Brix-IA Community Night, new season 2026/27. Decidere con l'IA: il modello Jev. Giovedì 12 novembre 2026, ore 19:00-21:00, Fabbrica in Pedavena, via Sorbanella 3, Brescia
Brix-IA Community Night · 12 novembre 2026

Decideresenza scrivere

Decision models, Jev e Kev: il giudizio veloce dentro il software. Che cosa non va negli LLM, che cosa cambia, e come lo usiamo in Formula Finance.

Un movimento, una domanda
COMMISSIONE BONIFICO SEPA1,00 €

Che tipo di movimento è, per i costi bancari del conto?

Nessuna parola generata: una scelta fra sette voci, con le probabilità.

Le critiche · chi le muove

Il CEO di Jev contro il chatbot

Diogo Almeida in pelliccia fucsia sul palco di AI Engineer World's Fair, con alle spalle le slide «Overpromising is a feature» e «How does RLHF work?»
Diogo Almeida all'AI Engineer World's Fair. Immagine: copertina del video del talk su YouTube. Toccate le etichette per la sua storia.

Diogo Almeida guida TypeSafe, la società che ha creato Jev. Ha presentato l'idea quando l'azienda era ancora in modalità stealth, con un titolo che è già una tesi:

«I made ChatGPT, now I'm building what's next»

Alle sue spalle due slide: Overpromising is a feature e la ricetta dell'RLHF timbrata Certified boring.

Guarda il talk su YouTube
Le critiche · la tesi di Almeida

Quattro accuse agli LLM

1 · Assistenza

Nati per assistere, non per automatizzare

Un LLM è costruito per affiancare una persona che rilegge. In un processo automatico nessuno rilegge ogni risposta. Per Almeida anche gli agenti che scrivono codice appartengono ancora all'era dell'assistenza.

2 · Compiacere

Addestrati a piacere a chi li valuta

Con l' il modello impara le risposte che le persone preferiscono. Il risultato promette più di quanto sa: l'eccesso di sicurezza viene dal metodo di addestramento.

3 · Parole

Troppe parole per dire sì

Per scegliere fra sette voci un chatbot scrive, ragiona e a volte divaga. Ogni parola costa tempo e denaro, e il programma deve poi interpretare il testo per capire la risposta.

4 · Priorità

La «lezione amara», corretta

Più calcolo non basta. L'ordine giusto per Almeida: prima il compito giusto, poi i dati, poi il calcolo. Da qui una terza strada di addestramento, calibrata, diversa da e .

Fonte: talk pre-lancio di Diogo Almeida. Sono tesi del produttore, senza misure a sostegno.

Due demo · 1 di 2

La valigia che si riempie mentre scrivi

Schermata della demo Valigia: a sinistra il campo per descrivere il viaggio, a destra una valigia aperta con dodici posti
  1. Descrivi il viaggio: «weekend al mare in Liguria con due bambini».
  2. Con Jev la valigia cambia a ogni parola: ogni modifica del testo è una nuova decisione.
  3. Passa al motore LLM (DeepSeek 4.1 Flash): devi premere Invio e aspettare.
  4. In basso a sinistra: gli ultimi tempi misurati dei due motori.

Dodici posti e un inventario chiuso: il modello sceglie gli oggetti, il software tiene il limite.

Apri la Valigia
Due demo · 2 di 2

Il braccio che smista i pezzi

Il braccio preleva i pezzi dal nastro e li mette in quattro scatole: Rifinire A, Grade AA, Grade A, Processare B. Un muletto porta via le scatole piene.

  • Picco +8 e latenza a 4.000 ms: le decisioni arrivano tardi e il nastro aspetta.
  • Soglia al 99%: nessun pezzo è abbastanza sicuro, la linea si ferma.
  • Pezzo ambiguo: 53% di probabilità, sotto la soglia del 70%, resta fuori dalle scatole.
Apri la demo online

Simulazione: probabilità e latenze sono illustrative, nessuna chiamata a Jev.

La soluzione · prova in sala

Tocca a voi: costo bancario o altro costo?

Rispondete d'istinto, per alzata di mano. Il tempo parte quando compare la riga.

A che cosa serve: , un esempio reso anonimo.

La soluzione · due modi di pensare

Sistema 2 scrive, Sistema 1 sceglie

LLM · Sistema 2
«Analizzando la descrizione, si tratta probabilmente di una commissione applicata dalla banca per l'esecuzione del bonifico. Tuttavia, senza ulteriori informazioni sul contratto, non è possibile escludere che…»
Come
Genera il testo parola per parola
Tempo
Secondi, e crescono con la lunghezza
Uscita
Testo libero da interpretare
Serve a
Scrivere, spiegare, pianificare
Decision model · Sistema 1
{ "choice": "commissione_operazione", "confidence": 0.91 }
Come
Legge il contesto e assegna una probabilità a ogni risposta ammessa
Tempo
Millisecondi: Jev dichiara 70–500 ms
Uscita
Un valore tipizzato, pronto per il codice
Serve a
Classificare, instradare, verificare

I due sistemi vengono da Pensieri lenti e veloci di Daniel Kahneman. TypeSafe chiama i suoi modelli System One.

