Chiedi a un'IA di consigliarti un laptop, poi dille che ne desideri uno più leggero. Se il sistema legge quel secondo messaggio come una richiesta isolata, potresti ricevere un elenco di ultrabook. Oppure potresti ricevere un altro mucchio di workstation da gaming perché non ha registrato che avevi rifiutato il primo gruppo perché troppo pesante. Questo accade perché molti sistemi di IA classificano ancora le risposte analizzando un singolo prompt in isolamento. Trattano ogni messaggio come l'inizio di una nuova ricerca, ignorando il filo conduttore della conversazione.

Questo approccio trascura le sfumature di una lunga chat. Il dialogo umano costruisce significato turno dopo turno. Presumiamo che memoria, intento e preferenze vengano portati avanti. Quando l'IA non fa lo stesso, sembra meno di parlare con un assistente e più di lanciare query in una casella di ricerca che si resetta dopo ogni clic. Risolvere questo problema significa cambiare il modo in cui classifichiamo le possibili risposte. Invece di chiedere quale risposta si adatta a questa frase, dobbiamo chiederci quale risposta si adatta a questa persona, proprio ora, considerando tutto ciò di cui abbiamo discusso.

Due elementi rendono possibile tutto ciò: la personalizzazione e la cronologia.

Perché il ranking a turno singolo fallisce

Il ranking tradizionale delle risposte è nato dai dataset di question-answering. Un modello riceve un prompt, genera un insieme di risposte candidate e un ranker assegna un punteggio a ciascuna basandosi solo su quel prompt. Il candidato con il punteggio più alto vince. Questo funziona per fatti isolati. Fallisce per il lavoro in corso.

Immagina un utente che pianifica un viaggio. Nel primo turno, chiede informazioni sugli hotel economici a Bangkok. Il modello suggerisce un elenco vicino a Khao San Road. L'utente risponde: "Sembrano rumorosi. Ho dei bambini, quindi ho bisogno di una piscina e di un facile accesso alla Skytrain". Un ranker a turno singolo vede solo la seconda frase. Potrebbe restituire un elenco generico di resort per famiglie sparsi in tutta la Thailandia, ignorando i vincoli specifici già stabiliti: Bangkok, budget limitato, silenzio, piscina, vicino ai trasporti.

Il risultato è tecnicamente pertinente all'argomento, ma praticamente inutile. L'utente deve ripetere il contesto. Si crea attrito. La fiducia diminuisce.

Personalizzazione: Chi sta chiedendo

La personalizzazione significa adattare le risposte alle preferenze e ai dati specifici dell'utente. Risponde alla domanda: chi è questa persona?

Questo va oltre l'inserimento di un nome in un saluto. Significa che il sistema sa, attraverso profili espliciti o pattern appresi, come l'utente preferisce ricevere le informazioni. Uno sviluppatore che chiede costantemente esempi in Python dovrebbe vedere campioni di codice Python anche quando la sua query menziona un compito di programmazione generico, a meno che non specifichi diversamente. Un vegetariano che ha chiesto ricette la settimana scorsa non dovrebbe dover ricordare al sistema di escludere la carne. Qualcuno che preferisce elenchi puntati concisi alla prosa dovrebbe ricevere elenchi puntati.

I segnali concreti possono includere preferenze auto-dichiarate, comportamenti passati tra diverse sessioni o metadati come la posizione e il tipo di dispositivo. La chiave è che questi segnali alimentino la fase di ranking, non solo quella di generazione. Quando vengono valutate le risposte candidate, il ranker dovrebbe dare priorità alle risposte che si allineano al profilo noto.

Ad esempio, se due risposte candidate rispondono correttamente a "Come faccio il backup delle mie foto?", ma una suggerisce l'archivia