È la domanda, il comando, la richiesta. Tutto quello che scrivi nella casella di testo quando usi ChatGPT, Claude o Gemini è un prompt. Sembra banale — è invece la competenza chiave. L’AI risponde a quello che le chiedi, non a quello che intendevi chiedere.

Un prompt vago produce una risposta vaga. Un prompt preciso, con contesto e obiettivo chiari, produce qualcosa di utile. Imparare a scrivere prompt efficaci è la differenza tra chi usa l’AI bene e chi si lamenta che “non funziona”.

Un Large Language Model è un modello addestrato su enormi quantità di testo — libri, articoli, siti web, forum — per imparare come funziona il linguaggio. Il risultato è un sistema capace di generare testo coerente, rispondere a domande, riassumere, tradurre, scrivere codice.

“Large” non è un aggettivo vago: si parla di miliardi di parametri e dati che nessun essere umano potrebbe leggere in mille vite. Le dimensioni contano perché più il modello è grande e ben addestrato, più è capace di ragionamenti complessi.

Il modello non “sa” di non sapere: inventa date, cita libri inesistenti, attribuisce citazioni sbagliate, descrive leggi che non esistono — tutto con tono autorevole e struttura perfetta.

Non è malafede. È un limite strutturale: l’AI genera il testo più probabile dato il contesto, non il testo più vero. La verifica umana non è opzionale. È parte del flusso di lavoro.

I modelli non elaborano il testo parola per parola, ma a “pezzi” chiamati token. Un token corrisponde approssimativamente a tre o quattro caratteri in italiano. “Intelligenza” è circa tre token. “AI” è uno.

Perché ti interessa? Perché i costi, i limiti di lunghezza delle conversazioni e la velocità di risposta si misurano in token. Se hai mai visto “hai superato il limite di contesto”, stavi esaurendo i token disponibili per quella sessione.

L’approccio classico all’informatica è: scrivi regole esplicite, il programma le segue. Il machine learning ribalta tutto: mostri al sistema miliardi di esempi, e lui trova i pattern da solo.

È il fondamento di quasi tutto ciò che chiamiamo AI oggi. Riconoscimento vocale, traduzione automatica, filtro antispam, raccomandazioni di Netflix — tutto machine learning. La qualità del risultato dipende dalla qualità e quantità dei dati di addestramento.

Si chiama “deep” perché i dati passano attraverso molti strati di elaborazione prima di produrre un output. Se il machine learning è il concetto generale, il deep learning è la tecnica specifica che ha prodotto la rivoluzione attuale.

È la tecnologia alla base del riconoscimento delle immagini, del linguaggio naturale, della generazione di testo e immagini. Senza il deep learning non esisterebbero i modelli che usiamo oggi.

Tutta l’AI che usiamo oggi è “ristretta” — bravissima in un dominio specifico, inutile fuori da esso. L’AGI è il salto qualitativo successivo: un sistema capace di trasferire conoscenza tra domini diversi, imparare da pochissimi esempi, ragionare in contesti completamente nuovi.

Quando arriverà — e se arriverà nella forma che immaginiamo — è il dibattito più acceso del settore. Alcune stime dicono 5 anni, altre 50, altre mai. Quello che è certo: non siamo ancora lì.

Un chatbot aspetta la tua domanda e risponde. Un agente AI riceve un obiettivo e lo persegue: naviga siti web, scrive e testa codice, invia email, prenota appuntamenti, gestisce file — senza che tu intervenga a ogni passaggio.

È la frontiera del 2026. I primi agenti affidabili stanno entrando negli strumenti di lavoro professionali. Il cambiamento non è nella qualità delle risposte: è nella natura stessa del rapporto tra umano e macchina.

I grandi modelli sono addestrati su dati generali — sanno un po’ di tutto. Il fine-tuning è il processo con cui un’azienda prende quel modello e lo specializza: lo addestra su documenti interni, su un tono di voce preciso, su procedure specifiche di settore.

