Generativa o predittiva? Il futuro dell’intelligenza artificiale secondo Charles-H. Schulz

L’IA generativa è la tecnologia che dal 2023 ha catturato l’interesse del pubblico, oltre che investimenti miliardari. Da quando a fine 2022 OpenAI ha svelato ChatGPT, il settore tech ha subito capito la portata della rivoluzione che stava arrivando. A due anni di distanza, è evidente che l’IA generativa stia entrando rapidamente nella vita di tutti i giorni, oltre che nei processi aziendali. Ma non è la soluzione a tutto e non è esente da problemi, prima di tutto l’enorme dispendio di energia necessario per addestrare i modelli e fare l’inferenza. Secondo Charles-H. Schulz, head of strategy di Vates e speaker a SFSCON 2025, ci sono alternative più efficaci, almeno per specifici compiti: l’IA predittiva. In occasione di SFSCON 2025, Schulz ha presenziato a due interventi. Ha tenuto il seminario intitolato “Presence and continuity – on AI driven automation and decision making” e partecipato alla tavola rotonda “How AI and automation are changing software engineering” insieme a Marina Latini di SUSE e Davide Montesin di Catch Solve.

IA predittiva, la fusione di machine learning e analisi statistica

“Non credo che gli sviluppatori spariranno a breve”, afferma Schulz. Il tema è noto: l’IA generativa viene usata moltissimo per generare codice, tanto che colossi come Microsoft e Meta sostengono che ormai la maggior parte del codice è scritto da delle macchine, naturalmente supervisionato dagli sviluppatori. Jensen Huang, CEO di NVIDIA si è addirittura spinto a sostenere che i programmatori spariranno entro pochi anni, quantomeno la maggior parte. Ma Schulz la vede diversamente. Sicuramente l’IA darà un grande supporto in questo ambito, magari sostituendo le parti più ripetitive che spesso sono affidate a figure junior. E sicuramente l’IA generativa offre vantaggi in svariati ambiti. Ma, secondo il manager, non è l’unica via e sarebbe necessario esplorare anche altre alternative, a partire dall’IA predittiva.

Ma di cosa si tratta? In estrema sintesi, parliamo di unire il tradizionale machine learning con l’analisi statistica. Con l’obiettivo di automatizzare il più possibile, e in maniera efficace, una serie di processi. Come, per esempio, la gestione delle reti IT, nelle grid elettriche e non solo. Garantendo così la continuità operativa, in qualsiasi situazione.

Perché non usare l’IA generativa per queste cose? Secondo Schulz sono due i problemi: l’esagerato consumo di risorse, in primis. Ma anche la qualità delle risposte delle IA, che tendono spesso ad allucinare e richiedono un costante controllo approfondito degli output. Non ci si può fidare, insomma. “Ancora oggi è necessario verificare praticamente ogni output di ChatGPT, perché può fornirti il PDF sbagliato o dati errati. Ma ciò che serve è ottenere continuità e presenza. E la continuità si raggiunge quando si lavora nel modo giusto con l’intelligenza artificiale, con i motori predittivi, e quando si utilizza l’IA in modo responsabile”, dice Schulz, aggiungendo anche “non credo nell’AGI”, l’intelligenza artificiale generale in grado di superare le capacità umane in tutti i contesti.

Nella visione dell’esperto, al posto dell’AGI avremo tante piccole intelligenze, specializzate in ambiti ben definiti, ma molto più affidabili, meno energivore, integrabili ovunque, anche all’edge, non necessariamente dipendenti da complesse e pesanti architetture cloud come oggi accade con le attuai IA generative. “Avremo IA che gestiscono i semafori, e quindi il traffico. IA che gestiscono la rete elettrica delle città. IA che tengono sotto controllo sistemi di vario tipo”.

IA predittiva e symbolic AI: meno consumi e più affidabilità

Il problema che Schulz vede nelle attuali implementazioni di IA è che non ragionano. Non sono realmente intelligenti, anche se lo sembrano. Questo perché si affidano a enormi basi di dati, che non potranno mai essere aggiornate in tempo reale. E quindi è necessario alimentarle costantemente con nuove informazioni. Un approccio che “non migliora né i dati né il modello stesso”, secondo Schulz. “In teoria, l’IA dovrebbe riguardare solo i dati, non il modello, che dovrebbe essere solo un’astrazione che supporta nell’estrazione di valore dalle informazioni che gli si forniscono. Ma all’atto pratico, oggi non è così”. Quello che vuole evidenziare il manager è che oggi possiamo facilmente sottoporre milioni di foto di un animale a un modello di IA, che imparerà a distinguerlo da altri. Ma, alla fine, non ragionando realmente, questo modello avrà le capacità cognitive di un insetto, nonostante tutto. Pur richiedendo una quantità di energia impressionante per funzionare.

A questo punto, secondo Schulz potrebbe essere più efficace, almeno in certi ambiti, applicare la symbolic AI, cioè i sistemi esperti, che pur basandosi su set di dati molto piccoli sono in grado di gestire in maniera molto efficace specifici sistemi. A differenza dell’IA generativa, l’IA ragiona, formula concetti e “opera sulla base della deduzione”. Va detto che l’IA simbolica non è una novità assoluta: è un concetto che è stato esplorato a lungo. Semplicemente, “ha vinto la GenAI”, per il momento. Ma, aggiunge, “credo che tornerà al centro delle discussioni”. Anche perché a oggi le aspettative e la percezione sul potenziale dell’IA sono disallineate.

Schulz non ha una visione negativa delle attuali implementazioni di IA. Semplicemente, secondo lui non funzionano abbastanza bene. Si basano troppo sui dati forniti e, per esempio nel caso di Gemini, sono ottimi nella ricerca dei dati. Anche perché è il core business di Google, che l’ha sviluppata. L’obiettivo dell’IA però non dovrebbe essere solo quello di esplorare e analizzare dati, ma di “creare connessioni e garantire la continuità”. Continuità, intesa come affidabilità in ogni situazione, che difficilmente può derivare da algoritmi che sono fondamentalmente statistici.

Schulz continua spiegando come la scelta di appoggiarsi agli LLM invece che a sistemi differenti e per certi versi più efficaci, come l’IA predittiva, sia anche guidata dal modello di business. In particolare, dalla necessità di costruire data center dove installare decine di migliaia di GPU per svolgere i calcoli relativi ad addestramento e inferenza. Un business che oggi è guidato dalla scarsità di GPU, che sono una merce rara. In futuro, secondo Schulz, potrebbero prendere piede sistemi più efficienti, sebbene limitati a specifici scenari. Insomma: si andrà oltre ai prompt, per ottenere la continuità e quella che definisce “presenza”, cioè una sorta di relazione (non emotiva) con l’IA per ottenere risultati migliori, che vadano oltre risposte, potenzialmente errate o imprecise, a domande.

SFSCON è cofinanziata dall’UE nell’ambito del progetto FESR 1048 IMPACT.