Aggiornato il 19 novembre 2026
Il 19/11/2026 ho fatto un test di ricerca operativa con l’AI. Ho dato a un solver la coda della mia redazione di agenti AI: 31 lavori, due settimane, sei ore a settimana. In 13 millisecondi mi ha restituito un piano perfetto.
Perfetto rispetto a quello che gli avevo chiesto, e sbagliato rispetto a quello che volevo. È la storia più utile che conosco per spiegare dove va la ricerca operativa con l’AI.
La ricerca operativa è la parte della matematica applicata che trova la decisione migliore dentro dei vincoli: quanto produrre, come dividere un budget, chi mettere in turno, cosa fare prima. Il motore è il solver, un programma che, data una formulazione corretta, restituisce la soluzione ottima oppure dimostra che non esiste. Il collo di bottiglia non è mai stato il calcolo. È la formulazione: tradurre un problema scritto a parole in variabili, vincoli e obiettivo richiede un esperto, e gli esperti costano. Qui entra l’intelligenza artificiale. Il modello linguistico scrive la formulazione, il solver garantisce il risultato. Nel paper AutoOR (arXiv 2604.16804) un modello da 8 miliardi di parametri, addestrato con il feedback del solver, arriva al 94% su MAMO-Easy contro il 90% di Gemini 3 Pro. Il benchmark OPT-Engine, presentato a ICML 2026, indica il punto debole che resta: anche con il solver integrato, l’errore sta nella scrittura dei vincoli. Il lavoro umano si sposta su una domanda sola: cosa vuol dire «meglio» per la tua azienda.
Cosa serve sapere in 30 secondi
- Cos’è: la ricerca operativa trasforma una decisione in un modello matematico (variabili, vincoli, obiettivo) e un solver trova la soluzione ottima.
- Chi fa cosa: l’AI traduce il problema scritto a parole in codice per il solver. Il solver calcola e garantisce che i vincoli siano rispettati.
- La prova: AutoOR (arXiv, aprile 2026) porta un modello da 8B al livello di Gemini 3 Pro su sei benchmark di ricerca operativa.
- Il limite: secondo OPT-Engine (ICML 2026) il collo di bottiglia attuale è formulare i vincoli giusti, non risolverli.
- Il mio test: sulla coda reale della mia redazione il solver ha trovato un piano con 486 punti di priorità contro 274 del metodo «prima il più urgente». Ma ho dovuto riscrivere l’obiettivo due volte.

Cos’è la ricerca operativa, in parole semplici?
La ricerca operativa è il metodo per prendere la decisione migliore quando hai risorse limitate e regole da rispettare. Descrivi il problema con tre elementi: le decisioni da prendere (le variabili), le regole da non violare (i vincoli) e cosa vuoi massimizzare o minimizzare (l’obiettivo). Il solver esplora le combinazioni e ti dà la migliore, con una garanzia matematica.
L’esempio classico è una fabbrica. Hai costi, personale, varianti di prodotto, macchine con capacità diverse. Vuoi il massimo profitto senza superare le ore macchina né il budget del personale.
A mano provi qualche combinazione. Il solver le considera tutte, anche milioni, e si ferma solo quando può dimostrare che non esiste niente di meglio.
La disciplina non è nuova. Secondo la voce di Wikipedia italiana nasce con la seconda guerra mondiale, quando nel Regno Unito gruppi di scienziati lavoravano su come distribuire i radar.
Da allora la usano compagnie aeree, logistica, energia, grande distribuzione. Nelle università italiane è un esame dei corsi di ingegneria, come mostrano i programmi di Bologna e Padova.
Il punto che conta per questo articolo è uno. Il solver è deterministico.
Con lo stesso modello e gli stessi dati ti dà la stessa risposta, e se il problema è impossibile te lo dice. Un modello linguistico, da solo, non ti promette niente del genere.
Cosa succede quando un solver pianifica la coda di una redazione di agenti AI?
Succede che trova un piano migliore di quello che faresti a mano, in pochi millisecondi, e che ti costringe a scrivere cosa intendi davvero per «migliore». L’ho provato il 19/11/2026 sulla coda vera della mia redazione: 31 lavori in attesa per l’agente che aggiorna i vecchi articoli, con priorità, tipi di lavoro e regole scritte in italiano.