È come assumere un generalista brillante e farlo lavorare per mesi solo su un progetto specifico. Il risultato parla la lingua di quell’organizzazione — più preciso nel contesto, meno utile fuori da esso.

I primi LLM lavoravano solo con il testo. I modelli multimodali superano questo limite: puoi mostrare un’immagine e fare domande su di essa, caricare un audio e riceverne una trascrizione con analisi, descrivere a parole un’immagine che vuoi generare.

GPT-4o, Gemini 1.5, Claude 3 sono tutti multimodali. È la direzione verso cui si sta muovendo tutta l’industria: modelli che percepiscono il mondo attraverso più canali contemporaneamente — come facciamo noi.

Non è un cervello artificiale. È un sistema di calcolo organizzato a strati, dove ogni strato trasforma i dati ricevuti e li passa al successivo. L’ispirazione biologica è reale ma limitata: le reti neurali artificiali sono molto più semplici dei neuroni veri, e funzionano in modo completamente diverso.

Sono la tecnologia di base dietro quasi tutto ciò che oggi chiamiamo AI. Quando senti “rete neurale” puoi tradurre con “il sistema sottostante che elabora i dati”.

Ogni modello ha un limite alla quantità di testo che può elaborare in una singola sessione — la finestra di contesto, misurata in token. Tutto quello che sta dentro la finestra è “visibile” al modello. Tutto quello che è fuori, non esiste.

È per questo che in conversazioni molto lunghe l’AI sembra dimenticare quello che hai detto all’inizio. Non è un bug, è un limite fisico del sistema. I modelli più recenti hanno finestre molto più ampie: da 8.000 token di qualche anno fa agli oltre 1 milione dei modelli attuali.

Non è programmazione. Non richiede codice. È la capacità di comunicare con precisione a un sistema che risponde letteralmente a quello che scrivi — non a quello che intendi.

Un buon prompt ha contesto (chi sei, cosa stai facendo), obiettivo chiaro (cosa vuoi ottenere), formato (come vuoi la risposta). La differenza tra un prompt generico e uno costruito bene non è tecnica — è la differenza tra un risultato da buttare e uno da usare.

È il meccanismo che permette a un’applicazione di usare le capacità di un’altra senza dover sapere come funziona internamente. Quando un’app ti mostra previsioni meteo, le sta prendendo da qualche altra parte via API. Quando uno strumento di terze parti usa GPT o Claude, lo fa via API.

Per te, come utente, è invisibile — ma è il motivo per cui l’AI è entrata in migliaia di prodotti diversi in pochissimo tempo.

In AI il concetto è più sfumato che in informatica classica: alcuni modelli rilasciano solo il codice, altri anche i pesi appresi durante l’addestramento, altri ancora con licenze che limitano l’uso commerciale. I modelli open source più noti sono la famiglia Llama di Meta.

Il vantaggio: puoi usarli senza royalty, modificarli, farli girare sul tuo hardware. Lo svantaggio: richiedono competenze tecniche e infrastruttura propria. Per chi gestisce dati sensibili, possono essere la scelta giusta.

Un LLM sa solo quello che ha imparato durante l’addestramento. Il RAG risolve questo limite: invece di rispondere solo dalla memoria, il modello cerca prima nelle fonti che gli indichi — documenti aziendali, database, siti web — e costruisce la risposta usando quei contenuti come base.

Il risultato è un’AI che risponde con i tuoi dati, aggiornati, verificabili. È la tecnologia alla base dei chatbot aziendali intelligenti — quelli che rispondono sui tuoi contratti, sui tuoi prodotti, sulle tue procedure.

GPT-4, Claude, Gemini, Llama sono foundation model. Nessuno li usa direttamente “di fabbrica” — vengono adattati, specializzati, integrati in prodotti. Il foundation model è la materia prima; l’applicazione finale è il prodotto finito.

L’idea è la stessa di un laureato con ottima formazione generale: non è ancora esperto di niente in particolare, ma ha le basi per diventarlo rapidamente in qualunque direzione.