La soluzione · come si parla al modello

Un contesto, domande chiuse, probabilità

JSON in entrata · state + questions
JSON in uscita · answers (forma semplificata)

      

Confidence di una scelta fra n opzioni: (pmax − 1/n) / (1 − 1/n). Qui (0,88 − 1/3) / (2/3) = 0,82.

choice

Una fra opzioni definite. Quale squadra?

noul

Vero o falso, con probabilità. C'è un difetto visibile?

score

Livelli ordinati. Evidenza assente, debole, chiara, molto chiara.

box

Dove si trova nell'immagine, dove il modello lo supporta.

La soluzione · l'architettura

Il modello giudica, il software decide

Ingresso

Evidenza

Testo, foto, misure, un PDF già letto

Modello

Giudizi circoscritti

Una probabilità per ogni risposta ammessa

Codice

Regole leggibili

Soglie, tetti, eccezioni, autorizzazioni

Procede in automatico
Va a una persona
Servono altri dati

Una misura fuori tolleranza, un lotto senza codice, una firma mancante: sono condizioni che il programma verifica da solo. Il modello entra solo dove servono le parole o gli occhi.

TypeSafe stessa, il 3 novembre, in Don't call it a decision model: il modello interpreta l'evidenza, le regole del software stabiliscono l'esito.

Formula Finance · il nostro caso

I costi bancari, riga per riga

Dagli estratti conto trimestrali ricaviamo quanto un'azienda paga alla sua banca: canoni, commissioni, bolli, interessi. Sono migliaia di addebiti, e ogni banca li scrive a modo suo.

1 · codice

PDF dell'estratto

Riconosce banca, trimestre e tipo di documento

2 · codice

Lettura e quadratura

17 lettori di banca e uno generico; saldi al centesimo

3 · codice

Prefiltro

POS, F24, addebiti SDD, bonifici grandi: fuori subito

4 · decision model

Classificatore

Sceglie fra 7 voci, con la confidenza

5 · codice

Regole

Commissioni scritte nel testo, operazioni gemelle, tetti

6 · LLM

Qwen sui dubbi

Conferma, scarta o segnala, a blocchi di 50

codice deterministicodecision model, in ufficioLLM, solo per i casi dubbi

Sette voci: canone, commissione_operazione, spese_conto, affidamento, interessi_competenze, costo_dentro_operazione, non_costo.

Formula Finance · prova tu

Un movimento entra, una voce esce

JSON in entrata
JSON in uscita
Che cosa fa il software

Simulazione nel browser con le voci, il prefiltro e le soglie vere della pipeline. Le probabilità sono di esempio, non escono dal modello. Movimenti inventati.

Formula Finance · il percorso

Da Jev a Kev: addestrato sui nostri estratti

12–14 ottobre · Jev via OpenRouter

Funziona: su 6 estratti di banche mai viste ne ritrova 5 fra l'89,5 e il 100% dei costi, in meno di un secondo e per un decimo di centesimo a estratto. Ma il servizio è negli Stati Uniti: per non far uscire i nomi il testo va mascherato, e col mascheramento sicuro sbaglia di 1.200 € su un conto. Abbandonato.

15 ottobre · Kev, seconda versione

Modello aperto con lo stesso contratto di Jev, addestrato su circa 9.000 addebiti di 30 clienti e servito in ufficio. Il testo resta in chiaro e non lascia la nostra rete.

26 ottobre · in staging

Il classificatore diventa un embedding con due piccole teste. Le regole dopo restano le stesse.

«È un costo?» risposta giusta su 686 addebiti di 6 banche mai viste in addestramento

Kev di base
19%
Kev, 1ª versione
93,9%
Kev, 2ª, int8
94,6%
050%100%
89,5%precisione
93 sper 686 righe, su una GPU
1,2 GBdi memoria video
La vista del Terminator: scena in rosso con due moto e un'auto, contorni tracciati e la scritta ANALYSIS e MATCH con colonne di numeri
Sviluppi futuri
1984: fantascienza. 2026: un'API.
Sviluppi futuri · Gemini Decision 1 sul video

Le domande si scrivono, non si addestrano

Computer vision classica

Riconosce solo le cose su cui è stata addestrata: pedone, auto, semaforo. Una domanda nuova vuole migliaia di immagini etichettate e un nuovo addestramento. Che cosa fare lo decidono regole scritte a mano.

Decision model

La domanda si scrive nella richiesta, con le sue opzioni: una domanda nuova è una riga di testo. Giudica la scena intera, «devo rallentare?», non solo le cose, e dà una probabilità.

99domande a fotogramma
0,14 $per 13.780 risposte

Prova di AI HOODIE, non di Google. Video di guida: City Driving 4K Kraków, Relaxing Roads 4K, CC BY 3.0.

