L’intelligenza artificiale, o AI, è il campo dell’informatica che studia e sviluppa sistemi capaci di svolgere compiti che richiedono forme di percezione, previsione, generazione, ragionamento, decisione o interazione normalmente associate all’intelligenza.
Questa definizione, però, va capita bene. Un sistema AI non è necessariamente una macchina che “pensa come una persona”, non deve essere cosciente e non impara automaticamente da tutto ciò che gli diciamo.
L’OCSE definisce un sistema AI come un sistema basato su macchine che, rispetto a obiettivi espliciti o impliciti, inferisce dagli input ricevuti come generare output quali previsioni, contenuti, raccomandazioni o decisioni capaci di influenzare ambienti fisici o virtuali. Definizione di sistema AI dell’OCSE
È un punto di partenza molto più utile dell’immagine fantascientifica della “macchina pensante”, perché ci permette di comprendere sotto la stessa definizione tecnologie molto diverse: un sistema che riconosce una frode bancaria, un modello che classifica una radiografia, un motore di raccomandazione, un assistente linguistico, un generatore di immagini o un agente software che usa strumenti esterni.
Per capire davvero l’intelligenza artificiale bisogna quindi separare quattro questioni: che cosa intendiamo per AI, come funziona un sistema AI, quali tecniche usa e come siamo arrivati alle tecnologie attuali.
Ed è proprio quello che faremo in questa guida.
ne learning, deep learning e reti
Cos’è l’intelligenza artificiale
Il termine intelligenza artificiale identifica un campo molto più ampio dei chatbot e degli strumenti generativi diventati popolari negli ultimi anni.
Dentro l’AI convivono tecniche basate su regole e rappresentazioni simboliche, algoritmi di ricerca, machine learning, reti neurali, deep learning, modelli generativi e sistemi che combinano modelli, memoria, dati e strumenti esterni.
La caratteristica comune non è quindi una presunta capacità di “pensare”, ma la possibilità di costruire sistemi capaci di produrre comportamenti o risultati che richiedono una qualche forma di inferenza rispetto agli input e all’obiettivo assegnato.
AI e IA: cosa significano e perché indicano la stessa cosa
AI significa Artificial Intelligence. IA significa Intelligenza Artificiale.
Le due sigle indicano quindi lo stesso concetto. AI è semplicemente l’acronimo inglese, diventato molto comune anche in italiano.
Non esiste una differenza tecnica tra “AI” e “IA”. Quando trovi espressioni come AI generativa, AI agent, AI model o AI system stai incontrando la terminologia inglese dello stesso campo.
Il significato diventa più interessante quando passiamo dalla parola AI al concetto di sistema AI, perché un sistema reale è normalmente composto da più elementi.
Algoritmo, modello, sistema AI e applicazione non sono sinonimi
Una buona parte della confusione nasce dal fatto che parole come algoritmo, modello e intelligenza artificiale vengono usate come se fossero intercambiabili.
Non lo sono.
Un algoritmo è una procedura o un insieme di operazioni utilizzate per risolvere un problema. Anche il semplice algoritmo che ordina alfabeticamente una lista è un algoritmo, ma questo non significa che ogni algoritmo sia intelligenza artificiale.
Un modello è invece una rappresentazione computazionale ottenuta o configurata per eseguire un determinato tipo di inferenza. Nei sistemi di machine learning viene generalmente costruito attraverso un processo di addestramento sui dati.
Il sistema AI è più ampio del modello. Può comprendere:
- raccolta e preparazione degli input;
- uno o più modelli;
- istruzioni e regole;
- database e fonti esterne;
- strumenti o API;
- controlli di sicurezza;
- logica applicativa;
- interfaccia utente;
- sistemi di verifica;
- supervisione umana.
Infine c’è l’applicazione attraverso cui l’utente utilizza quel sistema.
Un assistente AI, per esempio, non coincide necessariamente con il modello linguistico sottostante. L’applicazione può aggiungere ricerca web, memoria, accesso a documenti, esecuzione di codice, generazione di immagini e numerose altre funzioni.
Questa distinzione diventa ancora più importante quando si studiano i Large Language Model e il loro funzionamento: modello, prodotto e sistema che utilizza quel modello sono livelli differenti.
