Indice
- I sei termini in un colpo d’occhio
- Modello linguistico (LLM, Large Language Model)
- RAG (Retrieval-Augmented Generation)
- Agenti IA (IA agentica)
- MCP (Model Context Protocol)
- Fine-Tuning (Ri-addestramento di un modello)
- Allucinazione
- Cosa si adatta a quale esigenza?
- Cinque domande a ogni offerta di IA
- Cosa ne consegue
Chi confronta le offerte di IA trova in tre proposte tre parole per la stessa cosa — e la stessa parola per tre cose diverse. Non si tratta di cattiva volontà, il mercato è più giovane del suo vocabolario. Tuttavia, sei termini bastano per classificare la maggior parte di ciò che viene offerto oggi. Chi li distingue può ridurre ogni offerta a tre domande: Da dove proviene la conoscenza, chi prende la decisione e chi verifica il risultato?
I sei termini in un colpo d’occhio
| Termine | Di cosa si occupa | Di cosa non si occupa |
|---|---|---|
| Modello linguistico (LLM) | Comprendere e generare linguaggio | Non conosce la sua azienda |
| RAG | Recuperare la sua conoscenza per la domanda | Non modifica né lo stile né il comportamento |
| Agente IA | Eseguire passaggi, scrivere indietro i risultati | Non sostituisce un’approvazione |
| MCP | Collegare i sistemi in modo uniforme | Non è esso stesso un’IA |
| Fine-Tuning | Plasmare linguaggio specialistico, formato e tono | Non porta conoscenza aggiornata al giorno |
| Allucinazione | La modalità di errore con cui si fa i conti | Non è un caso marginale che viene programmato via |
Modello linguistico (LLM, Large Language Model)
Un programma che ha imparato da grandi quantità di testo a elaborare e generare linguaggio. Padroneggia la conoscenza generale e i modelli linguistici — non conosce la sua lista prezzi, i suoi processi e la sua storia clienti. Tutto ciò che dovrebbe sapere sulla sua azienda deve essere fornito in modo controllato durante l’esecuzione.
In pratica questo significa: la scelta del modello raramente è la decisione più importante di un progetto di IA. Il modello è la parte sostituibile — il collegamento ai suoi dati e il controllo su di esso non lo sono. Un’offerta in cui il nome del modello gioca il ruolo principale parla del palcoscenico secondario.
RAG (Retrieval-Augmented Generation)
Il metodo con cui un modello linguistico sa comunque qualcosa sulla sua azienda. Prima di ogni risposta, il sistema cerca nei suoi documenti, database o cronologie ticket i passaggi pertinenti e li presenta al modello insieme alla domanda. La risposta si basa quindi sui suoi contenuti — e può citare la sua fonte, invece di indovinare.
Due caratteristiche rendono questo metodo attraente per le aziende: un nuovo documento ha effetto immediato, senza che nulla venga addestrato di nuovo. E i permessi restano applicabili — chi non può vedere un file non lo riceve nemmeno nella risposta. Tuttavia, la seconda condizione vale solo se la ricerca conosce i diritti di chi fa la domanda. È qui che i progetti RAG falliscono, non sul modello.
Agenti IA (IA agentica)
Un modello linguistico risponde a domande. Un agente esegue compiti: può chiamare strumenti, consultare sistemi, eseguire più passaggi in sequenza e scrivere indietro i risultati — chiudere un ticket, creare un ordine, registrare una ricevuta.
Con questo cambia la classe di rischio. Una risposta sbagliata irrita, una registrazione contabile sbagliata costa. Un agente ha quindi bisogno della stessa cosa di una persona appena assunta: diritti chiaramente limitati, un protocollo su ciò che ha fatto e punti definiti in cui un essere umano approva. La configurazione sostenibile è quasi sempre più stretta della demo — un agente per un flusso di lavoro batte uno che dovrebbe saper fare tutto.
MCP (Model Context Protocol)
Uno standard aperto per come le applicazioni IA vengono collegate a dati e strumenti: una presa di corrente uniforme invece di un adattatore proprio per ogni dispositivo. Un collegamento una volta costruito al suo ERP funziona quindi ancora, anche se cambia modello o interfaccia.
