LLM e sicurezza sul lavoro: generalizzazione cross-settore, retrieval affidabile e predizione certificata senza ritraining

Ogni anno in Italia si registrano oltre 600.000 infortuni sul lavoro denunciati all'INAIL. Dietro ogni numero c'è una narrazione testuale — il resoconto di cosa è successo, in quali condizioni, con quali conseguenze — che contiene informazioni preziose per la prevenzione. Ma queste narrazioni arrivano in formati, terminologie e stili di scrittura radicalmente diversi a seconda del settore, dell'azienda, persino del compilatore. Per decenni, strutturare automaticamente questo patrimonio informativo è rimasto un miraggio: i sistemi di codifica automatica addestrati su un dominio (ad esempio l'edilizia) collassavano quando confrontati con la metallurgia o la chimica. Oggi, una ricerca pubblicata su arXiv cambia le carte in tavola: i classificatori di ruolo nel processo d'incidente, sviluppati esclusivamente su 42.244 unità fattuali estratte da 6.040 narrazioni del settore edile, raggiungono accuratezze bilanciate tra l'85,6% e l'85,8% su corpora inediti di metallurgia e chimica-plastica, senza alcun ritraining o adattamento al dominio target (Cross-sector generalization of accident-process role classification in occupational accident narratives). È una dimostrazione concreta di transfer learning cross-settore che apre scenari inediti per la sicurezza industriale, la compliance normativa e l'adozione enterprise di LLM in contesti ad alto rischio.

Il risultato non è un caso isolato. Arriva in un momento in cui la ricerca sui LLM sta spostando l'attenzione dalle prestazioni su benchmark statici alla affidabilità operativa in produzione: quanto un modello sa generalizzare fuori distribuzione, quando sa astenersi dal rispondere, e come certificare che la sua predizione sia affidabile per un determinato sottogruppo di utenti o casi d'uso. Tre lavori recenti — sulla generalizzazione cross-settore per narrazioni d'incidente, sulla prevedibilità dei fallimenti nel retrieval multi-hop, e sulla certificazione della predizione selettiva — disegnano insieme l'architettura di un deployment enterprise che non si accontenta di "funzionare in media", ma richiede garanzie per ogni unità di reporting, ogni settore, ogni scenario critico.

La generalizzazione cross-settore: dal cantiere all'impianto chimico senza ritraining

Lo studio sulle narrazioni d'incidente professionale affronta il problema alla radice: la variabilità terminologica e stilistica tra settori. I ricercatori hanno costruito un corpus esperto in cui ogni unità fattuale è classificata in quattro ruoli: situazione di lavoro (A0), condizione sfavorevole esplicitata (A1), evento d'incidente o deviazione (B), conseguenza riportata (C). La sfida: addestrare i classificatori solo sul settore edile (42.244 unità, 6.040 narrazioni) e valutarli zero-shot su metallurgia e chimica-plastica, più un corpus aziendale indipendente.

Il confronto tra rappresentazioni pre-addestrate "congelate" e strategie di adattamento task-specific (fine-tuning e representation learning supervisionato) è netto: l'adattamento task-specific migliora costantemente il transfer cross-dominio rispetto alle rappresentazioni frozen. Le tre migliori strategie task-adapted raggiungono accuratezze bilanciate medie tra 85,6% e 85,8% su tutti e tre i corpora target, con varianza minima tra esecuzioni di training ripetute (Cross-sector generalization of accident-process role classification in occupational accident narratives).

Cosa significa per un'azienda italiana che opera in più settori — o per un ente di vigilanza come INAIL o ASL? Significa che un sistema di assisted coding per l'analisi massiva degli infortuni non va riaddestrato da zero per ogni comparto. La conoscenza dei ruoli processuali (situazione, condizione, evento, conseguenza) si trasferisce perché la struttura profonda del racconto d'incidente è invariante rispetto al lessico di superficie: un "lavoratore scivola su olio idraulico" in officina e un "operatore inciampa su cavo scoperto" in cantiere condividono la stessa grammatica causale. Il fine-tuning task-specific, non il pre-training generico, è la chiave che sblocca questa invarianza.

