Perché gli LLM sbagliano convincendo: 3 passaggi per ridurre le allucinazioni e aumentare la precisione

Hai mai visto un’IA dare una risposta impeccabile che sembrava… sbagliata? Questo è il rischio nel settore immobiliare: sicurezza senza verità.

In una breve analisi urbanistica, il nostro modello ha generato paragrafi ordinati e citazioni precise, oltre a una clausola inesistente. Chiedilo di nuovo e ottieni una nuova versione. Chiedi a un secondo modello e ottieni una terza. Tre risposte, nessuna certezza.

Ma c’è un’opportunità. Con il metodo giusto, l’IA smette di indovinare e inizia a darci le prove.

In questo articolo condividerò 3 passaggi che rendono i risultati più affidabili:

-> stabilire dei vincoli con il framework di prompt ROLO,
-> ancorare il modello ai tuoi documenti con citazioni a livello di pagina,
-> e verificare come un CFO prima che qualsiasi cosa lasci il team.

Iniziamo.

1. Definire la richiesta e stabilire i vincoli

La domanda principale che affrontiamo è come impedire al modello di fare supposizioni. C’è un mito comune secondo cui un modello più grande risolverà il problema. Tuttavia, è più importante che le istruzioni siano chiare che la dimensione dei modelli. Quando la richiesta è vaga, la risposta tende a essere poco focalizzata e a mancare facilmente il bersaglio.

Imposta il tuo prompt con ROLO:

• Ruolo: “Sei un analista di due diligence.”
• Obiettivo: “Riassumi la zonizzazione e gli usi consentiti per la Particella X.”
• Limiti: Proibisci l’invenzione, “Se i dati mancano, di’ ‘Non lo so.’ Non creare fonti.”
• Output: Campi tabella, formati, più una breve motivazione e un punteggio di confidenza per ogni affermazione.

Aggiungi l’ambito in anticipo: giurisdizione, date di validità, valuta (EUR), unità di misura e fonti accettabili. Di’ al modello di elencare gli elementi sconosciuti e le domande di follow-up. Mantieni le frasi brevi ed esplicite. Chiedi citazioni di pagina/sezione, non link vaghi.

Esempio immobiliare: Per un memo su un lotto di terreno, il modello non può indovinare la destinazione urbanistica né l’altezza. Deve citare il codice urbanistico, la pagina e la clausola. Se la clausola non viene trovata, restituisce “sconosciuto” e assegna un’attività di follow-up.

Suggerimento: Salva un modello ROLO di una pagina e riutilizzalo per ogni attività ad alto rischio.

2. Ancorare il modello alle fonti e strutturare gli output

La domanda chiave è come garantire che le risposte siano fondate su prove. Un mito comune è che i prompt più lunghi possano eliminare gli errori. In realtà, limitando gli input e perfezionando gli output, possiamo ottenere risultati più accurati. Usare strumenti più efficaci sarà sempre meglio che affidarsi alla mera speranza.

Mantieni l’IA all’interno del tuo corpus. Usa [NotebookLM](https://notebooklm.google.com/) per caricare il codice urbanistico, i contratti di locazione, le bollette energetiche e le note dei broker. Richiedi citazioni inline di pagina/sezione per ogni fatto chiave. Restituisci i risultati in una forma fissa in modo che le lacune siano visibili.

Inizia con uno schema semplice o una tabella:

– ID Asset | Affermazione | Valore | Unità | Documento fonte | Pagina/Sezione | Confidenza | Motivazione

Aggiungi la validazione: date ISO, unità numeriche e campi obbligatori non possono essere vuoti. Per file lunghi, includi i PDF chiave in modo che il contesto non venga tagliato; finestre di contesto più ampie riducono le perdite dovute al troncamento. Incoraggia il modello a far emergere le contraddizioni (“Documento A vs Documento B”).

Esempio immobiliare: Data room ESG → estrai le metriche di energia, acqua e rifiuti in una tabella con link alle fonti per ogni riga. Se un valore manca, restituisci “sconosciuto”, mai un’ipotesi. Aggiungi una nota: “Copertura dei contatori incompleta per il 2022, verificare con FM.”

Suggerimento: Costruisci un prompt Tabella delle evidenze con un clic che restituisca sempre la tabella, più le fonti.

