Sì o no.

Il modello restituisce velocemente le risposte con i relativi valori di probabilità o confidenza: il software può quindi utilizzare questi risultati per inoltrare l’email all’amministrazione, assegnarle una priorità alta e avvisare il commerciale (nel caso di Jev, le domande vengono valutate in parallelo e possono essere gestite con un’unica richiesta).

L’obiettivo è quindi trasformare un contenuto non strutturato, come un’email, in informazioni utilizzabili direttamente da un processo aziendale (la documentazione di TypeSafe suggerisce di utilizzare domande semplici e ben delimitate, simili ai giudizi che una persona esperta potrebbe formulare in pochi secondi).

Quando una decisione richiede di considerare molti fattori, può essere preferibile scomporla in più valutazioni e combinare successivamente i risultati attraverso il software.

Quali sono i principali modelli System One?

Il settore dei modelli decisionali è ancora molto recente; a metà ottobre 2026, tra i modelli e i servizi presentati troviamo:

1. Jev (TypeSafe AI). Presentato il 15 settembre 2026 come primo System One Model, è progettato per valutare contenuti testuali, anche strutturati in JSON, e restituire decisioni attraverso domande tipizzate. Non supporta direttamente immagini, audio o video ed è utilizzabile tramite le API di TypeSafe.
2. Laya (Convai Innovations). Presentato il 18 settembre 2026, è un modello con pesi aperti e licenza Apache 2.0, che può essere installato su infrastrutture proprie. Il progetto comprende anche una versione multilingue, con supporto per oltre 100 lingue.
3. CLM-8B (Contrastive-LM). È un modello open source progettato per associare una situazione all’azione più appropriata tra quelle disponibili. Può essere utilizzato anche per confrontare più risposte generate da altri modelli e selezionare quella ritenuta migliore.
4. Decisions API (OpenAI). Annunciata al DevDay di fine settembre 2026 e resa disponibile in beta pubblica il 6 ottobre, permette di valutare testo, immagini o entrambi e ottenere risposte strutturate. Al momento della pubblicazione, il modello disponibile attraverso il servizio è GPT-6 Luna.

Nello stesso periodo sono stati annunciati altri strumenti orientati a decisioni rapide e strutturate, tra cui Clef di Cloudflare, Strands Decider di Amazon Web Services, Decider di Perplexity e Microsoft-Decision-1.

L’elenco fotografa una situazione in rapida evoluzione: disponibilità, caratteristiche e condizioni di utilizzo possono cambiare anche nel giro di poche settimane.

A cosa servono i modelli System One in azienda?

I modelli System One possono essere utili soprattutto quando la stessa tipologia di decisione deve essere presa molte volte e le risposte possibili sono conosciute in anticipo.

Tra le applicazioni aziendali troviamo:

• Smistamento delle richieste: inoltrare email, ticket e moduli di contatto al reparto o alla persona competente.
• Assegnazione delle priorità: valutare l’urgenza di una segnalazione o la gravità di un problema.
• Classificazione dei documenti: distinguere fatture, ordini, offerte, documenti di trasporto e altri materiali amministrativi.
• Moderazione e sicurezza: riconoscere contenuti potenzialmente problematici o tentativi di manipolare il comportamento di un assistente di IA.
• Selezione dei modelli: decidere se una richiesta può essere gestita da un modello più piccolo e veloce oppure richiede un sistema più potente.
• Verifica dei risultati: valutare il lavoro prodotto da altri modelli prima di proseguire con un processo automatico.

Un’applicazione particolarmente interessante riguarda la combinazione tra modelli decisionali e modelli generativi. Immaginiamo un’azienda che riceva centinaia di richieste di assistenza ogni giorno: un modello System One può classificarle, assegnare una priorità e stabilire quali possano essere gestite automaticamente.

Un modello generativo può poi preparare le risposte per le richieste più semplici, mentre quelle complesse o delicate vengono inoltrate a un operatore: in questo modo il modello decisionale stabilisce quale percorso seguire e quello generativo produce il contenuto necessario (non è necessario utilizzare un modello generativo per ogni passaggio: alcune attività possono essere svolte più rapidamente da strumenti specializzati).

Qual è il rapporto tra modelli System One e Agentic AI?

L’Agentic AI riguarda sistemi di intelligenza artificiale capaci di perseguire un obiettivo attraverso una sequenza di azioni, utilizzando eventualmente strumenti esterni e adattando il proprio comportamento ai risultati ottenuti; i modelli System One possono essere utilizzati all’interno di questi sistemi per prendere decisioni rapide e circoscritte nei diversi passaggi del processo.

Per esempio, un agente di IA potrebbe utilizzare un modello decisionale per:

• Scegliere quale modello utilizzare per una determinata richiesta
• Valutare se autorizzare un’azione, come l’utilizzo di uno strumento esterno
• Controllare un risultato prima di proseguire con l’attività successiva.

Un modello generativo può occuparsi delle attività che richiedono la produzione di contenuti e un modello System One delle decisioni rapide tra alternative definite.

