Immaginate un assistente capace di negoziare un rimborso o di mediare in una riunione interna: il momento in cui prende la parola, le pause che lascia, la rapidità con cui risponde non sono dettagli accessori, ma l’architettura stessa della conversazione. Oggi i modelli full-duplex – quelli che gestiscono simultaneamente parlato e ascolto – applicano un’unica norma di turn-taking, ignorando che tra un call center e un gioco collaborativo le attese accettabili cambiano radicalmente. Il problema, mostra un nuovo lavoro, non è la quantità di dati ma l’assenza di un ancoraggio alle preferenze reali degli interlocutori.

Il framework DuplexGen, appena presentato da un gruppo di ricerca, affronta il nodo con una strategia precisa: calibrare le predizioni di un LLM su un piccolo insieme di annotazioni umane raccolte a livello di singolo slot temporale. Non si aggiunge semplicemente un prompt che descriva la situazione. Il meccanismo allinea la sintesi dei dialoghi a sei compiti cooperativi e competitivi, facendo emergere differenze sistematiche nelle preferenze – per esempio, interruzioni più frequenti in contesti competitivi, esitazioni calcolate in quelli collaborativi – che un addestramento generico su corpora uomo-uomo non catturerebbe mai.

La tesi forte dello studio è che la specificità di scenario non deriva dalla scala del corpus né dalla sofisticatezza del prompt, ma da un processo di calibrazione umana. È un cambio di prospettiva che conta per chi sviluppa agenti conversazionali da mettere in produzione, specialmente in architetture on-premise dove la sovranità dei dati e la possibilità di personalizzare il comportamento senza dipendere da servizi cloud sono requisiti non negoziabili.

Quando si ragiona su deployment locali di modelli vocali, la scarsità di dati etichettati è un vincolo noto. Eppure DuplexGen suggerisce che non serve replicare i volumi dei big tech: bastano poche centinaia di annotazioni mirate per orientare il comportamento del modello verso norme di interazione accettabili in uno specifico dominio – dalla reception automatizzata di uno studio medico all’operatore di sportello bancario. Il framework genera dati di addestramento sintetici ma aderenti alle preferenze umane di quel contesto, e un modello full-duplex addestrato su tali dati esibisce pattern di turn-taking distintivi e preferiti dagli utenti.

Per chi valuta stack self-hosted, questo rovescia la gerarchia classica: invece di adattare il proprio processo a un modello generalista pre-addestrato (e spesso calibrato su norme anglosassoni o su task aperti), si può costruire un circuito di feedback dove il dataset di preferenze – raccolto internamente, sotto il proprio controllo – diventa l’asset strategico. I dati non escono dall’organizzazione, il costo di annotazione è contenuto e l’allineamento è verificabile. In più, il fatto che DuplexGen funzioni con LLM non implica un hardware irraggiungibile: se l’obiettivo è generare dati sintetici per addestrare modelli più piccoli e specializzati, il pipeline può girare in locale su GPU di fascia media, un dettaglio che interessa direttamente chi calcola il TCO di soluzioni vocali on-premise.

La calibrazione adattiva segnala anche un’evoluzione più ampia: il turn-taking non è più un sottoprodotto dell’addestramento su dialoghi generici, ma una variabile di progetto. In settori regolati – sanità, finanza, pubblica amministrazione – questo significa poter definire, ex ante e in modo trasparente, il comportamento conversazionale di un agente AI, senza delegarlo a una black box addestrata chissà dove.