Chiedere a un LLM di riflettere su se stesso è diventato quasi un gesto automatico nelle pipeline di previsione. Ma cosa produce davvero il miglioramento? Uno studio di ablazione controllata a sei condizioni, focalizzato sulla previsione dei conflitti armati, ha isolato quattro componenti: esposizione alle evidenze, scaffolding diagnostico, vocabolario tassonomico e routing delle azioni. Il risultato è spiazzante per chi progetta prompt complessi: due risultati nulli precisi convergono su un unico meccanismo.

Le domande diagnostiche strutturate non aggiungono nulla rispetto alla riflessione libera: F1 0.296 contro 0.297, p=1.000, con intervallo di confidenza al 95% [-0.041, +0.040]. Neppure mostrare la tassonomia completa dell'incertezza, riducendo lo spazio delle azioni a una singola azione generica, produce un valore misurabile: ΔF1 +0.008, con intervalli sovrapposti. In pratica, il modello non migliora perché gli si insegna un vocabolario più fine per descrivere il dubbio.

Il meccanismo che sopravvive all'ablazione

Il salto arriva quando lo spazio delle azioni è tipizzato. Il routing tipizzato porta F1 da 0.296 a 0.379; la stima conservativa che controlla per il vocabolario tassonomico vale ΔF1 +0.075, mentre il guadagno complessivo rispetto alla baseline single-shot raggiunge ΔF1 +0.101, con intervallo di confidenza bootstrap [+0.020, +0.185]. La stessa decomposizione regge su GPT-4o: la tassonomia non aggiunge valore significativo (p=0.773), il routing sì (p=0.025).

I guadagni non sono distribuiti uniformemente. Si concentrano sui conflitti strutturalmente nuovi: in Myanmar l'F1 passa da 0.000 a 0.353, in Ucraina da 0.167 a 0.500. La condizione con solo vocabolario recupera quanto la riflessione generica, mentre il routing delle azioni rompe il prior degenerato. Il modello non impara a esitare in modo più elegante; impara a scegliere meglio quale azione intraprendere.

La lezione strutturale per i deployment vincolati

La conseguenza ingegneristica è controintuitiva: aumentare la profondità del ragionamento diagnostico non equivale a migliorare la decisione. Per chi progetta agenti LLM di previsione in ambienti locali o su dati sensibili, il messaggio è meno overhead di prompt, non di più. Se lo scaffolding aggiunge token e passaggi senza guadagno misurabile, eliminarlo riduce il carico di inference senza sacrificare la qualità dell'output. In un contesto self-hosted, questo può tradursi in minor pressione su VRAM, latenza e consumi, a parità di capacità decisionale.

Sul piano degli incentivi, lo studio sposta l'attenzione dalle tassonomie alle interfacce di azione. Per chi costruisce framework di orchestrazione, la direzione indicata è quella di definire uno spazio di azioni tipizzate e verificabili, non di moltiplicare i prompt diagnostici. È una lezione di design, non di scala: non si risolve aggiungendo parametri o capacità di ragionamento, ma vincolando il problema. Resta aperta la domanda se il risultato tenga su altre tipologie di conflitto e su modelli base diversi da GPT-4o, ma il segnale è abbastanza nitido da orientare la prossima generazione di agenti previsionali.