Un esempio concreto è Microsoft Copilot: non coincide con un singolo modello linguistico, ma combina modelli AI, ricerca web, file, dati dell’account, strumenti Microsoft 365 e, negli ambienti compatibili, sistemi come Microsoft Graph e Work IQ. È proprio il contesto disponibile — insieme ad account, licenza e permessi — a determinare cosa l’assistente può realmente vedere e fare.
Anchor: Microsoft Copilot
Intelligenza artificiale e automazione: dove passa la differenza
Neppure automazione e AI sono sinonimi.
Un’automazione tradizionale esegue un insieme di operazioni stabilite in anticipo:
se succede A, esegui B.
Un sistema può quindi automatizzare centinaia di attività senza utilizzare alcun modello di intelligenza artificiale.
L’AI diventa utile quando il problema richiede inferenza su input che non possono essere gestiti semplicemente con una sequenza rigida di condizioni. Riconoscere un volto, interpretare una frase, stimare il rischio di una transazione o classificare una fotografia sono problemi in cui non è realistico descrivere manualmente ogni possibile situazione.
La distinzione, però, non è assoluta. Nei sistemi reali AI e automazione vengono spesso combinate: il modello interpreta o decide qualcosa; il workflow tradizionale utilizza poi quel risultato per eseguire un’azione.
È esattamente ciò che avviene in molte piattaforme moderne di workflow automation.
Come funziona l’intelligenza artificiale
Non esiste un unico meccanismo valido per qualsiasi sistema AI.
Un sistema simbolico basato su regole funziona in modo diverso da un modello di machine learning e un modello linguistico funziona in modo diverso da un algoritmo utilizzato per classificare dati tabellari.
Quando oggi chiediamo “come funziona l’intelligenza artificiale”, però, quasi sempre vogliamo capire i sistemi basati sul machine learning. Qui la distinzione fondamentale è fra addestramento e inferenza.
Dai dati al modello: cosa succede durante l’addestramento
Nel machine learning non programmiamo necessariamente ogni regola che il software dovrà applicare.
Definiamo invece un problema, scegliamo un tipo di modello e utilizziamo dati ed esempi per modificarne progressivamente i parametri in modo da ottenere risultati migliori rispetto a un determinato obiettivo.
Immagina un modello che deve distinguere fotografie di cani e gatti.
Un approccio tradizionale potrebbe tentare di codificare manualmente regole come:
se le orecchie hanno questa forma e il muso quest’altra, probabilmente è un gatto.
Il problema diventa immediatamente evidente: esistono infinite variazioni di illuminazione, razza, posizione, sfondo, dimensione e prospettiva.
Con il machine learning utilizziamo invece esempi. Durante l’addestramento il modello produce delle previsioni, confronta il risultato con l’obiettivo previsto e modifica i propri parametri per ridurre l’errore.
Ripetendo questo processo su molti esempi può imparare rappresentazioni utili per generalizzare anche su dati che non facevano parte dell’addestramento.
Se vuoi entrare nel meccanismo con maggiore profondità, nella guida dedicata spieghiamo cos’è il machine learning e quali sono le principali forme di apprendimento automatico.
Inferenza: cosa accade quando usi un modello già addestrato
Terminato l’addestramento, arriva una fase diversa: l’inferenza.
Durante l’inferenza il modello utilizza i parametri appresi per elaborare un nuovo input e produrre un risultato.
Nel nostro esempio, gli mostriamo una fotografia mai vista e il modello restituisce una probabilità per le categorie disponibili.
Lo stesso principio, con livelli di complessità enormemente superiori, vale per molti modelli generativi.
Quando invii un messaggio a un modello linguistico non stai normalmente avviando un nuovo ciclo completo di addestramento. Stai fornendo un input a un modello già addestrato, che utilizza il contesto disponibile e i propri parametri per produrre un output.
Questo passaggio è essenziale per capire perché uso e apprendimento non sono la stessa cosa.
Perché un sistema AI non impara automaticamente da ogni conversazione
Una delle spiegazioni più diffuse sull’intelligenza artificiale dice:
più la usi, più impara da te.
Detta così è sbagliata.
Un modello può certamente essere aggiornato successivamente utilizzando nuovi dati, può essere sottoposto a ulteriore addestramento oppure può essere inserito in un sistema che conserva informazioni sugli utenti.
