Intelligenza artificiale

Glossario dell’intelligenza artificiale: dieci parole spiegate a un imprenditore

Modello linguistico, prompt, token, allucinazioni, RAG, agenti, fine-tuning: i termini dell’intelligenza artificiale spiegati con esempi aziendali e le domande da fare ai fornitori.

Luca Bartolini 20 ottobre 2026 7 min di lettura

Glossario dell’intelligenza artificiale: dieci parole spiegate a un imprenditore

Per valutare un progetto di intelligenza artificiale non serve conoscere la matematica dei modelli: servono una decina di parole usate con precisione. Modello linguistico, token, finestra di contesto, prompt, allucinazioni, dati di addestramento, modelli aperti e chiusi, RAG, fine-tuning e agenti corrispondono ciascuna a una scelta concreta su costi, affidabilità, riservatezza dei dati e controllo.

Che cosa c’è dietro un assistente di intelligenza artificiale?

Modello linguistico

Un modello linguistico (in inglese large language model, LLM) è un sistema addestrato su enormi quantità di testo a prevedere il frammento di testo successivo: per questo sa scrivere, riassumere, tradurre e rispondere. ChatGPT, Claude e Gemini si basano su modelli di questo tipo, che l’AI Act fa rientrare tra i «modelli di IA per finalità generali».

La conseguenza pratica è una: il modello produce testo plausibile, non consulta un archivio di verità. Scrive bene una lettera di sollecito; non sa, da solo, quanto deve il cliente.

Token

Il token è l’unità con cui il modello legge e scrive: una parola intera, una sua parte o un segno di punteggiatura. Secondo la documentazione di OpenAI, in inglese un token corrisponde in media a circa quattro caratteri, cioè a tre quarti di parola; in altre lingue il rapporto cambia.

I servizi via API si pagano a token, in entrata e in uscita, e i limiti dei modelli si misurano in token. Un sistema che riassume ogni giorno i contratti in arrivo costa in proporzione alla loro lunghezza, non al numero di utenti: un preventivo serio stima i volumi, non solo il canone.

Finestra di contesto

La finestra di contesto è la quantità di testo che il modello può considerare in una singola richiesta: istruzioni, documenti allegati, conversazione precedente e risposta. Anthropic la descrive come una «memoria di lavoro», distinta dai dati di addestramento, e per i propri modelli indica finestre fino a un milione di token, a seconda del modello.

Una finestra ampia non garantisce risposte migliori: la stessa documentazione avverte che, al crescere dei token, accuratezza e capacità di richiamo peggiorano. Per interrogare un manuale qualità, spesso rende di più passare al modello le sezioni pertinenti che caricarlo per intero.

Come si lavora con un modello e dove sbaglia?

Prompt

Il prompt è l’insieme di istruzioni e materiali forniti al modello. Secondo la documentazione di OpenAI le prime leve sono istruzioni chiare ed esempi di risultato corretto, e il lavoro sul prompt può bastare da solo a ottenere ottimi risultati.

«Scrivi una risposta al cliente» produce un testo generico; «rispondi in tono cortese, conferma la sostituzione del pezzo alle condizioni di garanzia allegate, non indicare date di consegna» ne produce uno utilizzabile. Ed è un tema di riservatezza: ciò che si inserisce nel prompt arriva al fornitore del servizio.

Allucinazioni

Si parla di allucinazioni quando il modello produce affermazioni plausibili ma false, con la stessa sicurezza di quelle corrette. In una ricerca del settembre 2025 OpenAI ne attribuisce la persistenza anche ai metodi di valutazione, che premiano chi tira a indovinare più di chi ammette di non sapere.

Un caso italiano: con l’ordinanza del 14 marzo 2025 la sezione imprese del Tribunale di Firenze ha esaminato un atto che citava sentenze della Cassazione inesistenti o dal contenuto diverso, frutto, secondo il difensore, di una ricerca con ChatGPT svolta da una collaboratrice dello studio a sua insaputa. La condanna per lite temeraria è stata esclusa, ma la lezione vale per ogni ufficio: cifre, norme e citazioni prodotte da un modello si verificano sulla fonte.

Dati di addestramento

Sono i contenuti su cui il modello ha imparato: determinano che cosa «sa», in quali lingue rende meglio e fino a quale data arrivano le sue conoscenze. Con le regole dell’AI Act sui modelli per finalità generali, in applicazione dal 2 agosto 2025, i fornitori devono pubblicarne una sintesi secondo un modello predisposto dalla Commissione europea.

Per un’impresa conta anche se i propri dati finiscono nell’addestramento. OpenAI, per esempio, dichiara di non usare quelli dei piani aziendali e dell’API salvo adesione esplicita, mentre può usare quelli dei servizi per privati se l’utente non lo esclude nelle impostazioni.

Modelli aperti e chiusi

Un modello chiuso si usa solo tramite il servizio del fornitore, via app o API. Un modello «a pesi aperti» (open weights) rende disponibili i parametri, eseguibili su server propri o di un fornitore scelto: nell’agosto 2025 anche OpenAI ne ha pubblicati due, con licenza Apache 2.0.

