Cosa sono i reasoning models?

I reasoning models sono modelli linguistici addestrati o istruiti a ragionare passo dopo passo prima di produrre una risposta, invece di generarla in un solo passaggio. Prima di dare l'output finale, il modello genera una catena di ragionamento intermedio (esplorare ipotesi, verificare passaggi, correggersi), e solo alla fine restituisce la risposta condensata. Il costo è più tempo e più token spesi per ogni domanda; il beneficio è un'accuratezza molto più alta su problemi che richiedono più passaggi logici. Il concetto tecnico dietro questo comportamento si chiama test-time compute: invece di rendere il modello più grande in fase di addestramento, gli si lascia spendere più capacità di calcolo proprio nel momento della domanda, esplorando più percorsi di ragionamento prima di scegliere quello migliore. Per compiti semplici, come classificare un'email o rispondere a una FAQ, questo approccio è overkill e va evitato; diventa invece la scelta giusta su problemi multi-step, come l'analisi di contratti con clausole interdipendenti.

Test-time compute: dove va il calcolo

Il concetto tecnico dietro questi modelli si chiama test-time compute: invece di rendere il modello più grande in addestramento, si lascia che spenda più capacità di calcolo al momento della domanda, esplorando più percorsi di ragionamento prima di scegliere la risposta migliore. È lo spostamento principale della ricerca AI dal 2024 in avanti: non solo modelli più grandi, ma modelli che pensano di più quando serve e rispondono in fretta quando non serve.

Quando conviene usarli in azienda

Per compiti semplici (classificare un'email, riassumere un documento breve, rispondere a una FAQ) un reasoning model è overkill: costa di più e risponde più lentamente senza benefici concreti. Diventa la scelta giusta su problemi multi-step: analisi di contratti con clausole interdipendenti, debugging di codice complesso, pianificazione di un agente che deve orchestrare più strumenti in sequenza, ragionamento matematico o legale articolato. Il compromesso costo-latenza va gestito consapevolmente: instradare le richieste semplici verso modelli più leggeri e riservare i reasoning model ai casi che davvero lo giustificano è una decisione di FinOps, non solo tecnica, e incide direttamente sul conto dei token a fine mese. Dove le regole del dominio sono messe nero su bianco e non negoziabili, la strada alternativa è affiancare al modello un motore simbolico: AI neuro-simbolica.