Valori bassi (vicini a 0): risposte più coerenti e conservative. Ideale per analisi, codice, risposte tecniche dove l’accuratezza conta.

Valori alti (vicini a 1 o oltre): risposte più varie e meno scontate. Ideale per brainstorming, copywriting, generazione di idee dove la varietà è un valore.

La maggior parte delle interfacce non mostra questo parametro — è già impostato di default. Ma se stai usando l’API o tool avanzati, la temperatura è il primo parametro su cui mettere le mani.

Ogni volta che un’azienda lancia un modello dichiarando “supera GPT-4 su X”, X è un benchmark — una serie di domande, problemi o compiti su cui il modello viene valutato in modo riproducibile. I più noti: MMLU (conoscenza generale), HumanEval (codice), HellaSwag (ragionamento).

Il problema: un modello può essere addestrato per fare bene su certi benchmark senza essere davvero più capace. I numeri vanno letti con spirito critico — il benchmark dice cosa sa fare il modello in quel test specifico, non quanto sarà utile nel tuo lavoro.

I modelli sono addestrati a rifiutare richieste dannose. Il jailbreak è il tentativo di bypassare questi filtri attraverso formulazioni progettate per aggirare i meccanismi di sicurezza del modello.

Non è un fenomeno marginale: è una corsa continua tra chi trova nuove tecniche di bypass e chi costruisce modelli più robusti. Per chi usa AI in contesti aziendali, capire che questi limiti esistono — e che possono essere aggirati — è informazione rilevante.

Prima dei Transformer, i modelli lavoravano il testo in sequenza — una parola alla volta. I Transformer hanno introdotto il meccanismo dell’attenzione: il modello può “guardare” tutte le parti del testo contemporaneamente e capire quali relazioni contano, anche a distanza.

Il risultato: capacità di gestire contesti molto più lunghi, cogliere sfumature, scalare su quantità enormi di dati. Il paper originale si chiama “Attention is all you need”. La “T” di GPT sta proprio per Transformer.

Addestrare un modello su grandi quantità di testo produce qualcosa di potente ma grezzo. L’RLHF è il passaggio successivo: valutatori umani classificano le risposte del modello, e il sistema impara quali approcci le persone preferiscono.

È il processo che ha trasformato GPT-3 — potente ma scomodo — in ChatGPT. E che ha reso i modelli più cauti su certi argomenti. Non è neutro: i valori di chi fa la valutazione entrano nel modello. È una scelta, non un dato di fatto.

Non è una novità — i navigatori satellitari usavano TTS vent’anni fa. La novità è la qualità: i modelli attuali producono voci difficili da distinguere da quelle umane, con intonazione, ritmo e naturalezza che fino a poco tempo fa erano impossibili.

ElevenLabs, la voce di ChatGPT, le voci di Gemini — tutto TTS avanzato. Le implicazioni vanno in due direzioni: strumenti potenti per chi crea contenuti audio, e nuovi rischi per chi deve verificare l’autenticità di registrazioni vocali.

Approvato dall’Unione Europea nel 2024, entrato in vigore progressivamente. Classifica i sistemi AI per livello di rischio: inaccettabile (vietati), alto rischio (regolamentati, con obblighi di documentazione e supervisione umana), limitato e minimo (quasi nessuna restrizione).

Non è burocrazia astratta — è il quadro legale dentro cui le aziende italiane operano già adesso. Ignorarlo non è un’opzione.

La maggior parte dell’AI che usiamo è cloud-based: scrivi un prompt, va su server di OpenAI o Anthropic, torna la risposta. Con un modello locale il processo avviene interamente sul tuo hardware — nessun dato esce, nessuna connessione necessaria.

I vantaggi: privacy totale, nessun costo per chiamata API, funziona offline. Gli svantaggi: richiede hardware potente, i modelli locali sono generalmente meno capaci dei grandi modelli cloud. Strumenti come Ollama e LM Studio hanno reso questa opzione accessibile anche a chi non è sviluppatore. Per chi gestisce dati sensibili, è un’alternativa da conoscere.