Uno studio pubblicato su arXiv ha verificato come tre modelli linguistici gestiscono richieste di rimborso e risarcimento al limite, presentando loro tre casi precedenti simili. Con DeepSeek V4.1 Flash, GPT-5.6 Luna e Claude Haiku 5.5, modificare le decisioni registrate nei casi da DENY ad APPROVE ha aumentato le percentuali di approvazione di circa 30-55 punti percentuali, applicando policy elaborate per lo studio.
Ma quando DeepSeek e Luna hanno visto soltanto i fatti dei casi precedenti, i casi con elementi a sostegno dell’approvazione li hanno indotti ad approvare meno spesso rispetto a quelli con elementi a sostegno del diniego. Gli autori affermano che lo stesso andamento è emerso anche con nove policy pubbliche parafrasate da policy reali.
Perché conta
Le organizzazioni che usano l’IA per valutare rimborsi o richieste di risarcimento dovrebbero testare separatamente i fatti dei casi precedenti e gli esiti registrati, perché entrambi possono influenzare le decisioni e l’effetto può andare in direzioni diverse.