Il contesto. Il blog lo gestisce una squadra di agenti AI che lavorano in una redazione reale. C’è un Editor che assegna i lavori, un agente che scrive, uno che aggiorna i pezzi già online. Le regole esistono già e sono scritte a parole.
Una pagina non si tocca due volte in 30 giorni. Massimo due azioni di pruning a settimana. La pagina su Gemini 4 Argon è bloccata fino al 9 dicembre.
Oggi è l’Editor a scegliere cosa fare, leggendo la coda in ordine di priorità. Ho voluto vedere cosa cambia se lo stesso lavoro lo fa un solver.
Le regole che ho dato all’agente
Ho chiesto a un agente AI della redazione di trasformare queste righe in un modello per Google OR-Tools, la libreria open source di ottimizzazione che usano anche gli autori di AutoOR. Le ore per tipo di lavoro sono stime mie, non misure.
Pianifica le prossime 2 settimane dell'agente che aggiorna gli articoli.
- Ogni settimana ha 6 ore di lavoro.
- Ore stimate: link, fix tecnici, pruning, titoli = 1 ora.
Dati da aggiornare = 2 ore. Sezioni nuove = 3 ore. Pagina di statistiche = 4 ore.
- Ogni lavoro si fa al massimo una volta.
- Una stessa URL si modifica al massimo una volta in 30 giorni.
- Massimo 2 azioni di pruning a settimana.
- Il lavoro 2026-11-19-r01 è bloccato fino al 09/12.
Obiettivo: massimizzare la somma delle priorità dei lavori pianificati.
L’agente ha scritto un modello a variabili binarie: una variabile per ogni coppia lavoro e settimana, che vale 1 se il lavoro entra in quella settimana. Questo è il cuore del codice, senza la parte che legge la coda.
m = cp_model.CpModel()
x = {(i["id"], w): m.NewBoolVar(f'{i["id"]}_{w}') for i in items for w in range(SETTIMANE)}
for i in items:
m.Add(sum(x[i["id"], w] for w in range(SETTIMANE)) <= 1) # al massimo una volta
if i["id"] in LOCK:
m.Add(sum(x[i["id"], w] for w in range(SETTIMANE)) == 0) # bloccato fino al 09/12
for w in range(SETTIMANE):
m.Add(sum(i["ore"] * x[i["id"], w] for i in items) <= BUDGET) # 6 ore a settimana
m.Add(sum(x[i["id"], w] for i in items if i["type"] == "prune") <= 2) # max 2 pruning
for u, ids in by_url.items():
if len(ids) > 1:
m.Add(sum(x[k, w] for k in ids for w in range(SETTIMANE)) <= 1) # 1 modifica per URL
m.Maximize(sum(i["priority"] * x[i["id"], w] for i in items for w in range(SETTIMANE)))
Il risultato, e dove ho sbagliato io
Ho confrontato il solver con il metodo più vicino a come lavora oggi l’Editor: prendi il lavoro più urgente, poi il successivo, finché le ore finiscono. Il metodo greedy ha messo nel piano 5 lavori per 274 punti di priorità.
Il solver ne ha messi 12 per 486 punti, in 13 millisecondi. Sulla carta un piano molto migliore.

Poi l’ho letto. Dentro c’erano solo lavori da un’ora: link interni, fix tecnici, un titolo. Nessun aggiornamento vero.
La pagina di statistiche SEO, priorità 58 e la più alta della coda, era rimasta fuori. Il solver aveva fatto esattamente quello che gli avevo chiesto. Dodici lavori piccoli valgono più punti di pochi lavori grandi.
Nessun bug nel calcolo. L’errore era nella mia definizione di «meglio». Ho aggiunto una regola: almeno un refresh a settimana.
Il solver l’ha rispettata alla lettera: in una delle due settimane il «refresh» era una correzione di titolo da un’ora. Allora l’ho scritta meglio.
for w in range(SETTIMANE): # v3: almeno un refresh da 2 ore o più, ogni settimana
m.Add(sum(x[i["id"], w] for i in items
if i["type"] in ("refresh", "stats") and i["ore"] >= 2) >= 1)
Con la terza versione il piano ha 10 lavori e 468 punti, con un aggiornamento dati vero in ognuna delle due settimane. La pagina di statistiche resta fuori anche così.