L'affidabilità del retrieval: quando il modello sa di non sapere

Ma generalizzare la classificazione non basta. In un sistema RAG (Retrieval-Augmented Generation) che deve rispondere a query complesse su normative, procedure, storico infortuni, il retrieval multi-hop — saltare tra documenti per comporre la risposta — è il tallone d'Achille. Un paper recente dimostra che i fallimenti del retrieval multi-hop non sono uniformi: si concentrano in sottopopolazioni strutturalmente prevedibili (Predictable Failure in Multi-Hop Retrieval: Score-Distributional Confidence Scoring and Abstention).

Due risultati teorici inchiodano il fenomeno. Primo (CWAR Reducibility): la riduzione del confident-wrong-answer rate è possibile se e solo se le feature di retrieval portano informazione mutua sul successo — condizione soddisfatta dalle pipeline con LLM-as-judge, ma sostanzialmente più debole nei soli dense retriever. Secondo (Feature Regime Complementarity): nessuna singola feature ANN (Approximate Nearest Neighbor) domina in tutti i regimi di fallimento; la feature dominante cambia per dataset (lunghezza query su MuSiQue, concentrazione hop-1 su HoVer), e ciascuna è necessaria in un regime e non contributiva nell'altro.

Da questi principi nasce RegimeAbstain: un Retrieval Confidence Score (RCS) calcolato come funzione logistica di fino a nove feature strutturali query-ANN — tutte disponibili senza alcuna chiamata LLM aggiuntiva — che implementa una policy di astensione calibrata. Valutato su tre benchmark multi-hop (MuSiQue, 2WikiMultiHopQA, HoVer) e due architetture retrieval (LLM-judge e dense-only), coprendo cinque regimi di fallimento con CWAR dal 14,5% al 62,1%, RCS ottiene best o co-best AUC-AC in tutte e cinque le condizioni contro otto baseline di confidenza. Su MuSiQue (LLM-judge), RCS riduce CWAR dal 39,5% al 20,6% al 50% di copertura (riduzione relativa 47,8%), con ECE=0,035. Crucialmente, un modello addestrato su MuSiQue trasferisce a 2WikiMultiHopQA con soli -0,5pp di perdita AUC, confermando la struttura domain-agnostica delle feature di regime (Predictable Failure in Multi-Hop Retrieval: Score-Distributional Confidence Scoring and Abstention).

Per un deployment enterprise italiano, questo cambia l'economia del rischio: non serve un LLM judge costoso per sapere se il retrieval è affidabile. Le feature strutturali del grafo di retrieval — lunghezza, concentrazione, dispersione degli score — bastano per decidere prima di generare se il contesto recuperato è sufficiente o se il sistema deve astenersi, richiedere chiarimenti, o escalare a un operatore umano. È la differenza tra un chatbot che "ci prova" e un sistema decisionale che certifica i propri limiti.

La certificazione della predizione selettiva: guardrails per ogni unità di reporting

L'astensione calibrata è il primo passo. Il secondo è la certificazione formale che, per ogni unità di reporting di interesse — un tool chiamato dall'agente, una policy label, un sottogruppo di pazienti, un reparto produttivo — la precisione del predittore superi una soglia target con garanzia statistica. È il problema affrontato da Available Guardrails: rendere calcolabile la nozione di disponibilità di un certificato (Available Guardrails: Certifying Selective Prediction across ML Systems).

La difficoltà non è la validità del certificato, ma la finita disponibilità di dati di calibrazione per ogni unità. Man mano che il gate si fa più sicuro o più granulare, alcune unità ricevono troppo poca evidenza per certificare. Gli autori formalizzano questo tramite inversione binomiale esatta e formulano la selezione della partizione di reporting, sotto ordine fisso dei gruppi, come un programma dinamico che espone il trade-off tra sicurezza, granularità e traffico servito.