Questo non significa che ogni sistema agentico debba utilizzare un modello System One: le stesse funzioni possono essere svolte anche attraverso regole tradizionali, modelli generativi o altri sistemi di classificazione.

Quali sono i limiti dei modelli System One?

Il principale limite dei modelli System One è che restituire una risposta nel formato corretto non significa necessariamente prendere la decisione giusta: un modello può scegliere sempre una delle opzioni previste e, allo stesso tempo, classificare male una richiesta o attribuirle una priorità sbagliata.

Ci sono diversi aspetti da considerare.

• Le decisioni possono essere errate. Un modello che deve distinguere tra amministrazione, commerciale e assistenza tecnica può assegnare una richiesta al reparto sbagliato; l’assenza di testo generato riduce alcuni rischi, ma non elimina gli errori di valutazione.
• Le probabilità non sono necessariamente affidabili. Un modello può attribuire una confidenza elevata a una scelta sbagliata. La documentazione di Laya, per esempio, segnala il rischio di eccessiva sicurezza nelle risposte e la necessità di calibrare il sistema sui dati del contesto in cui viene utilizzato.
• Le opzioni devono essere definite in anticipo. Se il modello deve scegliere tra amministrazione, commerciale e assistenza tecnica, ma riceve una richiesta che non appartiene a nessuna di queste categorie, può essere costretto a scegliere comunque una risposta inappropriata. Per questo è utile prevedere, quando necessario, un’opzione come “altro” o “non classificabile”.
• Non producono direttamente spiegazioni in linguaggio naturale. Il modello restituisce una scelta o un punteggio, ma non necessariamente una motivazione comprensibile per una persona. Questo può rappresentare un limite nei processi in cui è importante ricostruire le ragioni di una decisione.
• Le prestazioni dichiarate dai produttori richiedono verifiche. Il settore è recente e molti dati su accuratezza, velocità e costi provengono dalle aziende che sviluppano i modelli. Per Jev, per esempio, TypeSafe segnala che i flussi di lavoro utilizzati nei propri test sono stati costruiti dal team interno (i risultati non vanno quindi considerati automaticamente rappresentativi di qualsiasi applicazione aziendale).

Anche Laya evidenzia l’importanza dell’addestramento specifico: nei test riportati dal progetto, le prestazioni della versione di base migliorano sensibilmente dopo un adattamento ai compiti da svolgere.

Come introdurre un modello System One in azienda?

Per introdurre un modello System One conviene partire da un’attività semplice, ricorrente e con risposte ben definite: lo smistamento delle email in arrivo, per esempio, può essere un buon punto di partenza perché permette di confrontare facilmente le decisioni del modello con quelle che prenderebbe una persona.

Il percorso può essere organizzato in quattro passaggi.

1. Definire le decisioni e le alternative possibili. Bisogna stabilire quali domande porre al modello e quali risposte può restituire; le opzioni devono essere chiare e, quando necessario, comprendere una possibilità di uscita, come “altro” o “richiede verifica”.
2. Verificare le prestazioni su esempi reali. Prima di utilizzare il modello nei processi aziendali, è opportuno provarlo su richieste già classificate da persone competenti; questo permette di misurare l’accuratezza, individuare gli errori ricorrenti e capire in quali situazioni il sistema è meno affidabile.
3. Stabilire quando deve intervenire una persona. Non tutte le decisioni devono essere automatizzate: per esempio, si può prevedere che le richieste con un livello di confidenza insufficiente vengano inoltrate a un operatore. È un’applicazione del principio human-in-the-loop, che mantiene il controllo umano nei passaggi in cui è necessario. La soglia da utilizzare va stabilita sulla base delle prestazioni misurate e delle conseguenze di un eventuale errore.
4. Scegliere come utilizzare il modello. Alcuni strumenti, come Jev e la Decisions API, sono disponibili come servizi ospitati; altri, come Laya, possono essere installati su infrastrutture aziendali. La scelta dipende da costi, prestazioni, competenze tecniche e requisiti di riservatezza dei dati.

È importante anche confrontare i modelli System One con le alternative già disponibili: per alcune classificazioni può essere sufficiente una regola tradizionale; per altre può funzionare bene un LLM generativo configurato per restituire risposte strutturate.

L’obiettivo non è introdurre una nuova tecnologia a tutti i costi, ma scegliere quella più adatta al problema.

Capire che cosa uno strumento di IA può fare e che cosa no, per esempio che un modello decisionale non è progettato per scrivere testi e che un modello generativo non è necessariamente la scelta più efficiente per smistare migliaia di email, fa parte dell’alfabetizzazione all’intelligenza artificiale (AI literacy).

I modelli System One ricordano un aspetto importante dell’evoluzione dell’IA: non tutte le attività richiedono sistemi capaci di generare contenuti o sviluppare ragionamenti complessi.

In molti processi aziendali servono soprattutto decisioni rapide, ripetibili e verificabili: utilizzare modelli specializzati per questi compiti può aiutare a ridurre tempi e costi, purché le decisioni siano sufficientemente affidabili e sia chiaro quando è necessario l’intervento di una persona.