Ed è un’informazione: con 6 ore a settimana un lavoro da 4 ore costa quanto quattro fix. Se penso che valga di più, è la sua priorità a essere sbagliata, non il solver.
| Versione | Regola sull’obiettivo | Lavori nel piano | Punti di priorità | Tempo del solver |
|---|---|---|---|---|
| Greedy | Prima il più urgente, finché ci sono ore | 5 | 274 | Nessun solver |
| Solver v1 | Somma delle priorità | 12 | 486 | 13 ms |
| Solver v2 | v1 più almeno un refresh a settimana | 11 | 483 | 11 ms |
| Solver v3 | v1 più un refresh da 2 ore o più a settimana | 10 | 468 | 12 ms |
Dati: coda della redazione al 19/11/2026, test eseguito sul mio computer cloud con OR-Tools 9.15. Le ore per tipo di lavoro sono mie stime.

L’ultima prova è quella che mi ha convinto di più. Ho chiesto di forzare nella prima settimana due lavori sulla stessa pagina, la guida AEO, contro la regola dei 30 giorni. Risposta: INFEASIBLE in 1 millisecondo.
Un modello linguistico, davanti a una richiesta impossibile, può provare lo stesso a darti una risposta. Il solver ti dice di no e ti dice che è impossibile.
Cosa cambia con l’AI nella ricerca operativa?
Cambia chi scrive il modello. Prima serviva un esperto di ricerca operativa per tradurre il problema in variabili e vincoli. Ora un modello linguistico può scrivere quella traduzione in codice per il solver, e il solver garantisce che la soluzione rispetti i vincoli. L’AI porta l’accesso, il solver porta la certezza. Insieme abbassano il costo di partenza.
La divisione dei compiti è il punto. Un LLM che ragiona solo a parole su un problema di ottimizzazione sbaglia i conti appena il problema cresce. Lo stesso LLM che scrive il codice e lo passa a un solver lavora sulla parte in cui è bravo: capire il linguaggio, i nomi, le eccezioni scritte male in un documento.
| Approccio | Chi fa i calcoli | Rispetta i vincoli? | Se il problema è impossibile | Dove sbaglia |
|---|---|---|---|---|
| LLM da solo, ragionamento a parole | Il modello linguistico | Non garantito | Nessuna garanzia che lo segnali | Conti e vincoli globali, più il problema cresce |
| LLM con calcolatrice o tool | Il tool, un pezzo alla volta | Solo localmente | Nessuna garanzia che lo segnali | Perde di vista i vincoli globali (OPT-Engine) |
| LLM che formula e solver che risolve | Il solver | Sì, quelli scritti nel modello | Lo dimostra | Nella formulazione dei vincoli |
Le prime due righe vengono dai risultati di OPT-Engine, la terza è il paradigma che lo stesso paper chiama Solver-integrated Reasoning. Nella mia prova la terza riga si vede bene: il calcolo era giusto, la formulazione era mia.
Questa logica è la stessa della verifica formale del software con l’AI, di cui ho scritto il 9 novembre. Lì un proof checker controlla le prove scritte da Claude.
Qui un solver controlla le decisioni. In tutti e due i casi la macchina garantisce, e a te resta il lavoro di dire cosa vuol dire giusto.
Cosa dicono AutoOR e OPT-Engine sulla ricerca operativa con l’AI?
Sono due lavori del 2026 che guardano lo stesso problema da lati diversi. AutoOR addestra un modello piccolo a scrivere formulazioni per il solver, usando il solver stesso come giudice. OPT-Engine misura fin dove arrivano i modelli attuali quando i problemi diventano più complessi. Il primo dice che si può fare con un 8B, il secondo dove si rompe.
AutoOR: un modello da 8B che formula come i modelli frontier
AutoOR è un paper pubblicato su arXiv il 18 aprile 2026 e aggiornato il 20 agosto, firmato da ricercatori di X, The Moonshot Factory e dell’Università di Oxford. L’idea è furba. Generare un problema insieme alla sua soluzione corretta è alla portata, se parti dalla formula standard.
Il difficile è il percorso inverso, dalla descrizione al codice. Quindi creano in automatico problemi corretti per costruzione, li riscrivono in linguaggio naturale e addestrano il modello con reinforcement learning, premiandolo solo quando il codice gira sul solver e trova la soluzione giusta.