Aperto non vuol dire open source: per la definizione pubblicata dalla Open Source Initiative nell’ottobre 2024 servono anche il codice e informazioni sui dati di addestramento sufficienti a costruire un sistema sostanzialmente equivalente. Un modello eseguito in casa tiene i documenti nel perimetro aziendale, ma sposta sull’impresa infrastruttura, aggiornamenti e sicurezza; un servizio chiuso è più semplice da adottare, ma lega a contratti e scelte del fornitore.

Come si collega il modello ai dati dell’azienda?

RAG

RAG sta per retrieval-augmented generation, generazione aumentata dal recupero: prima di rispondere, il sistema cerca i documenti pertinenti in un archivio e li passa al modello, così che la risposta si basi su quelle fonti e possa citarle. Descritta in un articolo scientifico del 2020, è tra le tecniche su cui Google dichiara di fondare AI Overviews e AI Mode.

Esempio: un assistente per l’ufficio tecnico che recupera la scheda prodotto in vigore invece di «ricordarla». Funziona quanto l’archivio: con tre versioni dello stesso listino, il sistema ne troverà una, non necessariamente quella giusta.

Fine-tuning

Il fine-tuning modifica il modello allenandolo su esempi di richieste e risposte corrette. La documentazione di OpenAI lo indica per classificazioni, traduzioni ricche di sfumature e contenuti in un formato specifico, e raccomanda di investirvi solo dopo aver predisposto test di valutazione affidabili. La stessa OpenAI, peraltro, ha avviato la dismissione della propria piattaforma di fine-tuning, chiusa ai nuovi utenti.

In pratica, per conoscenze che cambiano spesso, come listini e procedure, è più adatta la RAG, perché basta aggiornare l’archivio; il fine-tuning insegna un comportamento ripetitivo. A chi propone di «addestrare l’IA sui vostri dati» conviene chiedere quale delle due cose intende.

Quando l’intelligenza artificiale passa dalle risposte alle azioni?

Agenti

Un agente è un sistema in cui il modello decide quali passaggi compiere e quali strumenti usare per raggiungere un obiettivo: leggere una email, interrogare il gestionale, aprire una pratica. Anthropic lo distingue dal workflow, in cui i percorsi sono definiti nel codice, e consiglia la soluzione più semplice possibile, perché l’autonomia porta costi più alti e il rischio che gli errori si sommino.

Smistare le richieste secondo regole note è un workflow; gestire un reclamo consultando ordini, spedizioni e contratti può richiedere un agente. In entrambi i casi le azioni irreversibili restano soggette ad approvazione umana. OWASP segnala inoltre il rischio di prompt injection: istruzioni nascoste in una email o in una pagina web letta dal sistema possono alterarne il comportamento.

In sintesi

Il modello linguistico genera testo plausibile: scrive bene, ma non conosce da solo i fatti dell’azienda.
Token e finestra di contesto determinano costi e limiti; più contesto non significa risposte migliori.
Le allucinazioni sono un limite strutturale: cifre, norme e citazioni vanno verificate sulla fonte.
La RAG collega il modello a documenti aggiornati; il fine-tuning insegna un comportamento.
Gli agenti agiscono sui sistemi: permessi limitati e approvazione umana sulle azioni irreversibili.

Domande frequenti

Qual è la differenza tra RAG e fine-tuning?

La RAG fornisce al modello, a ogni domanda, i documenti pertinenti di un archivio, senza modificarlo; il fine-tuning modifica il modello allenandolo su esempi. La prima serve per conoscenze che cambiano, il secondo per comportamenti ripetitivi come classificazioni e formati.

Le allucinazioni si possono eliminare del tutto?

No. Secondo la ricerca di OpenAI l’accuratezza non raggiungerà mai il 100%, perché alcune domande non hanno una risposta determinabile. Si riducono con fonti controllate, con modelli che possono dichiarare incertezza e con la verifica umana delle informazioni critiche.

Un modello aperto è sempre più sicuro per i dati aziendali?

Non necessariamente. Su un’infrastruttura controllata evita di inviare documenti a terzi, ma la sicurezza dipende da come è gestita. Va confrontato con le garanzie contrattuali di un servizio chiuso in versione aziendale.

Una finestra di contesto di un milione di token significa che il modello impara dai documenti caricati?

No. Indica quanto testo il modello può considerare in una singola richiesta, risposta compresa: i documenti non lo modificano, e in un contesto molto lungo non tutto viene usato con la stessa precisione.

Queste parole tornano in ogni decisione: quale strumento adottare, quali dati collegare, quali azioni lasciare a un sistema automatico. È il lavoro di impostazione dei progetti di intelligenza artificiale per le imprese; per rendere documenti e decisioni aziendali consultabili con fonti e permessi corretti, il riferimento è il Company Brain.