Ma queste sono operazioni differenti.
Dobbiamo distinguere almeno:
Training
Costruisce o modifica i parametri del modello attraverso un processo di apprendimento.
Fine-tuning
Adatta ulteriormente un modello già addestrato a determinati esempi, comportamenti o domini.
Inferenza
Utilizza il modello per elaborare nuovi input.
Retrieval
Recupera informazioni da fonti esterne che vengono fornite al modello durante la richiesta.
Memoria applicativa
Conserva informazioni al di fuori dei parametri del modello e le recupera quando servono.
Online learning
Aggiorna il modello utilizzando nuovi dati durante o dopo il funzionamento operativo; esiste, ma non è una proprietà automatica di qualsiasi sistema AI.
Ecco perché un assistente può ricordare una preferenza senza che il modello sottostante sia stato riaddestrato.
Il sistema ha semplicemente aggiunto quella informazione al contesto futuro.
Machine learning, deep learning e reti neurali: come si incastrano davvero
Una buona mappa mentale è questa:
Intelligenza artificiale → Machine learning → Deep learning
Il machine learning è quindi una parte dell’AI.
Il deep learning è a sua volta una famiglia di tecniche di machine learning basate su reti neurali con molteplici livelli di trasformazione.
Le reti neurali artificiali sono modelli composti da unità matematiche interconnesse, organizzate in architetture che possono apprendere rappresentazioni sempre più complesse.
Non significa che riproducano realmente il cervello umano. L’ispirazione storica esiste, ma le reti moderne sono strutture matematiche e computazionali molto diverse dalla biologia del cervello.
Il deep learning è diventato particolarmente efficace quando sono convergenti tre condizioni: disponibilità di grandi dataset, crescente potenza di calcolo e miglioramenti nelle architetture e nelle tecniche di addestramento.
Ed è proprio questa convergenza che ci porta dalla storia dell’AI classica ai sistemi generativi contemporanei.
Tipi di intelligenza artificiale: classificazioni da non confondere
Non esiste una sola classificazione universale dell’AI.
Il problema è che schemi diversi rispondono a domande diverse. Mescolarli porta rapidamente a conclusioni sbagliate.
La distinzione tra AI ristretta e AGI, per esempio, non equivale alla distinzione tra machine learning e deep learning.
AI ristretta, AGI e superintelligenza classificano le capacità
La maggior parte dei sistemi che utilizziamo concretamente appartiene a ciò che viene generalmente chiamato AI ristretta, narrow AI o ANI.
“Ristretta” non significa necessariamente semplice. Un sistema può essere estremamente sofisticato e superare esseri umani in determinati benchmark pur rimanendo progettato intorno a capacità e contesti specifici.
L’Artificial General Intelligence, o AGI, descrive invece l’idea di sistemi con capacità generali molto più ampie e trasferibili.
Il concetto non dispone di una singola definizione universalmente accettata e il confine che permetterebbe di dichiarare un sistema “AGI” è oggetto di dibattito.
Per questo non è corretto trattare l’AGI come un normale prodotto disponibile che rappresenta semplicemente “il livello successivo”.
La superintelligenza artificiale, spesso indicata come ASI, è un concetto ancora più teorico: descrive sistemi che supererebbero ampiamente gli esseri umani in numerose capacità cognitive.
AGI e ASI sono quindi utili per discutere possibili livelli di capacità, ma non costituiscono una classificazione delle tecniche utilizzate per costruire l’AI.
AI simbolica, machine learning e deep learning descrivono approcci differenti
Un altro asse riguarda il modo in cui proviamo a costruire sistemi intelligenti.
L’AI simbolica rappresenta conoscenza e ragionamento attraverso simboli, regole, logica, ricerca e strutture esplicite.
È l’approccio che ha caratterizzato una parte importante della prima ricerca sull’AI e dei successivi sistemi esperti.
Il machine learning sposta invece l’attenzione verso sistemi che apprendono regolarità a partire dai dati.
Il deep learning utilizza reti neurali profonde per apprendere rappresentazioni complesse, particolarmente efficaci con immagini, audio, linguaggio e altri dati ad alta dimensionalità.
Non dobbiamo però interpretare questa storia come:
AI simbolica → eliminata dal machine learning → eliminato dal deep learning.
