Ventiquattro ore. È il tempo che un gruppo di sviluppatori ha impiegato per ricostruire la logica della nuova interfaccia generativa di ChatGPT partendo da ciò che il browser espone a chiunque. Non hanno avuto accesso al codice interno di OpenAI: hanno osservato il traffico dell'applicazione web e il JavaScript servito pubblicamente da chatgpt.com. Il risultato non è un clone, ma una mappa tecnica della 'intelligent UI', la funzione con cui il modello smette di rispondere soltanto con testo o Markdown e compone elementi interattivi in tempo reale.

Il punto di partenza tecnico merita un chiarimento. La generative UI non è una tecnica unica. Da una parte ci sono sistemi che fanno scegliere al modello componenti già pronti; dall'altra ci sono approcci che lasciano generare codice HTML/React e lo eseguono in un iframe. ChatGPT intelligent UI, OpenUI, json-render di Vercel, a2ui di Google: ognuno si colloca su questo spettro con compromessi diversi tra flessibilità, affidabilità, prestazioni e gradi di libertà.

L'aspetto interessante non è solo la rapidità. È che la ricostruzione è avvenuta per intero attraverso comportamento osservabile pubblicamente. Nel write-up il team spiega che le osservazioni arrivano da account ChatGPT, dal traffico generato dalla web app e dal JavaScript pubblico. Questo abbassa la barriera di ingresso per chi vuole capire come funziona una UI generativa senza accordi con il fornitore.

Il team ha poi pubblicato Open Intelligent UI, nome che è anche una frecciata all'idea di 'open' di OpenAI. Il dominio openui.com è loro, dettaglio che rende la provocazione più concreta. La proposta tecnica è chiara: usare il framework per ricreare esperienze simili dentro le proprie applicazioni, con un modello a scelta.

Qui entra la parte che interessa AI-RADAR. OpenUI è model-agnostic, quindi si può collegare a modelli locali tramite Ollama o LM Studio. Non si tratta di una ricostruzione one-click dell'esperienza ChatGPT: chi ha letto la documentazione sa che servono integrazione, gestione degli output strutturati e collaudo. Ma i componenti per costruire un'esperienza analoga girando interamente in locale ci sono.

A livello strutturale, il segnale è duplice. Primo, la UI generativa si sta spostando da funzione proprietaria a pattern componibile; il valore tende a migrare dal modello endpoint alla definizione del contratto tra modello e interfaccia. Secondo, per chi valuta deployment on-premise, la questione non è soltanto il modello: è anche il costo computazionale di generare componenti UI in modo affidabile. La structured output generation aggiunge overhead e latenza, e con modelli locali più piccoli il trade-off tra reattività e qualità dell'interfaccia diventa il nodo da sciogliere.

Chi perde, in questa dinamica, sono le piattaforme che usano l'interfaccia come vantaggio esclusivo. Chi guadagna sono i team che già gestiscono pipeline self-hosted e possono riusare il framework senza spostare i dati altrove. Non c'è alcuna garanzia che un LLM locale produca la stessa qualità visiva di un modello di frontiera; ma il punto non è imitare ChatGPT, è spostare il controllo.

Alla fine, la domanda aperta è se la generative UI sia una direzione utile o un'altra demo affascinante che non regge nel mondo reale. La rapidità del reverse engineering suggerisce che la tecnicia è meno esoterica di quanto sembri. Per chi lavora con LLM locali, il confine tra consumer e self-hosted si è fatto un po' più sottile, anche se la distanza tra 'i pezzi ci sono' e 'funziona in produzione' resta esattamente quella che separa un prototipo da un sistema da mantenere.