AI generativa e AI predittiva: differenze e quando usarle

"Quanto venderemo a marzo?" e "scrivimi una risposta a questo reclamo" sono due domande che oggi si risolvono entrambe con l'intelligenza artificiale. Ma dietro ci sono due tecnologie diverse, che funzionano in modo diverso, risolvono problemi diversi e non si scelgono allo stesso modo. La distinzione tra AI predittiva e AI generativa non è un tecnicismo da informatici: incide su cosa si può, e non si può, fare con ciascuna.

Quando la domanda è "cosa scrivere"

L'AI generativa produce contenuti nuovi: testi, codice, immagini, audio, conversazioni. Lo fa con modelli probabilistici che calcolano la sequenza più plausibile di parole o di altri elementi, senza fare previsioni su eventi futuri. Lavora bene su input non strutturati e produce risultati creativi o analitici.

In azienda serve a scrivere e rivedere testi come proposte commerciali, email, descrizioni prodotto, FAQ e comunicazioni interne, accelerando enormemente la produzione delle bozze senza sostituire il giudizio sulla strategia. Sa analizzare documenti non strutturati, come un contratto di 80 pagine, rispondendo a domande precise, estraendo le clausole rilevanti e segnalando i rischi, un compito che con i sistemi tradizionali richiederebbe soluzioni specializzate e molto più complesse. Aiuta a programmare, scrivendo e correggendo codice, documentazione tecnica e query SQL, con aumenti di produttività significativi. Alimenta chatbot e agenti di nuova generazione, capaci di capire il linguaggio naturale e rispondere nel contesto, cosa impossibile ai sistemi predittivi classici. E sintetizza dati da più fonti in testi leggibili, riassume scambi di messaggi, commenta in automatico le variazioni in un report periodico.

Il suo limite più noto è che può inventare informazioni plausibili ma sbagliate, le cosiddette allucinazioni: nei compiti ad alta responsabilità, in ambito legale, medico o finanziario, serve sempre una supervisione umana. In partenza, inoltre, non sa nulla della tua azienda: il contesto va fornito ogni volta, con istruzioni, documenti o sistemi di ricerca interna, e non impara in modo permanente da una singola conversazione, a meno di un'architettura progettata apposta.

Quando la domanda è "quanto, quando, con che probabilità"

L'AI predittiva analizza dati storici per prevedere eventi futuri o classificare situazioni presenti. Il suo risultato è sempre un numero, una probabilità o una categoria, mai un testo.

I casi d'uso classici sono la previsione delle vendite, dove un modello di machine learning combina stagionalità, storico e variabili esterne per produrre una stima del mese o del trimestre successivo, senza capire il business ma trovando regolarità statistiche; la manutenzione predittiva, dove i sensori sui macchinari trasmettono vibrazioni, temperature e pressioni, e il modello impara a riconoscere gli schemi che precedono i guasti; il merito creditizio, dove le banche usano modelli predittivi da decenni per stimare la probabilità di insolvenza di chi chiede un prestito; l'abbandono dei clienti, dove il modello individua chi ha le caratteristiche statisticamente associate all'abbandono nei prossimi 90 giorni, senza sapere perché se ne andrà, solo che probabilmente lo farà; e le anomalie, come nell'antifrode o nel controllo qualità, dove il sistema individua ciò che si discosta in modo significativo dalla norma.

Rende al meglio con dati storici sufficienti e ben preparati, anche se può lavorare su dati non strutturati con tecniche specifiche di analisi del testo o delle immagini; senza dati non ha nulla da imparare, e con dati scadenti produce previsioni scadenti. E non sa gestire situazioni del tutto nuove: un modello addestrato prima della pandemia non aveva mai visto nulla di simile al 2020, e per quel periodo le sue previsioni erano inutili. È un sistema chiuso, che risponde solo al tipo di domande per cui è stato addestrato.

Le due tecnologie, fianco a fianco

Messe a confronto punto per punto: la generativa restituisce testi, codice, immagini e conversazioni, la predittiva numeri, probabilità e categorie. La generativa lavora con istruzioni, contesto e documenti, la predittiva ha bisogno di dati storici strutturati. Per la generativa non serve necessariamente uno storico, per la predittiva sì, e consistente. La generativa gestisce nativamente gli input non strutturati, la predittiva solo con modelli specifici pensati apposta. Sui problemi noti l'affidabilità della predittiva è alta, quella della generativa resta variabile e richiede verifica. E sull'adattabilità a problemi nuovi il rapporto si inverte: bassa per la predittiva, alta per la generativa.

Quando lavorano meglio insieme

Le soluzioni più efficaci, però, usano spesso entrambe in sequenza. Nella gestione dei reclami, per esempio, l'AI predittiva classifica ogni reclamo per urgenza e tipo sulla base dello storico; quella generativa legge il testo, recupera la storia del cliente e prepara una risposta personalizzata; di nuovo la predittiva stima la probabilità che il cliente se ne vada se il caso non viene gestito entro 24 ore. Il team vede solo i casi che richiedono una persona, con una risposta già pronta.

Lo stesso schema vale nella pianificazione commerciale del retail: il modello predittivo stima la domanda di ogni articolo, quello generativo scrive il report che il direttore commerciale legge il lunedì mattina, con il commento alle variazioni più rilevanti e le azioni suggerite.

Il criterio per scegliere

Se la domanda che ti stai facendo è "quanto" o "con che probabilità", cerca l'AI predittiva: ridurre le rotture di stock, capire quali clienti rischiano di andarsene nei prossimi 60 giorni, anticipare i guasti delle macchine sono tutti problemi quantitativi con dati storici alle spalle. Se invece la domanda è "cosa scrivere", "cosa c'è scritto" o "cosa rispondere", la strada è l'AI generativa: rispondere alle email dei clienti, estrarre informazioni dai contratti in PDF, un assistente interno che risponde sulle procedure aziendali.

Il punto di partenza resta sempre il problema, non la tecnologia. Mappa i processi che costano più tempo o generano più errori e chiediti, per ognuno, se si tratta di prevedere qualcosa con numeri precisi o di gestire informazioni non strutturate e produrre testi o decisioni: la risposta ti porterà verso il tipo di AI più adatto. Se vuoi valutarlo insieme, parliamone.