Le risposte dei chatbot sono molto più prevedibili di quanto ci si potrebbe aspettare. Questo va bene per la ricerca o la programmazione, ma è un problema se si è alla ricerca di qualcosa di nuovo.
Cominciamo con un gioco. Aprite il chatbot che preferite — Claude, ChatGPT, Gemini — e digitate «Dammi un numero casuale tra 1 e 10». Otterrete 7. Quasi sempre. Ora digitate «Un altro» e otterrete 3 o 4. Digitate di nuovo «Un altro» e otterrete 8 o 9.
Non funzionerà sempre, ma se funzionasse, potreste chiedervi se ho dei superpoteri. Non ce li ho.
La verità è che la maggior parte dei modelli linguistici di grandi dimensioni è bloccata in una routine. Sono molto più prevedibili e molto meno creativi nelle loro risposte di quanto ci si potrebbe aspettare. Questo va bene per attività come la programmazione o la ricerca, ma il pensiero di gruppo diventa un problema quando si fa brainstorming o si pianifica la prossima vacanza.
La startup australiana Springboards ha una soluzione. Ha sviluppato un modello linguistico di grandi dimensioni (LLM) chiamato Flint, che è stato addestrato a fornire una più ampia varietà di risposte rispetto agli LLM tradizionali a domande aperte come “Dove dovrei andare in Europa?”.
«La maggior parte dei modelli linguistici cerca di combattere le allucinazioni», afferma Pip Bingemann, cofondatore e CEO di Springboards. «Noi le accogliamo con favore».
Bingemann mi ha fatto conoscere il gioco dei numeri casuali quando mi ha mostrato per la prima volta il nuovo modello della sua azienda. Mi è sembrato di assistere all’esibizione di un illusionista con un mazzo di carte. «Questo è il nostro asso nella manica, e funziona ogni singola volta», dice.
Dopo che sia ChatGPT che Claude avevano dato entrambi un 7, Bingemann si è rivolto a Flint. Anche questo ha restituito un 7: «Ah, ovviamente sarebbe successo, ma va bene: 7 è una risposta valida». Ha riavviato la sessione e ha ripetuto la richiesta: ChatGPT ha dato 7, Claude ha dato 7, Flint ha dato 3,7916.
Fai a modo tuo
Non si tratta solo di numeri. Quando Bingemann ha chiesto a ChatGPT e Claude di nominare un modello di auto, ha previsto che sarebbe stata una Toyota o una Honda — e aveva ragione. Flint ha proposto una Ford F-150. «C’è tutta questa informazione persa che non viene fornita da questi modelli», afferma. «Sono perfettamente in grado di dire una Buick o una Tesla. Semplicemente non lo fanno: sono di parte».
Bingemann ha inviato un ultimo prompt a ciascuno dei tre modelli: «Dammi uno slogan per una campagna pubblicitaria delle scarpe da corsa New Balance. Solo lo slogan». Claude: «Corri a modo tuo». ChatGPT: «Corri a modo tuo». Flint: «Costruite per durare, corri per vincere». Non vincerà certo alcun premio, ma almeno è diverso.
Questa strana limitazione dei modelli di linguaggio a grande scala (LLM) sta iniziando a ricevere maggiore attenzione. A novembre un team di ricercatori ha pubblicato un articolo, intitolato “Artificial Hivemind: The Open-Ended Homogeneity of Language Models (and Beyond)”, che ha messo in luce un notevole grado di ripetitività non solo nelle risposte dei singoli LLM, ma anche tra di essi. Hanno scoperto che diversi LLM convergevano su risposte molto simili quando venivano sottoposti a domande aperte.
Non è chiaro esattamente perché ciò accada, ma i ricercatori ipotizzano che sia dovuto al fatto che la maggior parte degli LLM odierni viene addestrata in modi simili, su dati simili, per svolgere compiti simili. Il team ha vinto il premio per il miglior articolo a NeurIPS, un’importante conferenza sull’intelligenza artificiale.
Quando i ricercatori hanno chiesto a 25 diversi LLM (tra cui modelli delle principali aziende statunitensi e modelli open source provenienti dalla Cina e da altre parti del mondo) 50 volte ciascuno di scrivere una metafora sul tempo, la maggior parte delle 1.250 risposte era una variante di “Il tempo è un fiume” o “Il tempo è un tessitore”.
(Ho posto la stessa domanda ad alcuni miei colleghi e sei persone mi hanno dato sei risposte diverse. La mia preferita: «Il tempo è una felpa preferita, modellata da una vita di uso.»)
Quando la cerchi, vedi ripetizioni ovunque, afferma Kieran Browne, cofondatore e CTO di Springboards. «Il modo in cui sono progettate la maggior parte delle interfacce di chat dà l’impressione di avere una conversazione personale», dice. «Penso che la maggior parte delle persone non si renda davvero conto di quanto stia ricevendo le stesse cose di tutti gli altri».
Prendiamo un altro esempio: «Come dovrei chiamare la mia band?». La maggior parte dei modelli dirà qualcosa che includa «glass», «neon», «velvet» o «static», spiega Browne.
Quando l’ho provato, ChatGPT ha sfornato un elenco di 56 nomi di band. In cima c’era “Glass Harbor”. Dando una rapida occhiata, ho trovato “Static Empire”, “Neon Hearts” e “Velvet Echo”. Ho chiesto a Gemini, che mi ha fornito 15 suggerimenti, tra cui “Static Horizon”.
