Cos’è l’harnessing: come un’AI che sa tutto diventa uno strumento che lavora

Harnessing viene da harness, imbracatura: ciò che permette a una forza di tirare un carico nella direzione giusta. Applicato all’intelligenza artificiale, l’harnessing è l’insieme di perimetro, strumenti, regole e verifiche che mette al lavoro un modello generalista dentro i criteri di un mestiere. Non un prompt scritto meglio: un sistema costruito intorno al modello.

In questo articolo spieghiamo il significato del termine, i pezzi di cui un harness è fatto, e la parte che quasi tutti saltano: come si fa a sapere che un risultato è corretto senza doversi fidare.

Un’AI che sa tutto non lavora per te

I grandi modelli linguistici, gli LLM, sono generalisti per costruzione: rispondono su qualsiasi argomento con la stessa disinvoltura. È la loro forza, ed è il motivo per cui da soli non bastano. Il tuo lavoro non chiede risposte plausibili su tutto: chiede risultati corretti su poche cose, sempre uguali nei criteri e sempre diverse nei dettagli.

Tra il modello che sa e il processo che produce c’è un divario. L’harnessing è ciò che lo colma: prende un’intelligenza generalista e la vincola a un compito, a dei dati, a delle regole di qualità. Il risultato smette di essere una conversazione e diventa un pezzo di lavoro.

Un agente AI, detto semplice

Nel gergo si chiama agente un modello che, oltre a generare testo, usa strumenti in un ciclo: legge la richiesta, decide quale strumento chiamare, guarda il risultato, decide il passo successivo, fino a completare il compito. Gli strumenti sono il suo contatto con la realtà: leggere un gestionale, interrogare un warehouse, produrre un documento.

Un agente senza harness è un motore senza telaio. Il ciclo gira, gli strumenti rispondono, ma nessuno ha deciso dove può andare, cosa non deve toccare e come si giudica ciò che produce. L’harness è esattamente quel telaio.

Oltre il prompt: il perimetro e il contesto

Il prompt engineering, scrivere bene le istruzioni, è il primo strato e non basta mai da solo. Il livello successivo è il context engineering: decidere quali informazioni entrano nel contesto del modello, quando, e in che forma. Il contesto è una risorsa che si degrada: più token entrano, meno il modello recupera con precisione. Un buon harness porta al modello il minimo di informazione ad alto segnale, non il massimo disponibile.

E delimita un’area: dentro il perimetro l’harness opera, fuori non risponde. Un harness per le pratiche di assunzione non commenta il bilancio, non specula sul contenzioso, non inventa ciò che il gestionale non contiene. I confini non limitano il valore: lo rendono vendibile.

La materia prima è la conoscenza tacita

Il lavoro più sottovalutato di un harness non è tecnico. È estrarre da chi fa il mestiere la conoscenza tacita: i criteri di qualità, le eccezioni, ciò che si controlla sempre e ciò che si può dare per buono. Un professionista prende queste decisioni senza pensarci; un harness deve riceverle scritte.

Per questo ogni nostro progetto comincia accanto a chi lavora, sul processo vero, non in sala riunioni. Se la conoscenza non diventa esplicita, il modello la rimpiazza con la plausibilità. E la plausibilità, in un processo professionale, è il nome elegante dell’errore.

Guardrail: dove l’agente si ferma da solo

I guardrail sono le regole che l’harness applica a prescindere da ciò che il modello vorrebbe fare: richieste fuori tema respinte, dati sensibili che non escono dal perimetro, soglie oltre le quali si passa la mano. La regola guida è semplice: l’automazione si ferma un passo prima della responsabilità. Un’azione irreversibile, una firma, un importo rilevante passano sempre da una persona.

La parte più difficile: come sai che il risultato è giusto?

Tutto ciò che abbiamo descritto fin qui si costruisce. Questa parte invece si sceglie, ed è la scelta che separa i progetti seri dalle demo. Davanti a un output del modello hai due strade: ti fidi, oppure hai predisposto ciò che serve per non doverti fidare.

Fidarsi funziona benissimo, finché non funziona più. Un modello linguistico sbaglia: non è un difetto da correggere, è una proprietà statistica da governare. La domanda non è se sbaglierà, ma quando, e se quel giorno il tuo sistema se ne accorgerà prima del tuo cliente. Chi si fida sta solo aspettando l’errore con più ottimismo.

