LLMs e AI in 2025: esperimenti, frustrazioni e pochi grandi sorprese
2025 è stato un anno di esperienze dirette per noi con LLMs e AI applicata. Invece di osservare lo spazio solo da un lato, abbiamo passato l'anno a costruire, testare, rompere cose e provare idee che a volte funzionavano e a volte no.
Il sentimento complessivo è misto. Alcune parti della tecnologia sono impressionanti e in crescita incredibilmente veloce. Altre parti ancora sentono early e fragili. Ecco un riassunto di ciò che abbiamo imparato e come sta influenzando ciò che vogliamo fare successivamente.
Mixare ricerca semantica e ricerca testuale completa
Una grande parte del nostro lavoro questo anno si è concentrata sui sistemi di ricerca costruiti intorno ai LLMs. Abbiamo sperimentato molto con la ricerca ibrida: combinando ricerca semantica (embedding + database vettoriali) con la ricerca testuale classica.
In pratica, la combinazione è potente. La ricerca semantica aiuta a recuperare informazioni rilevanti in termini concettuali, mentre la ricerca testuale mantiene le cose precise e spiegabili. Quando entrambi sono bene ottimizzati, i risultati sono notevolmente migliori di quelli ottenuti utilizzando una sola delle due tecniche.
Il problema è la complessità. Mantenere i database vettoriali in sincronia, ottimizzare il ranking e gestire l'infrastruttura richiede un vero sforzo di ingegneria. Non è ancora plug-and-play.
La nostra raccomandazione sincera adesso è: se non hai le risorse per esperimenti rischiosi e un certo quantità di tentativi e errori, potrebbe essere meglio aspettare. L'ecosistema sta migliorando rapidamente, ma oggi ancora favorisce le squadre che possono permettersi di esplorare e iterare.
RAG vs grandi contesti: dipende
Abbiamo anche passato del tempo confrontando pipeline RAG con approcci che si concentrano di più su contesti grandi.
Speravamo di trovare un vincitore chiaro. Non l'abbiamo trovato.
RAG è perfetto quando si ha a che fare con grandi o costantemente cambianti basi di conoscenza. Approcci basati su grandi contesti semplificano l'architettura ma possono diventare costosi e imprevedibili a grandi scale. In sistemi reali, spesso finiamo con ibridi in qualsiasi caso.
La principale lezione è che non c'è ancora una ricetta universale. Le decisioni archittonomiche sono ancora molto specifiche per l'applicazione, e molto di ciò che funziona deriva dall'esperimeto piuttosto che da pratiche best practices stabili.
Utilizzo di database vettoriali per l'apprendimento macchina tabulare (un percorso insolito)
A un certo punto abbiamo deciso di provare qualcosa di un po' folle: usare database vettoriali per eseguire un apprendimento macchina classico tabulare.
Da un punto di vista pratico, non è stato molto riuscito. Per compiti predittivi standard, i pipeline tradizionali di apprendimento macchina sono ancora molto più efficienti e diretti.
Ma questo percorso insolito è stato sorprendentemente produttivo. L'esperienza ha forzato noi a esplorare in profondità il clustering, i metri di similitudine e l'ingegneria delle caratteristiche. Questa esplorazione ha aperto nuove direzioni di ricerca e ha finito per alimentare i lavori che stiamo ancora sviluppando.
Quindi, sebbene l'idea originale non si sia rivelata un approccio produttivo, ha dato risultati positivi come ricerca.
L' enorme salto nell' coding AI
La principale cambiamento questo anno è stato l' coding AI.
All'inizio di 2025, i sistemi di coding agente avevano difficoltà con compiti relativamente semplici. Creare una pagina di accesso decente spesso richiedeva molto lavoro manuale. Alla fine dell'anno, questi stessi sistemi potranno generare e organizzare progetti complessi e multi-componenti in un modo che effettivamente si sente utile.
Questo cambia ciò che le piccole squadre possono realmente costruire. L' coding AI non è più solo autocompletamento sofisticato. È iniziando a sentirsi come un vero partner di sviluppo.
Siamo veramente impressionati dalla velocità di miglioramento in questo ambito.
Cosa stiamo concentrando in 2026
Tutto questo porta direttamente alle nostre pianificazioni per 2026.
Vogliamo sfruttare ciò che abbiamo imparato e concentrarci molto sull'uso dell' coding AI per aiutare le piccole imprese attraverso applicazioni molto specifiche di iOS. Invece di costruire piattaforme ampie, ci interessa di più strumenti mirati che risolvono problemi concreti.
Andiamo più in profondità su why we're focusing on iOS e su come pensiamo al product strategy in future posts.
Pensieri finali
Se dovessimo riassumere 2025 in una frase: la tecnologia è potente ma ancora disomogenea.
La ricerca ibrida funziona ma è complessa. RAG rispetto al contesto è situazionale. Alcuni idee sperimentali falliscono in modi utili. E l'AI coding ha fatto un salto che apre nuove possibilità per le piccole squadre.
Chiudiamo l'anno con sentimenti misti riguardo alla maturità, ma con molta ottimismo riguardo alla direzione. Le cose stanno avanzando velocemente, e la distanza tra la ricerca e le applicazioni pratiche si sta riducendo.
Per squadre disposte a sperimentare e a tollerare l'incertezza, è un periodo molto interessante per costruire.