Perché «quale LLM usate?» è la domanda sbagliata?

Quando un'azienda valuta uno strumento di IA, la conversazione parte quasi sempre dal modello. «È GPT o Claude?» «Che versione?» «Il nuovo modello è più intelligente, quindi il prodotto sarà migliore, giusto?» La domanda è comprensibile — e utile più o meno quanto scegliere un fornitore in base alla marca del suo portatile.

Prendiamo lo stesso modello — diciamo il modello di punta di Anthropic — e osserviamolo dentro due prodotti diversi. Il primo è Cursor, un agente di sviluppo. Menzionatelo su Slack con un compito: avvia una macchina virtuale, clona il repository, scrive codice, esegue i test e consegna una pull request. Un ingegnere brillante.

Il secondo è Claude Tag, un «collega tuttofare» nello stesso Slack. Legge la cronologia del canale, ricorda il contesto del progetto, si collega a documenti e calendari. Sa anche programmare — ma con la stessa naturalezza analizzerà uno scambio con un cliente e vi suggerirà come rispondere alla terza richiesta di sconto.

Dentro, lo stesso modello. Fuori, due specialisti completamente diversi. Chiedete all'agente di codice una strategia di comunicazione col cliente: qualcosa risponderà, il modello è intelligente. Ma sarà il parere di un idraulico sull'arredamento del salotto — una persona capace, arrivata però con altri attrezzi e in un altro ruolo.

L'harness è tutto ciò che circonda il modello e lo trasforma da cervello in barattolo a strumento che lavora.

Cambiate l'harness, e lo stesso modello diventa un altro prodotto. Lasciate l'harness debole, e l'aggiornamento del modello non cambierà quasi nulla.

Tutto questo vale non solo per gli strumenti che comprate, ma anche per come l'IA vede la vostra azienda. Quando un potenziale cliente chiede a ChatGPT, Claude o Perplexity «quale servizio scegliere per X», il modello non risponde a memoria. Lavora dentro il proprio harness: uno strumento di ricerca trova le pagine, un parser ne estrae il testo, e solo dopo il modello formula la risposta. A ogni passaggio, il vostro sito supera il filtro — oppure no.

Un bel sito in JavaScript pesante, con contenuti disegnati lato client, può essere invisibile al parser. Una pagina senza struttura chiara — titoli, fatti, elementi concreti — verrà letta ma mai citata: il modello non ha nulla da prendere. L'assenza di menzioni su fonti esterne significa che il passaggio di ricerca semplicemente non vi troverà.

È esattamente l'oggetto del GEO (Generative Engine Optimization): ottimizzare non per un algoritmo di ranking, ma per l'harness dei sistemi generativi — per il modo in cui gli agenti di IA scoprono, leggono e raccontano i vostri contenuti. La SEO classica chiedeva: «come entrare nella top 10 dei link?» Il GEO chiede: «come entrare nella risposta stessa?»

Se state scegliendo uno strumento di IA — guardate oltre il modello e verificate quanto l'harness corrisponde al vostro compito. Uno strumento con un modello «più modesto» ma con gli strumenti giusti e l'accesso ai vostri dati batterà un modello di punta in una chat generica.

Se state costruendo IA in azienda — partite non dalla scelta del modello, ma dalla progettazione dell'harness: che ruolo ha l'agente, cosa vede, cosa sa fare, dove sono i suoi confini. Il modello si innesta dopo, e potrà essere sostituito quasi senza dolore.

E se volete che i sistemi di IA raccomandino la vostra azienda — pensate al vostro sito come a una parte dell'harness di qualcun altro. Le vostre pagine diventeranno il contesto di qualcuno. L'unica domanda è se saranno adatte allo scopo.