# Cortex: usare l’AI per confrontare decisioni e alternative

[Pagina originale](https://danilolapegna.com/lab/cortex-decisioni-piu-lucide)

Lingua: it. Aggiornamento del contenuto: 2026-10-16.

Un metodo per cercare le assunzioni sbagliate di un piano e confrontare alternative. Risultati e limiti di una prova su dodici casi.

Quale assunzione potrebbe far fallire il tuo piano, e come puoi verificarla prima di investire?

## Cercare il punto debole di un piano

Una decisione difficile può avere dati corretti, un'analisi ordinata e una conclusione comunque fragile. Succede quando tutte le risposte accettano la stessa premessa sbagliata, trattano il rischio decisivo come un dettaglio o propongono varianti della stessa idea.

Cortex è il metodo con cui usiamo l’AI per esaminare questi problemi. Cerchiamo l’assunzione da cui dipende il piano, costruiamo un’alternativa che parta da un’ipotesi diversa e scegliamo una prova concreta per confrontarle. Per esempio, prima di costruire una funzione possiamo verificare se il cliente la userebbe davvero.

Un esempio ipotetico: un team vuole un agente che risponda alle richieste dei clienti, perché pensa di avere troppe email. Un’alternativa è correggere le istruzioni che generano domande ripetute. Prima di costruire, classifichiamo un campione di richieste: se prevalgono gli stessi dubbi, proviamo istruzioni più chiare e misuriamo se le domande diminuiscono. Se invece le richieste sono diverse e richiedono lavoro ripetitivo, l’agente torna un’opzione da valutare.

## Come funziona Cortex

Cortex non è un altro modello e non sostituisce il giudizio di chi decide. Parte dalla migliore risposta che l'AI generalista sa già produrre. Se quella risposta è sufficiente, non aggiunge complessità.

Per i problemi più difficili, confrontiamo cause possibili, vincoli che si potrebbero rimuovere, prove reversibili e reazioni delle persone coinvolte. Ogni alternativa deve indicare da quale assunzione dipende, il rischio principale e il controllo da fare. La teniamo solo se può cambiare la decisione.

## Un test costruito per poter fallire

Abbiamo congelato dodici casi nuovi prima di generare le risposte. Lo stesso modello ha lavorato in tre condizioni: da solo, con una revisione generica a budget comparabile e con Cortex. Due giudici ciechi hanno confrontato gli output senza sapere quale metodo li avesse prodotti; le risposte fallite sarebbero rimaste nel conteggio.

Sei casi richiedevano la modalità più profonda, chiamata Problem Attack: problemi aperti o resistenti nei quali l'analisi ordinaria rischia di convergere troppo presto. È il perimetro più severo del test ed è quello su cui riportiamo il risultato principale.

## Che cosa è cambiato nei risultati

Nei sei casi Problem Attack, il confronto cieco ha preferito Cortex alla risposta nativa 6 volte su 6. Contro la revisione generica ha ottenuto 4 vittorie e 2 pareggi. Nessuna sconfitta.

Sulla scala a cinque punti usata dai giudici, la qualità della decisione è passata in media da 3,75 a 5,00. La capacità di individuare aspetti utili del problema è salita da 3,83 a 4,75. Il confronto è con la risposta dello stesso modello usato da solo.

Il confine è altrettanto importante del numero. Sono sei casi difficili, non una garanzia universale. La modalità profonda usa più tempo e più contesto, quindi va riservata alle decisioni in cui trovare una premessa sbagliata vale davvero il costo dell'analisi.

## Che cosa dimostra sul nostro modo di costruire

Il nostro criterio è confrontare il metodo con ciò che il modello sa fare già da solo. Aggiungere passaggi ha senso se cambia la qualità della scelta abbastanza da giustificare il tempo e il testo in più.

Ora Cortex viene usato selettivamente su decisioni reali, con una persona che può ricostruire, contestare e fermare il percorso. È la stessa disciplina che portiamo nei sistemi AI per le aziende: capacità precise, verifiche osservabili e confini espliciti prima che un agente possa incidere sul lavoro vero.