In nessuna delle tre frasi del video la risposta sta scritta nelle schede.

«Elettrica per fare Cagliari-Sassari andata e ritorno senza ricaricare» vuol dire 424 km, quasi tutti sulla 131 a 110 all'ora. Le schede riportano l'autonomia WLTP, e con un filtro sopra i 424 km passano tutte e cinque le elettriche del lotto. A 110 km/h costanti EV Database misura 610 km per la EQS 450+ e 465 per la iX xDrive50; Taycan, i4 ed e-tron GT restano senza margine. La barra tiene EQS e iX, in quest'ordine.

«Alternative alla Golf R più potenti» e «sportiva col motore aspirato» non hanno una parola in comune con gli annunci: la Golf nel lotto non c'è, e nessuna scheda dice come respira un motore. Per rispondere bisogna sapere che la Golf R è una compatta integrale da 320 cv, che un gradino sopra ci sono RS3 e A 45 S, e che fra le sportive in vendita solo il V10 della R8 e il sei cilindri 4.0 della Cayman GTS sono aspirati.

Per rispondere mentre il cliente scrive serve un modello che decida in meno di mezzo secondo. Jev, il modello System One che TypeSafe ha aperto in early access il 15 settembre, fa questo: non genera testo, riceve uno stato (testo o JSON) e una serie di domande tipizzate, e per ciascuna restituisce una decisione con una probabilità calibrata. Le domande sono di tre tipi: Noul (vero o falso), Choice (un'opzione fra al massimo 255) e Score (un livello su una scala ordinata). Girano in parallelo nella stessa chiamata, in 70-500 ms secondo TypeSafe, a 0,042 dollari per milione di token in ingresso; l'output non si paga. Si chiama via API o da Cloudflare Workers AI.

Jev però non fa i conti, legge male le date e sa solo quello che gli passi nello stato. Per questo la pipeline che proponiamo divide il lavoro in quattro parti.

Il catalogo arricchito, offline. A ogni modello si aggiungono i dati che l'annuncio non scrive: autonomia reale a 110 km/h con clima mite e freddo, massa rimorchiabile, aspirato o turbo, segmento, rivali diretti. Arrivano dalle banche dati tecniche e, per le elettriche, dalle prove di EV Database; un modello generalista li mette in ordine e una persona li controlla, una volta per modello e non per annuncio. Nello stesso archivio entrano i modelli che il cliente cita e il parco non ha, come la Golf R.

Il parser, a ogni tasto. Numeri, prezzi, anni e chilometri li legge un parser deterministico: «sotto 70k» è un vincolo, non un'interpretazione. Un dizionario dei comuni riconosce «Cagliari» e «Sassari» e un servizio di routing restituisce 212 km.

Jev, a ogni parola. Con domande Noul e Choice legge l'intenzione: alimentazione, uso (viaggio, traino, pista), andata e ritorno, modello di riferimento. Poi decide sulle candidate con una domanda Noul per auto, «risponde alla richiesta?», e la scheda arricchita nello stato. Con 24 auto il catalogo entra tutto; con migliaia di annunci una ricerca ibrida, parole chiave più embedding, gli passa qualche decina di candidate, perché uno stato pieno di dettagli inutili gli fa perdere precisione.

Il video mostra come si comporta il sistema: nessun modello è collegato. Ma non siamo lontani da un mondo dove questo tipo di componenti diventi lo standard in produzione.

Il catalogo dei film ha titolo, anno, voto IMDb e genere. Le tre frasi del secondo video chiedono quello che questi campi non contengono: se la storia si regge su un colpo di scena, chi c'è fra i personaggi, che effetto ti fa il film. Il genere dice fantascienza; non dice che in 2001 c'è HAL 9000 e in Ex Machina c'è Ava.

La pipeline è quella delle auto. Offline, una volta per film, un modello generalista scrive la scheda che il catalogo non ha: personaggi, temi, tono, colpo di scena sì o no. Una persona la controlla. La scheda dice che il colpo di scena c'è e non dice qual è, così nessuna risposta può rovinarti il finale. Jev legge la frase, decide film per film con una domanda Noul e la probabilità mette in ordine la fila: HAL e Ava, che la storia la reggono, vengono prima di TARS e Joi, che la accompagnano.

La terza frase mostra dove finisce il catalogo. «Film d'animazione» è un genere, lo riconosce il parser, e salgono otto locandine. «Che fanno piangere anche gli adulti» non sta in nessun campo: ne restano quattro, Up, Coco, Inside Out e Il re leone. Come per le auto, le risposte del video le abbiamo scritte a mano.

C'è poi un secondo risultato, che per chi fa marketing vale quanto la ricerca. Ogni frase arriva già scomposta nei campi che Jev e il parser estraggono per rispondere: alimentazione, tratta, uso, modello di riferimento, budget, numero di risultati. Si registrano come parametri di un evento in GA4 o in BigQuery, senza dati personali, e si leggono come qualsiasi altra metrica.

• Le ricerche a zero risultati misurano la domanda che il parco non copre.
• I modelli citati dicono con quali auto i clienti confrontano le tue.
• Gli usi dichiarati (traino, pista, tragitti lunghi) diventano segmenti per le campagne e temi per le landing.
• Le parole dei clienti sono quelle da mettere negli annunci.

Le campagne stimano l'intenzione da pagine viste e clic. Nella barra di ricerca il cliente la scrive.