Una ricerca pubblicata il 26 agosto 2026 su Mathematics affronta un problema centrale nell’evoluzione dell’AI decisionale: come dimostrare che una scelta suggerita da un algoritmo produca risultati migliori rispetto alla procedura utilizzata in precedenza? Lo studio di Yunxiang Shu, Ran Yan, Feng Tian e Shuaian Wang analizza le difficoltà di confrontare decisioni quando i dati storici documentano soltanto le conseguenze delle azioni effettivamente eseguite.
Il tema interessa direttamente la Decision Intelligence e l’AI prescrittiva, perché mette in discussione uno dei presupposti più delicati dell’automazione aziendale. Un sistema può prevedere correttamente i risultati attesi e individuare una soluzione ottimale secondo il proprio modello, senza disporre necessariamente delle evidenze per dimostrarne la superiorità nella realtà.
Indice degli argomenti:
Perché prevedere correttamente non significa decidere meglio
L’AI predittiva stima la probabilità di un evento oppure il valore futuro di una grandezza. L’AI prescrittiva utilizza queste informazioni per individuare azioni coerenti con obiettivi e vincoli definiti.
La distinzione emerge nella gestione dei clienti a rischio di abbandono. Un modello può identificare con elevata accuratezza gli utenti che probabilmente interromperanno un contratto, ma la previsione non dimostra che concedere uno sconto sia la scelta più efficace.
Alcuni clienti potrebbero rinnovare anche senza incentivi, mentre altri potrebbero abbandonare il servizio indipendentemente dall’offerta ricevuta. La decisione economicamente appropriata dipende quindi dall’effetto dell’intervento, dai suoi costi e dal valore atteso del cliente.
Il problema riguarda numerosi processi aziendali, dalla gestione delle risorse alla pianificazione logistica. L’accuratezza predittiva costituisce una componente della qualità decisionale, ma non è sufficiente a misurarla.
Per stabilire se una strategia migliori realmente i risultati occorre confrontare le conseguenze delle diverse azioni, distinguendo ciò che viene previsto da ciò che può essere verificato.
Il problema controfattuale nei dati storici
L’analisi controfattuale cerca di determinare che cosa sarebbe accaduto se, nelle medesime condizioni, fosse stata adottata una decisione differente.
Nei sistemi aziendali viene generalmente registrata l’azione eseguita insieme al suo risultato. Le conseguenze delle alternative non selezionate rimangono invece sconosciute.
Se un’azienda decide di modificare il percorso di una spedizione, può misurare tempi e costi del nuovo itinerario. Non può osservare direttamente come sarebbe terminata quella stessa consegna utilizzando il percorso originario.
Questa impossibilità rappresenta il problema fondamentale dell’inferenza causale. Per il singolo evento, soltanto uno dei risultati potenziali può essere osservato direttamente.
La ricerca di Shu e colleghi mostra perché confrontare il costo previsto della decisione suggerita dall’AI con il costo effettivo della procedura storica possa condurre a conclusioni errate. Le due misure non sono direttamente equivalenti.
Una differenza favorevole al nuovo algoritmo potrebbe dipendere dalla qualità delle previsioni, senza dimostrare che la decisione alternativa avrebbe realmente prodotto il beneficio stimato.
Come l’inferenza causale contribuisce alla Decision Intelligence
L’inferenza causale fornisce strumenti per valutare gli effetti degli interventi, cercando di distinguere le conseguenze di una scelta dalle caratteristiche del contesto nel quale viene adottata.
La differenza rispetto alla semplice correlazione è sostanziale. Il fatto che i clienti ai quali viene offerto uno sconto mostrino un’elevata permanenza non dimostra automaticamente che lo sconto abbia provocato il rinnovo.
Le aziende potrebbero aver selezionato proprio i clienti considerati più propensi a rimanere, introducendo una distorsione nei dati disponibili.
Gli approcci causali cercano di affrontare questi problemi mediante modelli statistici, esperimenti controllati e metodi di identificazione degli effetti. La validità delle conclusioni dipende però da condizioni precise, tra cui la disponibilità delle informazioni rilevanti e la comparabilità delle osservazioni.
Un sistema decisionale non diventa causalmente affidabile soltanto perché impiega modelli di machine learning. Occorre verificare quali ipotesi permettano di interpretare i risultati come effetti degli interventi e quali fattori potrebbero compromettere tale interpretazione.