Il vantaggio è più di natura contrattuale che tecnica. I collegamenti standardizzati riducono i costi di cambio — sono l’antidoto a un’offerta le cui integrazioni funzionano esclusivamente all’interno della piattaforma del fornitore.
Fine-Tuning (Ri-addestramento di un modello)
Un modello linguistico esistente viene ri-addestrato con esempi propri, finché non colpisce in modo affidabile un certo linguaggio specialistico, un formato o un tono. Ciò che impara in questo processo finisce poi nel modello — con lo stato dell’addestramento.
È proprio qui che risiede la confusione più comune. Il Fine-Tuning è adatto per stile, formato e compiti ricorrenti, non per insegnare al modello conoscenza aziendale aggiornata al giorno: ogni nuova lista prezzi richiederebbe una nuova sessione di addestramento, e ciò che è già presente non può essere rimosso in modo mirato. Per la conoscenza è responsabile il RAG. Inoltre, un prompt formulato con cura raggiunge molto spesso lo stesso risultato — senza costi di addestramento. Il Fine-Tuning è la risposta quando è dimostrato che questo non basta.
Allucinazione
Così si chiama quando un modello linguistico genera una risposta che suona convincente ma è falsa o inventata: una norma che non esiste, un numero articolo che sembra plausibile.
La cosa decisiva è la classificazione. Non si tratta di un difetto che scompare con la prossima generazione di modelli, ma di una caratteristica della tecnologia — un sistema che genera linguaggio genera linguaggio anche quando non conosce la risposta. Una soluzione IA diventa affidabile quindi non tramite un modello migliore, ma tramite l’architettura: basare le risposte su fonti documentate, rendere visibili le fonti, far approvare i passaggi critici da un essere umano, verificare a campione i risultati. Questo fa parte del progetto e non è una rete che si stende a posteriori.
Cosa si adatta a quale esigenza?
| Se lei … | … è il mezzo | … e non |
|---|---|---|
| vuole che le risposte si basino sui suoi documenti attuali | RAG | Fine-Tuning — la conoscenza ri-addestrata invecchia con il prossimo documento |
| ha bisogno di testi nel suo linguaggio specialistico e nel suo tono | Fine-Tuning, spesso basta un buon prompt | RAG — fornisce contenuto, non stile |
| vuole che in un sistema accada effettivamente qualcosa | Agente con diritti limitati | una finestra di chat le cui istruzioni qualcuno digita |
| ha bisogno di un’informazione documentabile | RAG con citazione della fonte | un modello «con molta conoscenza» |
| vuole collegare più sistemi | MCP o interfacce proprie, documentate | connettori proprietari della piattaforma senza via d’uscita |
Cinque domande a ogni offerta di IA
- Da dove proviene la conoscenza? Dalle sue fonti (RAG), dall’addestramento (Fine-Tuning) o solo dalla conoscenza generale del modello? Se la risposta è «il modello lo sa», manca il collegamento.
- Dove vengono elaborati i dati? Quale fornitore, quale regione, per quanto tempo vengono conservati — e viene addestrato con i suoi input?
- Cosa può fare il sistema da solo? Solo leggere o anche scrivere, in quali sistemi, fino a quale limite e in quale punto interviene un’approvazione umana?
- Come si accorge che una risposta era sbagliata? Senza citazioni delle fonti, protocollo e verifiche a campione non c’è alcuna affermazione sulla qualità, ma solo un’impressione.
- Cosa succede in caso di cambio di fornitore? A chi appartengono prompt, base di conoscenza e analisi — e i collegamenti funzionano anche altrove?
Cosa ne consegue
I tre termini che nelle offerte vengono confusi più frequentemente sono RAG, Fine-Tuning e Agenti. In breve: RAG porta conoscenza, Fine-Tuning porta stile, Agenti portano azione. Chi li distingue riconosce in pochi minuti se un’offerta si adatta al proprio caso d’uso — e quale delle cinque domande resta senza risposta.
Come ne costruiamo una soluzione produttiva — dall’analisi della situazione all’architettura e ai dati fino al funzionamento — si trova sulla nostra pagina dei AI Services.
Informazioni sull'autore
Ingegneria