L’AI di Google classifica ma non decide

L’AI sa classificare le condizioni cutanee, ma non tradurle in piani d’azione

Quando progetti un sistema di AI per la dermatologia, il primo problema è tecnico: costruisci un classificatore di immagini che raggiunge accuratezza diagnostica da manuale. Google lo ha fatto. Ma poi arriva la domanda successiva: cosa deve fare il paziente dopo? E qui il modello si blocca. Lo studio su AI e condizioni cutanee pubblicato su JAMA Dermatology mostra una discrepanza netta: l’AI sa etichettare, non sa consigliare.

La dermatologia da banco: classificazione perfetta, azione assente

Il gruppo con assistenza AI ha ottenuto un tasso di tentativi di diagnosi del 62% contro il 41% del controllo, e un’accuratezza del 23% nel nominare la condizione (tre volte il 8% del gruppo di controllo). Ma la precisione sui passi successivi non ha mostrato miglioramento statistico significativo. Solo con l’intervento umano del cosiddetto Wizard of Oz — un operatore che simulava un’AI perfetta — si è raggiunto un 63,5% di accuratezza decisionale contro il 60%. Il messaggio è chiaro: la capacità predittiva del modello è inutile se non si traduce in un piano d’azione.

Per un developer, è la scelta architetturale tra classificatore e sistema di raccomandazione: qui manca il secondo modulo.

Ecologia da remoto: mappe belle, decisioni assenti

Un discorso analogo vale per Earth AI per il restauro della natura. Google ha sviluppato un framework di deep learning ad alta risoluzione capace di rivelare siepi, muri in pietra e boschetti da immagini satellitari. Il dataset vettoriale di Earth AI trasforma pixel in un inventario ecologico. Ma l’output si ferma lì: non c’è un layer di priorità, non c’è un suggerimento su dove intervenire per massimizzare il sequestro di carbonio o la connettività degli habitat. È mappatura fine, non pianificazione attiva. Un framework di deep learning senza un modulo di ottimizzazione è uno strumento di osservazione, non di decisione.

Eventi SEO da vetrina, non da cantiere

Persino il mondo della Search Engine Optimization cade nella stessa trappola. La serie Search Central Live Deep Dive 2026 promette discussioni tecniche e workshop hands-on, e il formato Deep Dive include case study reali. Ma fino a che punto questi eventi traducono la teoria in pratiche adattabili sul campo? Il bias è lo stesso: Google costruisce vetrine di AI — dermatologica, ecologica, SEO — che brillano nel riconoscere e categorizzare, ma non dicono cosa fare. Per chi sviluppa stack reali, la lezione è tecnica: un sistema di AI che non espone un’interfaccia decisionale — una policy, un suggerimento, un filtro di priorità — è solo una libreria di classificazione ben confezionata. Il passo successivo, quello che trasforma un riconoscitore in uno strumento, resta fuori dalla roadmap.