Il risultato, dalla tabella 1 del paper: partendo da Qwen3-8B, AutoOR migliora su tutti e nove i benchmark e se la gioca con Gemini 3 Pro, un modello molto più grande.
| Benchmark | Tipo di problema | Qwen3-8B | Gemini 3 Pro | AutoOR 8B |
|---|---|---|---|---|
| NL4LP | Programmazione lineare | 80,56% | 91,67% | 97,22% |
| MAMO-Easy | Programmazione lineare | 74,00% | 90,00% | 94,00% |
| NL4OPT | Programmazione lineare | 59,52% | 80,95% | 78,57% |
| IndustryOR | Programmazione intera mista | 52,38% | 76,19% | 69,05% |
| Hard-MIP | Programmazione intera mista | 64,00% | 92,00% | 94,00% |
| Pump-NLP | Non lineare, reti di pompe | 0,0% | 0,0% | 48,98% |
Fonte: AutoOR, arXiv 2604.16804v4, tabella 1, accuratezza pass@1. Ho scelto sei righe su nove.
Nota che su NL4OPT e IndustryOR Gemini 3 Pro resta davanti. Il paper parla di risultati «state-of-the-art o competitivi», non di vittoria su tutto.
Il dato che mi colpisce è l’ultima riga. Sui problemi non lineari con equazioni fisiche i modelli frontier sono a zero.
AutoOR arriva quasi al 49% grazie a un curriculum che parte da pochi esempi. Per un’azienda che ha problemi suoi, privati e pochi, questa è la parte interessante.
OPT-Engine: il collo di bottiglia sono i vincoli
OPT-Engine è un poster presentato a ICML 2026 il 9 luglio, di Yitian Chen, Cheng Cheng, Yinan Sun, Zi Ling e Dongdong Ge. Non addestra un modello. Costruisce un benchmark su dieci problemi classici di ricerca operativa, con complessità che puoi alzare a piacere, dalla programmazione lineare a quella intera mista.

Le conclusioni sono tre. Il ragionamento solo testuale perde affidabilità man mano che il problema cresce. I tool esterni aiutano con i conti ma non rispettano i vincoli globali.
Con il solver integrato, il paradigma migliore oggi, il punto debole resta la formulazione automatica dei vincoli. Codice e dati sono pubblici su GitHub.

È la stessa cosa che mi è successa con la coda. Il solver non ha sbagliato un conto. Ho sbagliato io il vincolo che descriveva il lavoro che volevo.
Dove serve la ricerca operativa con l’AI in azienda e nel marketing?
Serve ovunque ci sia una decisione che si ripete, con risorse limitate e regole chiare: piani di produzione, turni, consegne, scorte, budget pubblicitario, calendario editoriale. Prima conveniva solo alle grandi aziende con un team di analisti. Con un LLM che scrive il modello, una PMI può partire da un problema scritto in italiano e un solver open source.
Ecco come la vedo per alcuni casi tipici. Gli esempi sono di struttura, non dati reali di un cliente.
| Dove | Cosa decidi | Vincoli tipici | Obiettivo |
|---|---|---|---|
| Fabbrica | Quanti pezzi per variante, su quali macchine | Ore macchina, personale, materie prime | Massimo margine |
| Marketing | Come dividere il budget tra campagne e canali | Budget totale, minimo e massimo per canale, frequenza | Massimo di conversioni stimate |
| Redazione | Quali articoli scrivere o aggiornare e quando | Ore disponibili, 30 giorni tra due modifiche, cannibalizzazione | Massimo impatto sulla coda |
| Logistica | Percorsi e carichi dei mezzi | Finestre orarie, capacità dei mezzi | Meno chilometri |
| Servizi | Turni del personale | Contratti, riposi, competenze | Copertura con meno straordinari |
Il caso marketing è quello che conosco meglio. Se gestisci campagne su più canali, oggi decidi il budget con un foglio di calcolo e un po’ di istinto.
Con un modello scritto dall’AI puoi dire: questo è il budget, nessun canale sotto i €500, la frequenza massima è questa, massimizza le conversioni stimate. Il solver ti dà la ripartizione e ti dice quale vincolo sta tenendo basso il risultato.
