Perché l’AI ragiona meglio quando prima verifica e poi risponde: il metodo Verification‑First spiegato semplice

Parlare di intelligenza artificiale in modo semplice è difficile.

Non perché serva un dottorato, ma perché dietro strumenti come ChatGPT o altri modelli avanzati ci sono meccanismi complessi, invisibili e spesso fraintesi.

Eppure credo sia fondamentale fare divulgazione chiara: l’AI è potentissima, ma non è perfetta. E soprattutto: possiamo farla ragionare meglio con tecniche sorprendentemente semplici.

Una di queste tecniche si chiama Verification‑First (VF), ed è stata proposta da due ricercatori della Tsinghua University, Shiguang Wu e Quanming Yao, in un lavoro che sta attirando molta attenzione.

In questo articolo la spiego in modo accessibile a tutti, anche a chi parte da zero.

Cos’è un LLM (Large Language Model) — spiegato semplice

Un LLM è un modello di intelligenza artificiale che:

• legge testo

• lo interpreta

• e genera la frase successiva più probabile

  
  

Non “pensa” come un umano. Non “capisce” davvero.

Non ha un modello del mondo come il nostro.

È un gigantesco sistema statistico che completa frasi.

Eppure, grazie alla sua scala, riesce a fare cose che sembrano ragionamento.

Cos’è un token

Quando un LLM legge o scrive testo, non lavora con parole intere, ma con token.

Un token è un pezzetto di testo, ad esempio:

• “ciao” → 1 token

• “intelligenza” → 3 token

• “ragionamento” → 3 token

• “2025” → 1 token

  
  

Più token generi, più costa la risposta (in tempo e denaro).

Per questo è importante trovare tecniche che migliorano il ragionamento senza aumentare troppo i token.

Cos’è il Chain‑of‑Thought (CoT)

È un modo di istruire l’AI dicendo:

“Pensa passo per passo.”

Serve a farle esplicitare il ragionamento invece di dare una risposta diretta.

Funziona, ma non sempre. A volte l’AI:

• inventa passaggi falsi

• segue un ragionamento sbagliato ma coerente

• si “incarta” su problemi semplici

  
  

Ed è qui che entra in gioco il metodo Verification‑First.

L’idea di Verification‑First (VF)

Il metodo VF è stato introdotto da Wu e Yao (2025) e si basa su un’idea sorprendentemente semplice:

Prima dai all’AI una risposta qualsiasi. Poi chiedile di verificare se è corretta. Solo dopo le chiedi di risolvere il problema.

La risposta iniziale può essere:

• casuale

• sbagliata

• triviale

• anche completamente assurda

  
  

Non importa.

Quello che importa è attivare la modalità “critica” del modello.

Perché funziona così bene?

1. Verificare è più facile che inventare

Per un LLM (e per un umano):

• controllare se una risposta è corretta

• è più semplice che generarla da zero

  
  

La verifica attiva un ragionamento “al contrario”, più strutturato e meno soggetto a errori.

L’AI diventa più critica

Quando l’AI deve verificare una risposta “di qualcun altro”, smette di seguire il suo flusso autoregressivo e diventa più attenta.

È come dirle:

“Non fidarti della prima cosa che ti viene in mente.”

Questo riduce:

• errori logici

• allucinazioni

• risposte affrettate

La verifica fornisce indizi utili

Anche se la risposta iniziale è sbagliata, il processo di verifica:

• riduce lo spazio di ricerca

• fa emergere relazioni logiche

• aiuta a costruire un ragionamento più solido

Esempi semplici e intuitivi

Esempio 1 — Il bat e la palla

Domanda: Un bat e una palla costano 1.10€. Il bat costa 1€ più della palla. Quanto costa la palla?

❌ Metodo normale (CoT)

Molti modelli rispondono: 0.10€ (sbagliato).

✔️ Metodo VF

Diamo una risposta casuale: 1€

L’AI verifica:

• Se la palla costa 1€, il bat costa 2€.

• Totale = 3€, non 1.10€.

• Quindi è sbagliato.

• Risolvo correttamente: 0.05€.

Esempio 2 — Quanti mesi hanno 28 giorni?

Domanda semplice ma trabocchetto.

❌ Metodo normale

Risposta tipica: 1.

✔️ Metodo VF

Diamo una risposta casuale: 1

L’AI verifica:

• “Se fosse 1, significherebbe che solo un mese ha il giorno 28.”

• “Ma tutti i mesi hanno un 28.”

• Risposta corretta: 12.

Esempio 3 — Coding

Domanda: “Scrivi una funzione che calcola la differenza massima tra i valori di ogni coppia in una lista di tuple.”

❌ Metodo normale

L’AI spesso calcola la differenza tra il massimo e il minimo globale → sbagliato.

✔️ Metodo VF

Diamo un codice sbagliato e chiediamo di verificarlo.

L’AI:

• trova l’errore

• spiega perché

• genera la versione corretta

Costi e benefici

Costi

VF richiede:

• circa il 20–50% di token in più rispetto al CoT

• nessun addestramento

• nessuna configurazione

• nessuna conoscenza tecnica

È un costo minimo rispetto ai metodi di test‑time scaling che moltiplicano i token per 10x o 20x.

Benefici

• meno errori logici

• meno allucinazioni

• ragionamenti più solidi

• migliore performance in matematica, coding, agenti

• funziona anche con modelli piccoli

• funziona anche con modelli commerciali chiusi

• non richiede esempi né prompt complessi

Perché è importante parlarne

Viviamo in un momento storico in cui l’AI entra in:

• finanza

• medicina

• legale

• ingegneria

• automazione

• educazione

E in questi contesti non basta che l’AI sia eloquente. Deve essere affidabile.

Il metodo Verification‑First è un modo semplice per:

• ridurre errori

• aumentare la robustezza

• migliorare la qualità del ragionamento

• senza costi elevati

E soprattutto dimostra una cosa fondamentale:

L’AI è potente, ma non infallibile. E possiamo guidarla a ragionare meglio.

Conclusione

La scoperta di Wu e Yao è importante perché mostra che non serve un modello più grande per ottenere un ragionamento migliore. Serve un modo migliore di parlare con il modello.

E questo, oggi, è alla portata di tutti.

Presto un articolo dove parliamo di AI e finanza.  

Non solo come l’intelligenza artificiale sta cambiando il modo di investire, ma anche cosa guardare — con criterio — in un’azienda che sviluppa AI, se si vuole valutarla come investimento.

Pro, contro, metriche da studiare e hype da evitare.

Perché capire l’AI è già un investimento in sé.