La valutazione off-policy delle strategie decisionali
La valutazione off-policy, indicata nella letteratura scientifica come Off-Policy Evaluation, consente di stimare le prestazioni di una nuova strategia utilizzando dati raccolti mentre veniva applicata una politica differente.
L’approccio è rilevante nei sistemi che devono confrontare alternative senza introdurle immediatamente nei processi produttivi. Una piattaforma potrebbe voler valutare una diversa strategia di assegnazione delle richieste o di selezione degli interventi prima di adottarla.
Tra i metodi utilizzati figurano la ponderazione per probabilità inverse e gli stimatori doubly robust, che combinano informazioni sulle modalità di selezione delle azioni con modelli dei risultati attesi.
Queste tecniche non eliminano automaticamente l’assenza dei dati controfattuali. La validità delle stime dipende da condizioni statistiche, tra cui la possibilità di osservare azioni alternative in situazioni confrontabili e, nei contesti osservazionali, il controllo adeguato dei fattori che influenzano sia la scelta sia il risultato.
Quando una procedura storica non ha mai selezionato determinate alternative, può mancare il supporto necessario per valutarle affidabilmente. Il problema diventa particolarmente rilevante nelle organizzazioni che adottano regole decisionali rigide e conservano dati limitati sulle azioni non eseguite.
I quattro scenari di validazione individuati dalla ricerca
Lo studio pubblicato su Mathematics propone una classificazione in quattro casi, costruita considerando le caratteristiche delle variabili disponibili, lo spazio delle decisioni e la possibilità di osservare informazioni intermedie necessarie a calcolare i costi.
Nei primi due casi, una copertura sufficiente dei dati storici o la disponibilità delle variabili necessarie permette di prescrivere direttamente una decisione oppure di valutare i costi effettivi delle alternative.
Nel terzo caso è necessario costruire insiemi di test nei quali le variabili intermedie risultino osservabili, attraverso procedure di restrizione o campionamento. La rappresentatività dei dati rimane un requisito essenziale per estendere le conclusioni oltre il campione utilizzato.
Il quarto scenario riguarda situazioni nelle quali i costi delle alternative non sono direttamente osservabili. La valutazione ricorre allora a regole esplicite del dominio applicativo per produrre approssimazioni.
Gli autori illustrano la classificazione attraverso tre esempi relativi al trasporto merci. Il contributo principale non consiste nel dimostrare che un determinato algoritmo sia sempre migliore, ma nell’individuare le condizioni nelle quali il confronto tra decisioni può essere considerato attendibile.
Le ricerche del 2026 sulla valutazione delle alternative
Altri lavori pubblicati nel 2026 approfondiscono la valutazione di strategie decisionali quando le informazioni disponibili sono incomplete.
Lo studio CANDOR, presentato alla Conference on Health, Inference, and Learning, analizza l’impiego di annotazioni controfattuali fornite da esperti per migliorare la valutazione off-policy. I ricercatori mostrano che annotazioni imprecise possono peggiorare le stime e propongono modalità per integrarle attraverso un approccio doubly robust. Le verifiche comprendono applicazioni sanitarie e dati provenienti da cartelle cliniche elettroniche.
Un lavoro presentato a ICLR 2026 affronta invece il problema dei sistemi di ranking alimentati da dati raccolti attraverso politiche deterministiche. Gli autori propongono stimatori che sfruttano la componente probabilistica del comportamento degli utenti, come i clic, per valutare strategie alternative.
I risultati appartengono a contesti differenti e non possono essere trasferiti automaticamente a qualunque applicazione B2B. Evidenziano tuttavia un problema comune. La capacità di valutare una politica dipende anche dal modo in cui vengono raccolti i dati, non soltanto dalla complessità dell’algoritmo utilizzato.
Simulazioni ed esperimenti controllati nella verifica delle decisioni
Quando le conseguenze delle alternative non sono direttamente osservabili, le simulazioni possono contribuire al confronto tra strategie. Un modello può rappresentare le condizioni operative e stimare come varierebbero costi, tempi o disponibilità delle risorse applicando decisioni differenti.
L’affidabilità dei risultati dipende dalla correttezza delle ipotesi utilizzate. Una simulazione può produrre confronti coerenti dal punto di vista matematico senza descrivere accuratamente il comportamento reale del processo.
È quindi necessario verificare la sensibilità delle conclusioni rispetto alle variazioni dei parametri e agli errori di stima.