Le diverse tecniche possono convivere e combinarsi.
Un sistema contemporaneo può utilizzare un modello neurale per comprendere un input, un motore di ricerca per recuperare dati e una logica deterministica per verificare se una determinata azione è consentita.
AI generativa, foundation model e multimodalità
L’AI generativa identifica sistemi progettati per generare nuovi contenuti: testo, immagini, audio, video, codice e altre forme di dati.
È una funzione diversa dalla classificazione o dalla previsione, anche se tutte queste capacità possono convivere nello stesso ecosistema.
Per approfondirla separatamente puoi leggere la nostra guida sull’AI generativa.
Alla base di molte applicazioni generative moderne troviamo i foundation model: modelli addestrati su dati molto ampi e successivamente adattabili a numerosi compiti. Il Center for Research on Foundation Models di Stanford usa il termine proprio per descrivere questa famiglia di modelli generalizzabili e riutilizzabili. Stanford CRFM: foundation models
I Large Language Model sono foundation model orientati principalmente al linguaggio, ma le architetture moderne possono lavorare su più modalità.
Da qui nasce la multimodalità: sistemi capaci di elaborare combinazioni di testo, immagini, audio, video o altre fonti informative.
Il cambiamento è importante.
L’interazione non deve più essere necessariamente:
testo → testo.
Può diventare:
fotografia + domanda → spiegazione,
oppure:
documento + grafico + istruzione → analisi,
o ancora:
descrizione → immagine, audio o video.
Quando interagiamo con questi sistemi attraverso linguaggio naturale, il punto di ingresso più evidente è il prompt, cioè l’insieme di input e istruzioni che forniamo al sistema.
Cosa sono i sistemi agentici e perché non sono semplicemente chatbot migliori
Un altro passaggio importante consiste nel separare modello e agente.
Un chatbot tradizionale riceve un input e restituisce una risposta.
Un sistema agentico può invece utilizzare il modello come componente di un ciclo più ampio:
obiettivo → pianificazione → scelta dell’azione → utilizzo di strumenti → osservazione del risultato → nuova decisione
L’architettura varia enormemente da sistema a sistema. Può comprendere memoria, strumenti, accesso a file, browser, software aziendali e API.
Per questo gli agenti AI non sono semplicemente “modelli più intelligenti”.
Sono sistemi che utilizzano modelli per decidere come procedere verso un obiettivo e, entro i permessi assegnati, possono anche eseguire azioni.
In questo scenario assumono importanza protocolli e infrastrutture che permettono ai modelli di dialogare con strumenti e dati. Un esempio è il Model Context Protocol e il ruolo degli MCP Server.
È una distinzione decisiva: un modello produce inferenze; un agente usa quelle inferenze all’interno di un processo operativo.
Storia dell’intelligenza artificiale: dalle origini a oggi
La storia dell’intelligenza artificiale non comincia con ChatGPT e neppure con il machine learning moderno.
È il risultato di una lunga convergenza tra logica matematica, neuroscienze, teoria dell’informazione, informatica, statistica, ricerca operativa e crescente potenza di calcolo.
Ed è una storia tutt’altro che lineare.
| PeriodoPassaggioPerché conta | ||
|---|---|---|
| 1943 | McCulloch e Pitts propongono un modello matematico di neurone | collega logica e reti neurali artificiali |
| 1950 | Alan Turing pubblica Computing Machinery and Intelligence | formalizza la domanda sul comportamento intelligente delle macchine |
| 1955–1956 | proposta e workshop di Dartmouth | nasce formalmente il termine artificial intelligence |
| anni ’50 e ’60 | primi programmi simbolici, giochi e perceptron | emergono le prime grandi scuole dell’AI |
| anni ’70–’90 | sistemi esperti, crisi e AI winter | mostrano possibilità e limiti dei sistemi basati sulla conoscenza |
| 1997 | Deep Blue batte Garry Kasparov | dimostra la forza della ricerca computazionale specializzata |
| 2012 | AlexNet accelera il ritorno del deep learning | le reti profonde ottengono risultati decisivi nella visione artificiale |
| 2016 | AlphaGo supera uno dei migliori giocatori di Go | combina deep learning, ricerca e reinforcement learning |
| 2017 | nasce l’architettura Transformer | crea una base tecnica fondamentale per molti modelli linguistici moderni |
| anni successivi | foundation model e AI generativa | modelli generalisti diventano adattabili a molti compiti |
| fase attuale | multimodalità e sistemi agentici | l’AI passa sempre più dalla generazione all’esecuzione di workflow |
Prima del 1956: neuroni artificiali e la domanda di Alan Turing
Nel 1943 Warren McCulloch e Walter Pitts pubblicarono un lavoro fondamentale che utilizzava un modello matematico semplificato del neurone per studiare la relazione tra attività nervosa e logica.
