Databricks ha sviluppato Adaptive Instructed-Retriever, un nuovo modello di retrieval progettato per stabilire in modo dinamico quanti passaggi di ricerca siano necessari prima di produrre una risposta. Il sistema nasce dall’evoluzione di Instructed Retriever, architettura introdotta a gennaio e pensata inizialmente per lavorare all’interno di workspace curati, nei quali team e sviluppatori definivano un insieme relativamente ristretto di documenti e tabelle da interrogare. Con Adaptive Instructed-Retriever, Databricks estende invece lo stesso approccio a interi workspace aziendali, dove il numero di fonti disponibili può essere molto più ampio e le domande possono richiedere percorsi di ricerca differenti. Il modello decide quindi in anticipo quanto approfondire una richiesta e adatta il proprio comportamento in funzione della complessità della domanda, anziché applicare sempre lo stesso numero di chiamate al sistema di retrieval.
L’obiettivo è superare uno dei limiti tipici dei sistemi agentici di ricerca, nei quali un processo troppo breve rischia di non recuperare tutte le informazioni necessarie, mentre un numero fisso di passaggi introduce latenza inutile anche per le richieste semplici. Databricks distingue il nuovo metodo da un tradizionale query plan di database, che esegue una sequenza di operazioni deterministica e definita in anticipo. Adaptive Instructed-Retriever mantiene l’obiettivo di ridurre il tempo di esecuzione, ma utilizza un flusso non deterministico: a seconda della domanda, l’agente può seguire percorsi diversi, con un numero variabile di ricerche e riformulazioni. Questo comportamento è particolarmente importante per le cosiddette domande multi-hop, nelle quali la risposta non è presente direttamente in un singolo documento ma deve essere costruita recuperando una prima informazione, utilizzandola come indizio e avviando successivamente una nuova ricerca su altre fonti.
L’architettura utilizza due modalità di retrieval complementari. Nella modalità definita parallel thinking, il sistema produce contemporaneamente più riscritture della stessa query e le invia attraverso thread separati, aggregando poi i risultati a livello dell’agente. Il sequential thinking viene invece utilizzato quando il primo insieme di documenti recuperati contiene informazioni utili ma non sufficienti per rispondere: il modello utilizza gli elementi individuati per formulare una nuova interrogazione e ripete il processo fino a un limite massimo di passaggi. La scelta di quando continuare e quando interrompere la ricerca viene appresa durante il training anziché essere codificata attraverso una regola fissa.
Per addestrare questa capacità Databricks ha utilizzato reinforcement learning online con una tecnica chiamata CISPO, acronimo di Clipped Importance Sampling Policy Optimization. Il sistema riceve una ricompensa quando individua i documenti corretti, ma contemporaneamente viene applicata una penalizzazione per ogni ulteriore step di ricerca. In questo modo il training cerca di bilanciare due obiettivi contrapposti: aumentare il numero di passaggi quando sono effettivamente necessari per raggiungere la risposta corretta e ridurli quando la stessa qualità può essere ottenuta con meno operazioni. Modificando l’intensità della step penalty, i ricercatori hanno prodotto una famiglia di checkpoint collocati in punti differenti della curva tra qualità della risposta e latenza, anziché un singolo modello con un comportamento fisso.
Nei benchmark interni di Databricks, Adaptive Instructed-Retriever ha raggiunto una qualità delle risposte paragonabile a quella di Claude Sonnet 5, GPT-5.6 Luna e DeepSeek-V4-Flash, completando però le attività in un tempo medio di 5,8 secondi, indicato come più di due volte inferiore rispetto ai modelli confrontati. Secondo i risultati diffusi dall’azienda, tutti i checkpoint ottenuti modificando la penalizzazione degli step superano i tre modelli general-purpose lungo l’intero intervallo di budget di retrieval testato. Si tratta comunque di misurazioni condotte direttamente da Databricks e non ancora verificate in modo indipendente.
Uno degli esempi utilizzati nel benchmark riguardava una domanda relativa all’account di un cliente che richiedeva una ricerca in due passaggi. Adaptive Instructed-Retriever ha seguito un percorso equivalente a quello utilizzato da Claude Sonnet 5 ma ha ottenuto un recall superiore del 50%. In un secondo confronto, ai modelli è stato chiesto di determinare se un’azienda avesse riportato costi di ristrutturazione all’interno di una specifica voce del conto economico. Adaptive Instructed-Retriever, Claude Sonnet 5 e GPT-5.6 Luna hanno raggiunto tutti un recall perfetto, ma il sistema di Databricks ha impiegato due step di ricerca, uno in meno rispetto a Claude e due in meno rispetto a GPT-5.6 Luna. Quest’ultimo aveva effettuato anche ricerche su formulazioni speculative relative all’eventuale assenza di quei costi prima di arrivare alla conferma finale.
Databricks presenta questi risultati come indicazione del fatto che, per attività ristrette e chiaramente definite come il retrieval aziendale, un modello specializzato di dimensioni inferiori può raggiungere livelli di accuratezza comparabili a quelli di modelli general-purpose di frontiera utilizzando meno passaggi e una quantità inferiore di tempo di esecuzione. Il vantaggio non deriva quindi soltanto dalla velocità assoluta del modello, ma dalla capacità di evitare ricerche che non aggiungono informazioni utili alla risposta. La componente centrale del sistema è proprio l’apprendimento del momento in cui la ricerca può essere interrotta senza compromettere il recall.
La riduzione della latenza non risolve però i problemi legati alla qualità del contesto aziendale disponibile. Un sondaggio VB Pulse condotto nel luglio 2026 su 101 imprese qualificate ha rilevato che il 68% aveva ricondotto almeno una risposta AI formulata con sicurezza ma errata alla presenza di informazioni aziendali mancanti o incoerenti nei sei mesi precedenti, rispetto al 57% rilevato a giugno. Il retrieval documentale rimane la modalità principale con cui le aziende forniscono contesto agli agenti AI per il 31% degli intervistati. Anche con un sistema capace di trovare le informazioni in meno passaggi, quindi, la correttezza della risposta continua a dipendere dalla disponibilità di dati coerenti, ben definiti e accessibili all’agente.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)