Le stime delle conversioni restano tue. Se sono sbagliate, il piano è ottimo per un mondo che non esiste. Per questo parto sempre da un problema interno, come la mia coda, dove i dati li conosco.
C’è anche il software. Molti problemi da sviluppatore sono di ottimizzazione travestiti: quali test eseguire in CI con un tempo massimo, come assegnare i job alle macchine, quali feature far entrare in uno sprint. Un agente che può chiamare un solver come tool, magari esposto con un server MCP, risponde a queste domande con una garanzia invece che con un’opinione.
Come si parte con la ricerca operativa e l’AI, passo per passo?
Si parte da un problema piccolo che ripeti ogni settimana e di cui conosci bene i dati. Lo scrivi a parole, fai scrivere il modello all’AI, lo fai girare su un solver open source come OR-Tools e confronti il piano con quello che avresti fatto a mano. Ci vuole un pomeriggio.
- Scegli il problema. Una decisione ricorrente, con pochi numeri che hai già: turni, budget, calendario, coda di lavori.
- Scrivilo a parole. Tre blocchi: cosa decidi, quali regole non si violano, cosa vuoi massimizzare o minimizzare. Scrivi anche le stime che usi e da dove vengono.
- Fai scrivere il modello all’AI. Chiedi codice per un solver preciso (OR-Tools o PuLP in Python) e un commento accanto a ogni vincolo.
- Leggi i vincoli, non il codice. Controlla che ogni regola scritta a parole abbia un vincolo, e che non ce ne siano di inventati.
- Confronta con il piano fatto a mano. Se il solver fa meglio, chiediti perché. Se il piano ti sembra strano, il problema quasi sempre è nell’obiettivo.
- Prova un caso impossibile. Forza una regola contraddittoria e verifica che il solver risponda «infeasible». Ti dice che il modello sta davvero leggendo i vincoli.
- Ripeti ogni settimana. Il modello resta, cambiano i dati. È qui che il tempo risparmiato si accumula.

Questo è il prompt che uso come base. Lo puoi copiare e cambiare le parti tra parentesi quadre.
Sei un esperto di ricerca operativa. Trasforma il problema qui sotto in un modello
Python con Google OR-Tools (CP-SAT se le variabili sono intere, altrimenti GLOP).
Problema: [cosa devo decidere, su quale orizzonte di tempo]
Dati: [tabella o file con i numeri, e da dove vengono le stime]
Regole da non violare:
- [regola 1]
- [regola 2]
Obiettivo: [cosa massimizzare o minimizzare]
Requisiti:
- un commento accanto a ogni vincolo con la regola originale tra virgolette
- nessun vincolo che non sia nella lista delle regole
- stampa lo stato del solver (OPTIMAL, FEASIBLE, INFEASIBLE) e il valore dell'obiettivo
- se una regola è ambigua, fermati e chiedimi come interpretarla
L’ultima riga del prompt è quella che uso di più. Un’ambiguità chiarita prima costa meno di un piano ottimo per il problema sbagliato.
Dove si rompe la ricerca operativa con l’AI?
Si rompe in tre punti: quando l’AI scrive un vincolo sbagliato o ne dimentica uno, quando l’obiettivo non descrive quello che vuoi davvero, e quando i dati sono stime fragili. Il solver garantisce l’ottimo del modello che riceve, non quello del tuo business. Gli stessi autori di AutoOR elencano limiti precisi.
- Formulazione dei vincoli. È il collo di bottiglia misurato da OPT-Engine, anche con il solver integrato.
- Obiettivo sbagliato. Nel mio test il calcolo era corretto e il piano inutile, finché non ho riscritto cosa volevo.
- Un solo turno. AutoOR formula in un colpo solo. Il paper scrive che nella pratica il lavoro è iterativo e passa da stakeholder, validazione e taratura del solver.
- Solver specifici. AutoOR genera codice per OR-Tools e Gekko. Altri solver non sono stati valutati.
- Ricompensa grossolana. Il training premia esecuzione, ammissibilità e ottimalità. Non premia formulazioni quasi giuste e non penalizza quelle lente.
- Dati di input. Le mie ore per tipo di lavoro sono stime. Il piano è buono quanto quelle stime.
