Meno AI è più: quando dovresti evitare di usare l'intelligenza artificiale

Le allucinazioni dell'AI sono il nuovo incubo degli sviluppatori. Un modello che sembra brillante in demo può regolarmente inventarsi risposte, confondere fatti o produrre codice che non funziona. Il problema? Lo fa con una sicurezza che ti fa sembrare pazzo quando discuti il risultato: "Ma il modello era quasi sicuro..." Spoiler: non era.

La "Principle of Least AI" è semplicemente questo: prima di aggiungere un modello di linguaggio al tuo progetto, chiediti se davvero ne hai bisogno. Spesso la risposta è no. Un regex ben scritto, una logica condizionale sensata o una semplice ricerca in un database fanno il lavoro meglio e senza le sorprese. L'AI non è un martello magico che rende ogni vite un chiodo.

Prendiamo un esempio concreto: vuoi classificare gli input degli utenti in categorie. Primo istinto? Lanciare un LLM. Soluzione realistica? Una manciata di regole hardcoded con fuzzy matching potrebbe bastarti, costare meno e non fallire a caso. L'AI ha senso quando il problema è davvero complesso e sfumato. Non quando un albero decisionale farebbe lo stesso lavoro.

Il vero costo nascosto dell'AI non è solo computazionale. C'è la latenza (i modelli sono lenti), il debugging incubo (come spieghi a un cliente perché il modello ha fatto una cazzata?), e la dipendenza: un giorno l'API cambia, il provider fallisce, o il modello si aggiorna e tutto crolla. Un sistema semplice non ha questi problemi.

Questo non significa demonizzare l'AI. Ci sono casi dove davvero brilla: analisi di testi complessi, generazione creativa, pattern detection su dati massivi. Ma la vera intelligenza (ironia della sorte) è sapere quando non usarla. Gli sviluppatori che costruiranno i sistemi più robusti e affidabili domani saranno quelli che hanno imparato questa lezione oggi.