Gli esperimenti controllati offrono una possibilità differente. Applicando strategie alternative a gruppi comparabili, è possibile misurare gli effetti medi delle decisioni effettivamente adottate.
La sperimentazione richiede procedure adeguate, indicatori definiti in anticipo e condizioni che permettano un confronto attendibile. Nei processi con conseguenze rilevanti, l’introduzione di strategie alternative deve inoltre rispettare i vincoli operativi e di sicurezza.
Simulazioni, analisi osservazionali ed esperimenti non forniscono evidenze equivalenti. Ciascun metodo permette conclusioni differenti, che devono essere interpretate alla luce delle rispettive limitazioni.
Come misurare il valore reale delle decisioni AI
La valutazione di un sistema prescrittivo dovrebbe considerare i risultati delle azioni, oltre alla correttezza delle previsioni utilizzate per selezionarle.
Un algoritmo di instradamento può ridurre i tempi necessari ad assegnare le richieste e contemporaneamente aumentare il numero delle riassegnazioni. Analogamente, una strategia commerciale può migliorare il tasso di rinnovo dei contratti ma generare costi superiori ai benefici ottenuti.
Gli indicatori devono quindi rappresentare gli obiettivi effettivi del processo, includendo conseguenze economiche, vincoli operativi e costi degli interventi correttivi.
Particolare attenzione richiede la funzione obiettivo utilizzata dagli algoritmi di ottimizzazione. Un sistema può individuare correttamente il minimo matematico del costo stimato senza selezionare la decisione economicamente migliore, se le stime iniziali sono inaccurate o non rappresentano tutti gli effetti rilevanti.
La Decision Intelligence richiede perciò di verificare sia la validità delle previsioni sia l’efficacia delle azioni determinate sulla loro base. Confondere questi livelli può attribuire all’AI benefici che i dati disponibili non permettono di dimostrare.
Verso sistemi decisionali verificabili nel tempo
Le ricerche sulla valutazione controfattuale mostrano l’importanza di progettare la raccolta dei dati insieme ai sistemi decisionali. Registrare il contesto della scelta, le alternative ammissibili, l’azione eseguita e il risultato osservato permette di costruire una base informativa più utile per le verifiche successive.
Quando disponibili e pertinenti, anche le probabilità con cui una strategia seleziona le diverse azioni possono contribuire alla valutazione off-policy.
La disponibilità di dati più articolati non elimina però i problemi di identificazione. I comportamenti possono cambiare, le condizioni operative possono evolvere e una strategia efficace in un determinato periodo potrebbe perdere validità successivamente.
La maturità dell’AI decisionale non dipende quindi soltanto dalla capacità di produrre raccomandazioni plausibili o di ottimizzare una funzione matematica. Richiede strumenti per verificare se le scelte suggerite migliorino effettivamente il processo rispetto alle alternative disponibili.
L’analisi controfattuale contribuisce a questo obiettivo, introducendo una distinzione fondamentale tra il vantaggio previsto dall’algoritmo e quello sostenuto da evidenze verificabili. È su questa capacità di misurare gli effetti reali delle decisioni che si gioca una parte significativa dell’evoluzione della Decision Intelligence.
Bibliografia
Shu Y., Yan R., Tian F., Wang S., 26 agosto 2026. Prescribing Decisions Using AI-Based Prescriptive Analytics: Procedure, Challenge, and Validation Pathways. Mathematics, 14(17), 3064.
Mandyam A., Tang S., Yao J., Wiens J., Engelhardt B. E., 2026. CANDOR: Counterfactual ANnotated DOubly Robust Off-Policy Evaluation. Proceedings of Machine Learning Research, vol. 333, pp. 644–687.
Tanaka K., Kawamura K., Muroi T., Narita Y., Sasamoto Y., Tateno K., Udagawa T., Du W.-W., Saito Y., 2026. Off-Policy Evaluation for Ranking Policies under Deterministic Logging Policies. International Conference on Learning Representations.
Fantechi F., Cusimano A., pubblicazione online 2025, volume 2026. The Counterfactual Challenge: How Machine Learning Can Enhance Policy Evaluation. Journal of Policy Modeling, 48(2), pp. 343–355.
Gartner, 7 agosto 2026. Market Overview for Decision Intelligence Platforms. Abstract pubblico della ricerca.
NIST, 2023. Artificial Intelligence Risk Management Framework (AI RMF 1.0).
Partecipa alla community