Non erano le reti neurali profonde che utilizziamo oggi, ma il lavoro mostrava già una possibilità importante: descrivere alcuni processi neuronali attraverso strutture matematiche computabili.
Pochi anni dopo Alan Turing affrontò la questione da un’altra prospettiva.
Nel 1950 pubblicò sulla rivista Mind Computing Machinery and Intelligence, aprendo con una domanda destinata a diventare storica: “Can machines think?”. Paper originale di Alan Turing su Oxford Academic
Turing sostituì presto quella domanda, difficile da definire filosoficamente, con un problema più operativo: valutare se il comportamento linguistico di una macchina potesse risultare indistinguibile da quello umano in determinate condizioni.
Da qui nasce quello che in seguito sarebbe diventato noto come Turing Test.
Non era una definizione dell’intelligenza e neppure una certificazione universale di “coscienza artificiale”. Era un modo per trasformare una questione astratta in un test basato sul comportamento osservabile.
1955-1956: Dartmouth e la nascita dell’Artificial Intelligence
Se Turing anticipò molte domande centrali, il nome del campo arrivò alcuni anni dopo.
Nel 1955 John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon prepararono la proposta per il Dartmouth Summer Research Project on Artificial Intelligence, svolto nell’estate successiva.
La proposta utilizzava esplicitamente l’espressione artificial intelligence. Dartmouth considera oggi quel progetto un momento fondativo della disciplina. Dartmouth: storia del progetto sull’intelligenza artificiale
L’idea alla base dell’incontro era estremamente ambiziosa: indagare se aspetti dell’apprendimento e dell’intelligenza potessero essere descritti in modo sufficientemente preciso da essere simulati da una macchina.
Molte aspettative iniziali si sarebbero rivelate eccessivamente ottimistiche.
Ma il campo aveva ormai un nome.
I primi successi e le aspettative degli anni Cinquanta e Sessanta
I primi decenni produssero programmi capaci di risolvere teoremi, giocare, manipolare simboli e affrontare versioni semplificate di problemi che fino a poco tempo prima sembravano appartenere esclusivamente all’intelligenza umana.
Parallelamente si sviluppavano approcci ispirati all’apprendimento.
Frank Rosenblatt lavorò sul perceptron, uno dei precursori delle reti neurali moderne.
Queste due direzioni — sistemi simbolici e approcci connessionisti — avrebbero influenzato per decenni la ricerca.
Il problema era che i primi risultati venivano spesso ottenuti in ambienti molto più semplici del mondo reale.
Risolvere un problema controllato non significa automaticamente riuscire a generalizzare la stessa capacità a contesti imprevedibili.
Perché arrivarono gli AI winter
Le aspettative crebbero più velocemente delle capacità.
I computer erano costosi e limitati, i dataset piccoli, molti sistemi funzionavano bene soltanto in ambienti circoscritti e alcune promesse non potevano essere mantenute.
Il risultato furono periodi di forte riduzione dell’interesse e dei finanziamenti, successivamente ricordati come AI winter.
È una dinamica che vale la pena ricordare anche oggi.
Il progresso tecnologico non è una linea retta. Una dimostrazione impressionante può essere reale e, nello stesso momento, avere limiti enormi quando viene spostata fuori dalle condizioni in cui è stata sviluppata.
Sistemi esperti e ritorno dell’intelligenza artificiale
Fra gli approcci che ottennero maggiore attenzione ci furono i sistemi esperti.
L’idea era rappresentare una parte della conoscenza di specialisti attraverso regole e strutture che permettessero al software di trarre conclusioni.
Un sistema poteva contenere migliaia di regole del tipo:
se A e B sono veri, valuta C.
In domini ben delimitati potevano ottenere risultati molto interessanti.