3. Verificare come un CFO e mantenere una traccia dell’audit

Determinare quando fidarsi di una bozza è una questione significativa. C’è un mito comune secondo cui le citazioni garantiscono l’accuratezza; in realtà, dovremmo fidarci, ma verificare sempre. Le citazioni possono talvolta essere errate o presentate in modo impreciso, rendendo essenziale ricontrollarne l’affidabilità.

Tratta l’IA come un analista junior. Ogni output ad alto impatto viene sottoposto a revisione umana. Verifica incrociata eseguendo lo stesso prompt ROLO in un secondo modello e confrontando i conflitti.

Testa le citazioni a campione: clicca, conferma la riga corretta e segnala le discrepanze. Mantieni un registro di audit: versione del prompt, modello, input, documenti utilizzati, note del revisore e decisione.

Usa una checklist rapida: il controllo CFO di 10 minuti:

-> Le prime cinque affermazioni mostrano ciascuna documento + pagina/sezione.
-> I numeri includono le unità; le date includono i periodi.
-> I link alle fonti si aprono e corrispondono alle citazioni, nessuna fonte “creativa”.
-> I conflitti tra i modelli sono risolti e annotati.
-> Le domande aperte sono elencate con il responsabile e la data di scadenza.

Caso d’uso immobiliare: Una presentazione retail mostrava comparabili di cap-rate inventati. Il CFO l’ha approvata nonostante i link non corrispondessero alle cifre. Soluzione: rafforzare ROLO e limitare i comparabili ai set verificati dai broker, con citazioni a livello di pagina.

Suggerimento: Rendi il controllo CFO una casella di spunta obbligatoria prima che qualsiasi nota lasci il team.

Riepilogo e conclusioni

Le allucinazioni si verificano quando i prompt sono vaghi e le fonti sono imprecise. Per risolvere questo problema, rendi il compito più preciso, limita il modello ai tuoi documenti e applica controlli come in finanza.

L’obiettivo è semplice: fiducia con prove.

-> Definisci la richiesta con ROLO: imposta Ruolo, Obiettivo, Limiti, Output; vieta l’invenzione; chiedi una breve motivazione e un punteggio di confidenza.
-> Ancora le risposte al tuo corpus: usa [NotebookLM](https://notebooklm.google.com/), richiedi citazioni di pagina/sezione e restituisci una tabella/JSON fisso in modo che le lacune siano visibili.
-> Verifica come un CFO: verifiche incrociate con un secondo modello (ChatGPT vs Claude), testa a campione le affermazioni principali e mantieni un registro di audit per l’approvazione.

Ecco un prompt ROLO completo che puoi incollare nel tuo LLM

:
RUOLO
Immagina di essere un esperto ed autorevole [Descrivi Personaggio] al vertice del tuo campo. La tua competenza è preziosa per me.

OBIETTIVO
Ho bisogno di [Descrivi Compito] che [Descrivi cosa dovrebbe fare il Compito].

Durante il processo, dovresti concentrarti su [Descrivi focus o pubblico].

LIMITI
Ti prego di evitare [Inserisci Descrizione].
Prima di iniziare questo compito, comprendi che l’urgenza è [Inserisci Urgenza].

OUTPUT
L’output finale dovrebbe essere [Descrivi il formato dell’output].

Ecco ciò che ho finora:

[ALLEGA FILE ESEMPIO]

Esempio Pratico:

ROLO — Due Diligence Urbanistica Lotto di Terreno (UE)

Ruolo

Sei un analista di due diligence immobiliare che deve preparare un memo per il comitato investimenti.

Obiettivo

Riassumi i vincoli urbanistici e gli usi consentiti per il lotto nel Comune .

Estrai i vincoli (usi, altezza, ISE/IFP, arretramenti, parcheggi) con citazioni di pagina/sezione.

Limiti

– NON inventare fatti o fonti. Se sconosciuto, restituisci “sconosciuto” ed elenca una domanda di follow-up.
– Usa SOLO i documenti forniti; non fare ricerca nel web salvo autorizzazione.
– Nessuna catena di ragionamento; fornisci una motivazione di 1-2 frasi per ogni affermazione chiave più un punteggio di confidenza.

Ambito

Giurisdizione: | Date di validità: 2019–2025 | Valuta: EUR | Unità: metriche

Fonti accettabili: codice urbanistico, piano locale, modifiche approvate.

Output (Tabella)

Affermazione | Valore | Documento Fonte | Pagina/Sezione | Confidenza (0–100%) | Motivazione

Validazione

– Ogni affermazione deve includere Documento Fonte + Pagina/Sezione.
– I numeri includono le unità;