La coerenza è importante.
Non sempre, però, la coerenza assoluta paga.
Un numero fotografa questa prospettiva alla perfezione. Due agenti eterogenei possono eguagliare o superare le prestazioni di sedici agenti omogenei.
Un secondo studio ha poi documentato che team di agenti selezionati secondo criteri di diversità risolvono i problemi di ingegneria del software con un’efficacia superiore del 25% rispetto agli agenti che lavorano singolarmente.
La logica è la stessa che vale nei team umani: modelli diversi hanno punti ciechi diversi, approcci diversi allo stesso problema, distribuzioni di errore diverse. Quando lavorano in parallelo e le loro risposte vengono confrontate o integrate, i bias di ciascuno vengono compensati dagli altri.
Ancora una volta, le macchine sono solo il nostro riflesso.
L’errore che già conosciamo
Le organizzazioni che stanno standardizzando la propria infrastruttura AI su un unico provider stanno replicando un errore che il marketing ha già pagato caro.
Chi ha costruito la propria presenza interamente su Facebook nel 2012-2015 l’ha scoperto nel 2016, quando l’algoritmo è cambiato e la portata organica è crollata. Chi ha costruito la propria distribuzione interamente su un unico canale l’ha scoperto quando quel canale ha modificato le proprie condizioni. La dipendenza da un’unica infrastruttura è sempre un debito che si paga quando l’infrastruttura cambia.
Con l’AI, il rischio ha un livello aggiuntivo. Non si tratta solo di esposizione a un singolo fornitore commerciale e alle sue decisioni su prezzi e policy. Si tratta di esposizione alle caratteristiche sistemiche di un singolo modello: i suoi bias, le sue zone cieche, i suoi errori strutturali. Un’organizzazione che fa girare tutti i propri agenti su Claude, su GPT-5 o su Gemini eredita in modo uniforme le debolezze di quel sistema.
La governance dell’infrastruttura AI
Gartner prevede che il 40% dei progetti di agentic AI verrà abbandonato entro il 2027. La causa principale è strategica.
Le organizzazioni stanno implementando agenti senza una governance AI dell’infrastruttura che li supporta. La diversità dei modelli non è solo una questione di performance: è una questione di resilienza e di controllo. Chi dipende da un’unica infrastruttura finisce per subirne limiti, cambiamenti e vulnerabilità.
La domanda che ogni organizzazione dovrebbe porre alla propria infrastruttura AI è la stessa che si pone a qualsiasi altra dipendenza critica: cosa succede se questo sistema non è disponibile, cambia le proprie condizioni o smette di funzionare come previsto?
Se la risposta è “si ferma tutto”, il problema è di governance. E ha una sola soluzione.
Nuove Connessioni (FAQ)
Usare modelli diversi non aumenta la complessità operativa in modo insostenibile?
Aumenta la complessità operativa, ma in misura minore di quanto il vantaggio di resilienza e prestazione giustifichi. L’architettura multi-modello richiede un livello di orchestrazione aggiuntivo. In cambio, riduce la concentrazione del rischio e, come documentato dalla ricerca, aumenta la qualità dell’output sulle attività complesse. La stessa logica vale per qualsiasi infrastruttura critica: la ridondanza ha un costo, ma il costo del punto unico di fallimento è quasi sempre più alto.
Come si selezionano i modelli giusti in un sistema multi-agente?
La diversità rilevante non è quella superficiale, cioè usare modelli diversi dello stesso tipo senza criterio, ma quella funzionale: modelli con architetture diverse, addestrati su distribuzioni di dati diverse, ottimizzati per task diversi. Un sistema che usa un modello specializzato nel ragionamento strutturato insieme a uno specializzato nella generazione creativa produce una copertura complementare. Il criterio di selezione è la complementarità delle capacità e la differenza nelle distribuzioni di errore, non la semplice varietà di brand.
In che modo Bliss governa un’infrastruttura AI multi-modello?
Bliss definisce sistemi di AI Governance che regolano la selezione dei modelli, la distribuzione delle attività tra gli agenti, i livelli di supervisione e le procedure da attivare in caso di errore, indisponibilità o cambiamento del fornitore. L’obiettivo non è aumentare il numero degli strumenti, ma costruire un’infrastruttura resiliente, nella quale ogni modello abbia una funzione precisa, responsabilità identificabili e alternative già previste.
BLISS®
© 2026. ALL RIGHTS RESERVED