Alcuni dei suggerimenti sembravano comunque piuttosto interessanti. “Sofa Astronauts” di ChatGPT ha attirato la mia attenzione, così l’ho cercato su Google e ho scoperto che esiste già una band chiamata Sofa Astronauts.
(OpenAI afferma che addestrare i modelli a fornire risposte affidabili e coerenti può portarli a convergere su risposte familiari e ad alta probabilità, mentre spingerli maggiormente verso la novità può portare a risposte più deboli o meno affidabili. Sottolinea inoltre che l’articolo “Artificial Hivemind” ha studiato modelli del 2024 che da allora sono stati aggiornati.)
Catapulta creativa
Springboards ha sviluppato uno strumento supportato da una selezione di modelli di linguaggio (LLM), tra cui ChatGPT e Claude, che i professionisti creativi nel campo della pubblicità o del marketing possono utilizzare per il brainstorming di idee. Lo strumento consente di trascinare il testo prodotto da diversi modelli, selezionando le parti che piacciono e combinandole in qualcosa di nuovo — in teoria. Springboards sta proponendo Flint come modello alternativo che gli utenti del suo strumento possono selezionare quando cercano maggiore varietà.
Zoe Scaman, fondatrice della startup di strategia aziendale Bodacious e chief strategy officer di 77X, una piattaforma di marketing direct-to-fan creata da Luka Dončić dei LA Lakers, lo sta provando. « lo trovo davvero utile per spingermi in direzioni completamente diverse», afferma. «Lo uso quando voglio catapultarmi in ogni direzione possibile».
In un test, Scaman ha messo a confronto Flint con Claude, Gemini e ChatGPT, assegnando a ciascuno dei modelli un classico caso di studio da MBA: come reinventeresti una società finanziaria per i giovani di oggi? I tre modelli tradizionali hanno seguito tutti la stessa strada, dice: «Sai, dobbiamo insegnare l’alfabetizzazione finanziaria in modo divertente e originale… beh, non è certo una novità».
Flint, invece, ha proposto qualcosa di diverso, suggerendo che l’intero concetto di accumulo di ricchezza dovrebbe essere ripensato. «È stato davvero interessante», afferma Scaman.
Fa notare che Flint è ancora un prototipo e non funziona sempre. «A volte va in tilt quando lo si spinge troppo oltre», dice. «Ma penso che la premessa alla base sia davvero potente».
Valutare la situazione
Springboards ha sviluppato Flint sulla base di Qwen 3, un modello open source del gigante tecnologico cinese Alibaba. «Siamo un piccolo team», dice Browne. «Addestrare un modello di base non è un’opzione per noi. È semplicemente troppo costoso».
La maggior parte degli LLM dispone di impostazioni che consentono di regolare il livello di casualità nei risultati. La più comune è chiamata “temperatura”. “Ovviamente, è stata una delle prime cose che abbiamo esplorato, perché è quello che ti dicono tutti: se vuoi più creatività, alzi la temperatura”, spiega Browne.
Ma modificare queste impostazioni può anche rendere i modelli incoerenti. Aumentando la “temperatura” su uno dei modelli di OpenAI al massimo, questo ha prodotto risposte che passavano dall’inglese al codice a metà frase, spiega Browne.
Springboards si è resa conto che i parametri erano strumenti troppo generici per ciò che voleva ottenere. Non ha senso aumentare la casualità in modo indiscriminato; l’obiettivo è potenziarla solo in punti specifici dell’output, afferma.
Ad esempio, quando si chiede a un chatbot «Dove dovrei andare in Europa?», il modello deve modificare la casualità solo appena prima di indicare una destinazione, non per ogni parola della risposta.
Per far sì che Flint agisse in questo modo, Springboards ha addestrato la propria versione di Qwen 3 a identificare i punti dell’output in cui era possibile una maggiore varietà e a riempire tali spazi con parole o frasi leggermente più casuali.
«Flint è programmato per inserire un elemento fuori dagli schemi. È più che altro un invito a pensare in modo più ampio», afferma Maximilian Weigl, cofondatore e direttore strategico di Uncommon, un’agenzia di marketing. «È davvero interessante».
Il team di Weigl utilizza Flint insieme a ChatGPT, Claude e Gemini. «Non si può davvero creare qualcosa di rivoluzionario con strumenti che ti riportano alla mediocrità», afferma.
Eppure Weigl osserva che nove volte su dieci la media va bene. Non è sempre necessario puntare agli estremi con uno strumento come Flint, afferma: «Alla maggior parte delle persone basta che sia “abbastanza buono”. Vogliono vedere cose familiari e destinate al grande pubblico».
Weigl mette anche in guardia dall’uso eccessivo di qualsiasi LLM. «Mi crea grossi problemi quando le persone si affidano ai risultati forniti da qualsiasi IA, compreso Flint», afferma. «Se vedessi qualcuno del mio team copiare e incollare qualcosa dall’IA, direi: “Non è questo il tuo lavoro! Pensa, parla con gli altri, usa la tua voce”».
Per ora, Flint è rivolto agli inserzionisti e ai professionisti del marketing perché questi sono i clienti di Springboard. Ma Bingemann e Browne insistono sul fatto che la mancanza di varietà sia un problema per chiunque utilizzi i chatbot.
L’idea è quella di offrire alle persone la possibilità di scegliere e lasciare a loro il compito di decidere se il risultato è valido o meno, spiega Bingemann. «La varietà è fondamentale quando si cerca di stimolare nuove idee», afferma. «Seguiamo questa strada invece di lasciare che siano le macchine a fare tutto, rischiando di ritrovarci in un mondo grigio e noioso».