La frontiera risultante rivela un'opportunità di popolazione che la stima su campione finito quasi cancella: un planner "truth-informed" guadagna 0,157 di copertura media rispetto al support balancing, mentre un estimatore naive ne recupera solo 0,005. Costruire candidate partition su uno split di planning e selezionarle su un altro recupera parte del gap, migliorando la copertura media di 0,060, con direzione riprodotta in 59 su 60 effetti di modello su tre dataset di intent-routing e due architetture. Una leva complementare — riallocare il budget di errore familywise tra unità di reporting — recupera copertura addizionale sia con quantità di popolazione che con stime rumorose. La stessa frontiera ricorre, con limiti specifici per predittore, in LLM tool-calling, content moderation, lesion classification, e recommendation (Available Guardrails: Certifying Selective Prediction across ML Systems).

Tradotto in italiano: se la vostra azienda usa un agente LLM che chiama tool (API interne, database sicurezza, sistemi ERP), non potete permettervi che il tool-calling fallisca silenziosamente per certi reparti o certi tipi di richiesta. La certificazione per unità di reporting vi dice esattamente dove il sistema è deployabile con garanzie e dove serve raccogliere più dati di calibrazione, cambiare la granularità del gate, o riallocare il budget di errore. È pianificazione della capacità di deployment, non speranza.

Implicazioni per le imprese italiane: compliance, risk management, efficienza

L'insieme di questi tre lavori — generalizzazione cross-settore zero-shot per narrazioni d'incidente, confidence scoring domain-agnostico per retrieval multi-hop, certificazione per unità di reporting per predizione selettiva — disegna una roadmap concreta per l'adozione LLM in contesti regolati italiani.

Per la sicurezza sul lavoro (D.Lgs. 81/08 e s.m.i.): un sistema che struttura automaticamente le narrazioni d'incidente tra edilizia, metalmeccanica, chimica, logistica, sanità — senza ritraining per settore — abilita analisi di near-miss, trend analysis, e reportistica INAIL/ASL su scala nazionale con coerenza semantica. Il fine-tuning task-specific su un settore "pilota" (es. edile, dove i dati sono abbondanti e la normativa spinge alla digitalizzazione) diventa asset riutilizzabile.

Per il risk management e l'audit interno: il Retrieval Confidence Score (RCS) senza chiamata LLM aggiuntiva permette di instrumentare ogni query RAG con un flag di affidabilità. Query su procedure di emergenza, schede di sicurezza, check-list manutenzione: se RCS scende sotto soglia, il sistema astiene e allerta il responsabile. Zero "hallucination" su procedure critiche.

Per la governance AI (AI Act, ISO 42001): la certificazione per unità di reporting (tool, policy label, reparto, tipologia rischio) fornisce l'evidenza documentale che il deployment rispetta i requisiti di accuracy, robustness, human oversight per ogni classe di rischio. Non "il modello ha accuracy 92%", ma "per tool X su reparto Y, precisione certificata > 95% con confidenza 99% dato N campioni di calibrazione".

Per l'efficienza operativa: la frontiera disponibilità-sicurezza-granularità dice quanta automazione potete permettervi oggi con i dati che avete, e quanta ne sbloccate raccogliendo calibrazione mirata sui sottogruppi critici. È budgeting del rischio AI, non indovinello.

L'Italia ha un patrimonio unico di dati narrativi sulla sicurezza (archivi INAIL, verbali ASL, report aziendali, near-miss reporting volontario). La generalizzazione cross-settore dimostrata su narrazioni francesi — stesso impianto normativo EU, stessa struttura causale degli infortuni — suggerisce che un Italian Occupational Narrative Benchmark addestrato su dati edili INAIL potrebbe generalizzare a metalmeccanica, chimica, logistica, sanità pubblica. Chi possiede i dati e la competenza di dominio per fare quel fine-tuning task-specific possiede l'infrastruttura cognitiva per la prossima generazione di safety intelligence.

Non è fantascienza. È transfer learning che funziona adesso, retrieval che sa quando tacere adesso, predizione che si certifica adesso. La domanda per le imprese italiane non è "se" ma "quando" integrare queste garanzie nel proprio stack AI — e chi ci arriva prima scrive le regole del mercato.