Questi limiti non mi preoccupano più di tanto, perché sono visibili. Una formulazione la puoi leggere, testare con un caso impossibile, confrontare con il piano fatto a mano. Una risposta generata a parole da un chatbot no.
Perché la ricerca operativa con l’AI è una buona notizia?
Perché abbassa il costo di partenza di uno strumento che le grandi aziende usano da decenni per togliere sprechi. Se formulare un problema non richiede più un consulente specializzato, l’ottimizzazione arriva anche dove l’AI sembrava non avere niente da fare: officine, magazzini, turni, piccole redazioni. Lo spreco diventa una scelta, non una condizione.
All’università ho studiato logica, e da allora mi porto dietro un’idea: la correttezza si può dimostrare, non solo sperare. La ricerca operativa applica la stessa idea alle decisioni.
Per anni è rimasta chiusa dietro esperti e software costosi. Adesso l’AI apre la porta e il solver tiene la qualità.
Mi aspetto tre effetti. Le aziende grandi che non hanno mai adottato l’AI per paura degli errori ci arriveranno da qui, perché il risultato è garantito e verificabile.
I forward deployed engineer, gli ingegneri che lavorano dentro l’azienda cliente, avranno un attrezzo in più: arrivano, scrivono il problema con chi lo vive e in un pomeriggio hanno un modello. E lo sviluppo software stesso si riempirà di piccoli solver chiamati dagli agenti.
I settori pieni di sprechi sono tanti: produzione, logistica, energia, sanità, pubblica amministrazione. Non so quanto spreco toglieremo.
So che finora il limite era chi sapeva scrivere il modello, e quel limite si sta spostando. Se vuoi vedere quali agenti AI usare per costruire questo tipo di flussi, parti dal mio confronto tra agenti AI.
Quali sono le domande più frequenti sulla ricerca operativa con l’AI?
Le domande che tornano più spesso sono tre: se l’AI sostituisce il solver, se basta un chatbot e quali strumenti servono. La risposta breve: l’AI non sostituisce il solver, un chatbot da solo non basta sui problemi grandi e per iniziare ti servono Python e OR-Tools.
L’intelligenza artificiale sostituisce la ricerca operativa?
No. L’AI scrive la formulazione, ma il calcolo e la garanzia arrivano dal solver, che è ricerca operativa classica. Gli studi del 2026, come AutoOR e OPT-Engine, usano l’LLM come traduttore dal linguaggio naturale al modello matematico, non al posto del solver.
ChatGPT può risolvere un problema di ottimizzazione da solo?
Su problemi piccoli spesso sì, su quelli grandi no. OPT-Engine (ICML 2026) mostra che il ragionamento solo testuale perde affidabilità con la complessità. Meglio chiedere al modello di scrivere codice per un solver e far calcolare il solver.
Quale software si usa per la ricerca operativa con l’AI?
Per iniziare bastano Python e una libreria open source come Google OR-Tools o PuLP. AutoOR genera codice OR-Tools per i problemi lineari e interi e Gekko per quelli non lineari. Il modello linguistico può essere quello che usi già.
Serve un esperto di ricerca operativa?
Per partire no, per i problemi critici sì. Un LLM scrive modelli corretti su molti casi standard, ma il punto debole resta la formulazione dei vincoli. Serve qualcuno che conosca il processo e controlli che ogni regola sia nel modello.
Conviene usare la ricerca operativa con l’AI?
Sì, se hai una decisione ricorrente con regole chiare e dati che conosci. La ricerca operativa con l’AI ti dà due cose che di solito non stanno insieme: la velocità di un modello linguistico e la garanzia di un solver. Il mio test sulla coda della redazione ha trovato un piano da 468 punti contro 274, in 12 millisecondi.
Il prezzo è uno solo. Devi dire con precisione cosa vuol dire «meglio».
La prima versione del mio obiettivo era sbagliata e il solver me l’ha restituita ottimizzata alla perfezione. Questa è la parte che resta umana, ed è quella che vale di più.
Il primo passo che ti consiglio è questo: prendi una decisione che ripeti ogni lunedì, scrivila in dieci righe e fai scrivere il modello all’AI. Se il piano che esce ti sorprende, hai trovato o uno spreco o una regola che non avevi mai scritto.
L’AI formula, il solver garantisce. A te resta la definizione di meglio, che è anche il lavoro più interessante.