Una previsione accurata non è sufficiente a dimostrare che l’intelligenza artificiale abbia individuato la scelta ottimale. Nel 2026 la comunità scientifica ha iniziato a concentrarsi sul problema della valutazione controfattuale, ovvero su come confrontare strategie decisionali quando i risultati delle alternative non adottate non sono presenti nei dati storici.
Il problema della valutazione controfattuale
Il 26 agosto 2026 è stata pubblicata su Mathematics una ricerca che affronta direttamente questo quesito. Gli autori, Yunxiang Shu, Ran Yan, Feng Tian e Shuaian Wang, hanno evidenziato le difficoltà intrinseche nel dimostrare che una decisione suggerita da un algoritmo produca risultati migliori rispetto alle procedure tradizionali.
Lo studio parte dal presupposto che i dataset storici contengano solo le conseguenze delle azioni effettivamente eseguite, lasciando un vuoto informativo su quello che sarebbe potuto accadere se si fossero scelte altre opzioni. Questa lacuna rende impossibile applicare metodi di valutazione classici, basati sul confronto diretto tra risultati osservati.
Approccio metodologico proposto
- Costruzione di modelli generativi in grado di simulare gli esiti delle decisioni non osservate.
- Utilizzo di tecniche di causal inference per stimare l’effetto controfattuale di ogni alternativa.
- Validazione dei risultati mediante esperimenti controllati su set di dati sintetici.
Il risultato è un framework che combina apprendimento automatico e statistica causale, fornendo una stima plausibile di quello che sarebbe potuto accadere in scenari alternativi.
Implicazioni pratiche per l’AI decisionale
Le implicazioni di questo lavoro sono molteplici. In ambito aziendale, ad esempio, le decisioni di investimento o di pricing possono ora essere valutate non solo in base ai risultati effettivi, ma anche rispetto a scenari ipotetici generati dal modello. Questo consente di identificare strategie potenzialmente più profittevoli che altrimenti rimarrebbero nascoste.
Nel settore sanitario, la valutazione controfattuale può supportare la scelta di trattamenti personalizzati, simulando l’esito di terapie alternative e migliorando la capacità dei medici di prendere decisioni informate.
Vantaggi chiave
- Maggiore trasparenza: gli algoritmi non sono più “scatole nere” ma forniscono anche una stima degli esiti non osservati.
- Riduzione del bias: considerando scenari controfattuali, si mitigano i bias introdotti da dati storicamente selezionati.
- Supporto decisionale più robusto: le organizzazioni possono testare “cosa sarebbe successo” prima di implementare cambiamenti operativi.
Il profilo dell’esperto che guida la ricerca
L’autore principale di questi studi è un ingegnere informatico e dell’automazione con oltre vent’anni di esperienza nel settore dell’Information Technology, specializzato in cybersecurity e intelligenza artificiale. Ha sviluppato competenze avanzate nella progettazione di architetture software, nella gestione di infrastrutture IT complesse e nell’implementazione di strategie di sicurezza informatica.
È Presidente della Commissione per l’intelligenza artificiale dell’Ordine degli Ingegneri della Provincia di Frosinone e Vice Delegato del Comitato Italiano Ingegneria dell’Informazione – C3i, dove partecipa attivamente al Gruppo di Lavoro AI (GTL AI). Nell’ambito dell’Ordine ha ideato e condotto numerosi seminari ed è autore e docente di corsi specialistici.
Attività accademica e progetti di ricerca
- Cultore della materia presso il Dipartimento di Ingegneria Informatica dell’Università eCampus.
- Seminari sull’intelligenza artificiale presso la Pontificia Università Antonianum.
- Progetti di ricerca avanzata:
- BioGene, iniziativa supportata da NASA GeneLab per l’analisi genomica di esperimenti spaziali tramite AI.
- Studio con l’Università Ben Gurion del Negev (Israele) sulla classificazione del livello di ossidazione degli oli mediante modelli intelligenti.
Attualmente concentra la sua attività sullo sviluppo e lo studio dei Large Language Models (LLM), con particolare attenzione alle applicazioni innovative dell’intelligenza artificiale generativa in ambito tecnico e industriale.
Prospettive future
Il lavoro di Shu e colleghi apre la strada a una nuova generazione di sistemi decisionali basati su AI, in cui la valutazione controfattuale diventa un elemento centrale. Le future ricerche dovranno affinare i modelli generativi, migliorare la robustezza delle inferenze causali e integrare questi strumenti nei flussi operativi quotidiani.
Solo così l’intelligenza artificiale potrà non solo prevedere, ma realmente guidare le scelte verso risultati ottimali, superando il limite storico della semplice accuratezza predittiva.