Predisporsi, in concreto, significa tre strati che lavorano insieme.

1. Check deterministici

Sono verifiche di codice, non di giudizio: i totali quadrano con la fonte, le date sono coerenti, i campi obbligatori sono pieni, i riferimenti puntano a dati che esistono. Costano poco, girano su ogni singolo risultato e non hanno opinioni. Nel nostro osservatorio del turismo, per esempio, nessun grafico arriva a schermo se i suoi numeri non coincidono con le tabelle di origine, e i calcoli li fa il warehouse in modo deterministico: il modello decide cosa calcolare, mai quanto fa.

2. Le evals: l’esame che il sistema rifà a ogni modifica

Eval è l’abbreviazione di evaluation, e l’idea è quella di un esame permanente. Si raccoglie un insieme di casi reali, il golden set, ciascuno con l’esito atteso scritto: questa email deve produrre questa pratica, questa domanda deve dare questo numero, questa richiesta ambigua deve produrre una domanda e non una risposta. A ogni modifica del sistema, tutti i casi vengono rieseguiti e confrontati con l’atteso.

• Il golden set contiene anche i casi che il sistema deve rifiutare: un dato fuori soglia, una richiesta fuori perimetro. Saper dire no è un requisito, non un difetto.
• I fallimenti non si nascondono: si contano. Un sistema che passa dal 94 al 91 per cento dopo una modifica ti sta dicendo qualcosa che preferisci sapere subito.
• La percentuale accettabile è una decisione di prodotto, non un dogma: dipende da cosa costa un errore in quel processo.

Senza evals ogni modifica è un salto nel buio: magari migliora il caso che stavi guardando e rompe tre casi che non stavi guardando. Con le evals, il sistema invecchia migliorando invece che accumulando regressioni.

3. Agenti verificatori: il revisore che non si stanca

Il terzo strato serve dove i check deterministici non arrivano: la qualità che richiede lettura. Un secondo agente, separato da quello che produce, riceve l’output e lo verifica come farebbe un revisore umano: confronta il documento con i dati di partenza, cerca le incoerenze, controlla che ogni affermazione abbia una fonte. Non sa come il primo agente ha ragionato, e questo è il punto: giudica il risultato, non l’intenzione.

È lo stesso principio della revisione fra colleghi, con una differenza: il verificatore non si stanca, non ha fretta e legge anche la pratica numero mille con l’attenzione della prima. Quello che segnala finisce a una persona; quello che passa, passa con motivazione.

O ti fidi, o ti attrezzi. La fiducia prima o poi presenta il conto; l’apparato di verifica lo paga in anticipo, una volta sola.

I due gradi: moltiplicare le persone, o toglierle dal processo

Un harness ben costruito produce due effetti, in ordine. Il primo è l’amplificazione: chi fa il lavoro smette di compilare e comincia a verificare, e la stessa persona segue dieci o cento volte le pratiche di prima. Il secondo, sui processi con criteri stabili e verifica automatizzabile, è l’automazione piena: zero ore-persona, con la qualità controllata dagli strati descritti sopra e le sole eccezioni che arrivano a un umano.

Non è teoria: nel caso di uno studio di consulenza del lavoro l’amplificazione ha ridotto gli errori del 70 per cento e moltiplicato per cento le pratiche per operatore, mentre nell’osservatorio del turismo la classificazione dei contenuti gira in automazione piena da mesi. E l’accesso ai dati passa da un server MCP che espone a ogni ruolo solo i propri strumenti.

Quando l’harnessing non serve

La prima fase del nostro metodo, la chiamiamo fase zero, esiste per dire di no. Se i documenti sono pochi e sempre uguali, basta un modello con i segnaposto. Se i dati vivono in fogli sparsi, prima si sistemano quelli. Se ogni passaggio richiede una valutazione professionale, non c’è nulla di ripetitivo da imbracare. Un agente aggiunge costo e complessità: si costruisce solo dove ripaga, e lo diciamo prima del preventivo.

Le sette fasi complete del metodo sono sulla pagina principale. Se invece vuoi capire quali dei tuoi processi reggono un harness e quali no, è esattamente ciò che stabilisce la diagnosi gratuita: quarantacinque minuti, due elenchi, e il secondo è quasi sempre il più lungo.