Sviluppi futuri · annunciato l'11 novembre

Decidere guardando e ascoltando

Gemini Decision 1 di Google riprende il contratto di Jev (noul, choice, score) e lo porta su ogni tipo di ingresso.

testoimmaginiaudiovideoPDF
256Ktoken di contesto
1.000domande in una richiesta
150–250 msdichiarati, dall'invio alla risposta
$0,10per milione di token in ingresso, 2,4 volte Jev

Che cosa diventa possibile

  • Controllo qualità sul video della linea, senza estrarre fotogrammi a mano.
  • Una telefonata al servizio clienti instradata dall'audio, senza trascriverla prima.
  • Un estratto conto scansionato giudicato direttamente come PDF.
  • Il braccio della demo con occhi veri al posto della simulazione.

Annunciato ieri: nessuna verifica indipendente. Come Jev, è un servizio fuori dall'Unione europea.

Leggi l'annuncio
Aspetti critici · 1 di 2

Prima di addestrare, prova uno script

54%

degli addebiti escono con regole Python, prima di qualsiasi modello.

Misura del 23 ottobre su 12.177 addebiti di 162 trimestri: nessuno dei 4.378 costi è stato scartato per errore.

# prefilter.py: operazioni che non sono mai costi della banca
ALWAYS = re.compile(r"^(?:sdd\b|pagamento pos|delega f24|giroconto|
                    mutuo\b|stipendi\b|prelievo|...)", re.I)
TRANSFER_MIN = 100.0  # nessuna commissione arriva a 100 €

Il prezzo dell'addestramento

  • 105 estratti che quadrano, etichettati da un LLM e corretti a mano
  • Banche di prova tenute fuori, una GPU dedicata, conversione a int8
  • Calibrazione: per banche nuove la temperatura giusta è 3,9, e le soglie vanno ritarate

Se le parole cambiano poco, uno script fa gran parte del lavoro. Il modello serve dove la variabilità è davvero alta.

Aspetti critici · 2 di 2

Quattro cose da sapere prima di fidarsi

Il classificatore del proprio dominio spesso vince

In uno studio indipendente un classificatore addestrato sulle etichette del compito batte i decision model generici su quasi tutti i benchmark. Da noi: 19% senza addestramento, 94,6% dopo.

La confidence è una formula, non una garanzia

Dipende da come il modello è calibrato. Sul nostro test cambiare la temperatura da 1 a 3,9 sposta il totale dei costi di oltre 150 €: soglie e probabilità si tarano insieme.

Resiste al rumore, non al senso

Codici e numeri a caso non spostano il giudizio. Un testo ostile infilato nel contesto sì: quello che entra nello state va controllato.

Dove vanno i dati?

Jev e Gemini sono servizi fuori dall'Unione europea. Per gli estratti conto dei clienti abbiamo scelto un modello che gira in ufficio.

Una risposta nel formato giusto non è per forza una risposta giusta.

In sintesi

Quando conviene un decision model

Sì

  • Un giudizio circoscritto, ripetuto migliaia di volte
  • Categorie chiuse che si sanno descrivere a parole
  • Serve una risposta mentre il processo scorre
  • Un errore costa poco, oppure il dubbio va a una persona

No

  • Strategie in più passi: un buon giudizio locale non è una buona strategia
  • Un numero che si calcola esattamente dai dati
  • Decisioni critiche senza nessuna revisione
  • Testi che variano poco: basta uno script
costo per caso = inferenza + preparazione + quota in revisione × costo della revisione + costo atteso degli errori
Il passo successivo · embedding · 1 di 2

Ogni riga è un punto: i costi bancari stanno sulla montagna

costo bancarioin revisionealtro costo

trascina per ruotare · rotella per lo zoom · clic su un punto

Mappa illustrativa: un embedding ha centinaia di dimensioni, qui ne vedete due. L'altezza è la probabilità di costo data dalla prima testa, ogni vetta è una voce. Posizioni simulate nel browser, righe inventate.

Il passo successivo · embedding · 2 di 2

Per la velocità: tutto in un colpo

Decision model · una richiesta per testo

Ogni richiesta porta la riga, la domanda e i sette criteri. Il modello rilegge le istruzioni ogni volta.

0richieste0 KBistruzioni ripetute
Embedding · una sola richiesta

Tutti i testi unici partono insieme e tornano come vettori. Le categorie stanno in due regressioni logistiche, calcolate sul nostro server.

0richieste0 KBistruzioni ripetute

Testi uguali a meno delle cifre contano una volta: 5.550 addebiti diventano 773 testi (misura del 24 ottobre). Un embedding multimodale porta lo stesso schema su immagini e audio. Animazione dimostrativa: conta richieste e byte, non misura i tempi.

Brix-IACommunity Night · 12 novembre 2026 · Fabbrica in Pedavena, Brescia

Grazie.Domande?