L'AI giusta per ogni decisione, e una persona quando serve.
La scala di decisione FlowSharp usa prima un modello veloce ed economico, poi un LLM, poi una persona. Ogni passaggio è tracciato.
- Per
- Process owner
- Compliance
- IT
Il problema
Usare un LLM per ogni decisione è lento, costoso e difficile da spiegare. Usare regole fisse non basta per i casi sfumati: una richiesta da classificare, un documento da verificare, un lead da valutare. E se l'AI risponde con sicurezza anche quando non dovrebbe, gli errori passano inosservati. La scelta sembra obbligata tra due strade sbagliate: pagare e attendere il modello più grande anche per le domande banali, oppure irrigidire tutto in regole che si rompono al primo caso insolito. In entrambi i casi manca ciò che serve davvero a chi governa il processo: sapere quale parte della decisione è stata presa da quale strumento, con quanta sicurezza, e quando è stato chiamato in causa un essere umano.
Scala
- System One · risolve ≈ 70%
- System Two · risolve ≈ 20%
- Persona · ≈ 10%
Domanda → Risposta → Confidenza → Campo
- Reclamo urgente? → Sì → 0,91 → urgente
- Documento valido? → n/d → 0,52 → non determinato
Come funziona
1System One decide in fretta
Un modello di decisione risponde a domande tipizzate (sì/no, classificazione, punteggio) con una probabilità, in frazioni di secondo e a costo contenuto. Fino a 20 domande per task, ciascuna scritta su un campo della pratica.
2Sotto soglia non scrive
Se la confidenza è sotto la soglia impostata, il valore non viene scritto e il campo viene marcato "non determinato". Un dato incerto non entra nella pratica fingendosi certo.
3System Two rivaluta
Un LLM riparte dai dati originali, senza vedere la risposta di System One, per evitare l'effetto ancoraggio. La seconda opinione è davvero indipendente, non una conferma della prima.
4Se resta incerto, decide una persona
Tramite il ripiego umano. Ogni decisione è marcata system1, system2 o human, così le tre origini restano separate nei dati, negli indicatori e nello storico.
Specifiche
| Domande per task | fino a 20 |
|---|---|
| Tipi di domanda | sì/no (due soglie), classificazione, punteggio (livelli o percentuale) |
| Prova | pulsante "Prova" su una pratica reale, senza scrivere dati |
| Timeout della scala | 60 secondi complessivi |
| Contesto | 24.000 caratteri preimpostati, fino a 1.000.000 |
| Modelli pronti | valutazione CV, lead scoring, triage richieste, verifica documento |
| Riuso | preset e assistenti preparati dall'Admin e scelti dal designer |
| Decisione su documenti | testo dei documenti di Libreria, con anteprima del contesto inviato |
Un esempio operativo (valori illustrativi)
La scala decisionale ordina chi decide per costo e rischio. Nell'esempio, a titolo illustrativo, System One risolve circa il 70% dei casi con una regola semplice, System Two circa il 20% con un ragionamento più articolato, e la persona resta per circa il 10%. Ogni decisione automatica è espressa come domanda, risposta, confidenza e campo da scrivere. Per esempio: il reclamo è urgente? Risposta sì, confidenza 0,91, quindi il campo urgente viene valorizzato. Per un'altra domanda, il documento è valido, la risposta non è disponibile e la confidenza è 0,52: il campo resta non determinato e il caso sale al livello successivo. Le percentuali non sono dati di un cliente: mostrano come la scala distribuisce il lavoro. Lo schema è illustrativo e non una schermata ufficiale.
Come verificare le decisioni automatiche
Per fidarti di una scala decisionale devi poter controllare ogni gradino. Guarda quante decisioni si fermano a ciascun livello: se la persona riceve molto più del previsto, le regole dei livelli bassi sono troppo prudenti o i dati sono poveri. Poi apri alcune decisioni: ognuna deve mostrare domanda, risposta, confidenza e campo scritto, in modo da capire perché il sistema ha deciso così. I valori non determinati sono un segno di onestà, non un difetto: indicano che il sistema non ha fatto finta di sapere. Poiché i livelli che usano AI generano chiamate, il registro delle chiamate AI mostra costi e attribuzione. Per la governance, la scala rende esplicito dove l'automazione si ferma e dove subentra una persona, ed è proprio questo confine che un revisore vuole vedere documentato e non lasciato implicito.
Funzionalità collegate
- Ripiego umano nello stesso taskSe l'automazione è incerta o fallisce, la stessa attività passa a una persona: nessun task aggiuntivo.
- Data Shield0 dati sensibili esposti: i campi riservati diventano segnaposto prima di ogni chiamata AI.
- Registro delle chiamate AITre livelli di registrazione per provider e attribuzione della spesa a utente, chiave o Flow Agent.
- Indicatori di decisioneDecisioni automatiche contro umane, tasso di ripiego, escalation e ripartizione system1/system2, usabili come KPI.
- Trasparenza dell'esecuzione AINel dettaglio del task: modello, token, durata, valori schermati e la tabella domanda, risposta, confidenza, campo.
- Task AI generativiPrompt di sistema e utente, con output su un campo o come esito.
Casi d'uso
Domande frequenti
Perché due tipi di AI?
Perché decidere e scrivere sono compiti diversi. Il modello rapido costa poco e risponde con una probabilità; l'LLM ragiona sui casi difficili.
Posso provare prima di pubblicare?
Sì, il pulsante Prova esegue una chiamata reale senza modificare la pratica.
Posso trasformare una decisione oggi manuale?
Sì: una decisione manuale si converte in decisione AI mantenendo il ripiego umano.
Funziona in italiano?
Sì. Il modello rapido rende al meglio in inglese, quindi le domande si possono formulare in inglese anche su dati in italiano.