Un’IA più affidabile, riletta da un’altra famiglia di modelli.

Il Dibattito ha due modalità e ne sceglie una per te: verifica i fatti sul web quando la risposta ne contiene; altrimenti, una seconda IA la rilegge senza web. In «Verifica dei fatti», l’app estrae le affermazioni della risposta, le cerca sul web, dà un’etichetta a ciascuna e cita fonti cliccabili nella versione finale, senza mai inventare una fonte. In «Revisione», un modello di un’altra famiglia legge la risposta e la critica senza consultare il web. La Verifica dei fatti parte quando la risposta contiene fatti verificabili (cifre, date) su una domanda di fatto, o quando dice di non poter confermare qualcosa; il codice e le domande di opinione vanno in Revisione. Puoi anche scegliere tu la modalità.

Abbiamo misurato la Revisione su 20 domande che non si possono verificare. Prima delle nostre modifiche, la versione finale inventava un fatto in 10 casi su 20; dopo, in 1 su 20, senza alcuna fonte inventata. Uno su 20 non è nessuno: per questo la Verifica dei fatti va sul web appena la risposta contiene fatti da controllare, e per questo vale la pena aprire le fonti.

«Punti di vista» è una scheda premium per gli argomenti che dividono. Due sostenitori di famiglie diverse difendono ciascuno una posizione con le proprie fonti web, poi una sintesi li riunisce. Costa in media circa 21 crediti per argomento ed è per gli abbonati. Rispetto a una risposta equilibrata di un solo modello, un giudice ha preferito Punti di vista nell’83–90% dei casi misurati (6 e poi 15 argomenti), e nelle 4 trappole in cui i fatti sono accertati, sono stati presentati come accertati 4 volte su 4.

Un modello che rilegge la propria risposta non corregge più nulla: l’abbiamo misurato. Gli stessi errori, le stesse sviste, e il giudice ha preferito la versione riletta solo nel 15% dei compiti aperti. Un modello a cui è sfuggito qualcosa la prima volta tende a lasciarselo sfuggire anche la seconda, probabilmente perché la lacuna dipende da come è stato addestrato, non dalla fretta.

Un critico della stessa famiglia non ha fatto meglio, e a volte ha fatto peggio. Nel rivedere una risposta di DeepSeek, un critico DeepSeek ha sollevato più punti, ha dato più falsi allarmi e alla fine il codice corretto aveva 46 errori inseriti risolti su 49, contro 47 della risposta da sola. Ha anche lasciato passare un indovinello rovesciato in cui la risposta era caduta: i modelli di una stessa famiglia condividono i punti ciechi.

Un critico di un’altra famiglia ha visto quell’indovinello, ha rifatto un conteggio che la risposta aveva sbagliato (155 invece di 153) e ha trovato gli ultimi due errori del codice. Per questo l’app non lascia mai che un modello venga rivisto da uno della sua stessa famiglia: il critico viene scelto sul nostro server e il browser invia solo la profondità che hai scelto.

Un revisore che approva tutto non serve a niente, e uno che inventa problemi per sembrare rigoroso è peggio. Il critico lavora quindi con regole rigide: citare la riga o l’affermazione esatta, spiegare perché è sbagliata con una prova (un controesempio, un calcolo, il requisito che viola), proporre la correzione e ignorare lo stile. Se, dopo una verifica vera, non trova nulla di serio, lo scrive e indica che cosa ha verificato.

Nello studio, il critico di un’altra famiglia ha sollevato circa due punti per revisione. Sul codice, 17 dei 19 punti che nominavano una funzione puntavano a un vero errore inserito. In un terzo dei casi ha detto di non avere nulla di serio da segnalare; la risposta resta allora com’era e il passaggio finale viene saltato.

Nemmeno l’autore obbedisce alla cieca. Ha l’istruzione di accettare un punto solo dopo averlo verificato e di motivare ogni rifiuto. In 15 delle 20 versioni finali, almeno un punto è stato scartato con un motivo. Vedi entrambi gli elenchi sotto la versione finale: ciò che è cambiato e i punti scartati.

Abbiamo misurato anche uno scambio più lungo: due modelli che si rispondono punto per punto per due o tre giri, poi una sintesi. Sul codice non ha fatto meglio della revisione singola, ha sbagliato una domanda in più, il giudice l’ha preferito solo in metà dei compiti aperti, costava il triplo e richiedeva da due a tre volte più tempo.

Per questo l’app fa un solo giro, ma fatto bene: una bozza, un critico di un’altra famiglia, una versione finale corretta. Quando il critico non trova nulla, lo scambio si ferma lì, cosa che è successa in un terzo dei casi di prova.

I consigli classici restano validi. Chiedi le fonti e aprile. Rifai un calcolo per conto tuo. Esegui il codice prima di fidarti, idealmente con un test che copra i casi limite: liste vuote, date intorno a un compleanno, valori che non sono numeri. Riformula la domanda per vedere se la risposta regge. E chiedi a un altro modello, perché due modelli di famiglie diverse raramente commettono lo stesso errore.

«Dibattito» automatizza quest’ultimo passaggio e ne conserva una traccia scritta. È più utile dove un errore costa qualcosa: un codice che stai per pubblicare, un calcolo dietro una decisione, il riassunto di un contratto, un piano con dei compromessi, un’e-mail importante. Per uno scambio breve o una questione di gusti, la risposta da sola basta di solito, e arriva prima.

Non sostituisce il tuo giudizio. In modalità Revisione il critico non consulta il web, e un punto su cui i due modelli concordano può comunque essere sbagliato. Ciò che offre è una seconda lettura indipendente davanti ai tuoi occhi, con le ragioni scritte. Così cercare un’IA più affidabile smette di essere un atto di fede in un marchio e diventa un controllo che puoi leggere.