Il limite principale era la manutenzione della conoscenza: acquisire, formalizzare e aggiornare manualmente una grande quantità di regole diventava progressivamente difficile.
Questa difficoltà contribuì a rendere sempre più interessante un altro paradigma: invece di codificare esplicitamente tutta la conoscenza, proviamo ad apprendere dai dati.
Deep Blue: essere migliori in un compito non significa avere intelligenza generale
Nel 1997 IBM Deep Blue sconfisse il campione mondiale di scacchi Garry Kasparov in un match disputato secondo i normali controlli di tempo.
Fu un momento simbolico enorme.
IBM spiega che Deep Blue poteva valutare fino a 200 milioni di posizioni al secondo grazie a hardware altamente specializzato. IBM: storia di Deep Blue
E proprio qui c’è una lezione fondamentale.
Deep Blue non era una mente generale che aveva imparato a vivere, parlare e ragionare come Kasparov.
Era un sistema straordinariamente specializzato nel gioco degli scacchi.
Superare una persona in un compito complesso e possedere intelligenza generale sono due affermazioni completamente diverse.
AlexNet e il ritorno delle reti neurali profonde
Nel 2012 Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton presentarono AlexNet, una rete neurale convoluzionale che ottenne risultati molto superiori ai sistemi concorrenti nella competizione ImageNet.
Il paper ImageNet Classification with Deep Convolutional Neural Networks diventò uno dei lavori simbolo della nuova fase del deep learning. Paper AlexNet negli atti NeurIPS
Non fu l’invenzione improvvisa delle reti neurali.
La ricerca sulle reti aveva una storia molto più lunga.
Il salto derivò dalla combinazione di architetture migliorate, grandi quantità di dati e capacità computazionale — in particolare GPU — ormai sufficienti ad addestrare reti molto più profonde.
Da quel momento il deep learning iniziò a ottenere progressi importanti in visione artificiale, voce e linguaggio.
AlphaGo: apprendimento, ricerca e strategia
Un altro passaggio simbolico arrivò con Go.
Il numero di possibili configurazioni del gioco rendeva molto più difficile utilizzare soltanto la forza bruta vista negli scacchi.
AlphaGo combinò reti neurali e ricerca ad albero, utilizzando tecniche di apprendimento che permettevano al sistema di valutare posizioni e azioni promettenti.
Il lavoro pubblicato su Nature mostrò che il sistema poteva raggiungere prestazioni da livello professionale; successivamente AlphaGo sconfisse Lee Sedol in un match che attirò l’attenzione mondiale. Nature: Mastering the game of Go with deep neural networks and tree search
La lezione storica è interessante: i progressi più importanti non derivano sempre da una singola tecnica.
Spesso nascono dalla combinazione di più componenti.
Il Transformer e la strada verso i modelli linguistici moderni
Nel 2017 un gruppo di ricercatori pubblicò Attention Is All You Need.
Il paper introduceva l’architettura Transformer, basata sui meccanismi di attention e progettata per elaborare sequenze evitando la ricorrenza utilizzata da molte architetture precedenti. Paper Attention Is All You Need
Il Transformer rese possibile parallelizzare molto meglio l’addestramento e divenne progressivamente la base di una nuova generazione di modelli linguistici.
Aumentando scala, dati e capacità computazionale, questi modelli iniziarono a mostrare proprietà molto più generali rispetto ai sistemi NLP precedenti.
Non risolvevano più soltanto un singolo task.
Lo stesso modello poteva essere adattato o istruito per riassumere, tradurre, classificare, generare testo, rispondere a domande e svolgere molte altre attività.
Dai foundation model all’AI generativa di massa
Il concetto di foundation model descrive bene questo cambiamento.
Un grande modello viene addestrato su dati molto ampi e successivamente può essere utilizzato come base per numerose applicazioni e compiti.
L’AI generativa ha reso questa capacità visibile anche fuori dai laboratori.
Improvvisamente milioni di utenti hanno potuto interagire con sistemi capaci di generare linguaggio, immagini, codice, audio e video attraverso interfacce molto semplici.
Questo non ha trasformato tutta l’intelligenza artificiale in AI generativa.
Classificazione, forecasting, ottimizzazione, raccomandazione, computer vision e moltissimi altri paradigmi continuano a esistere.
Ha però cambiato radicalmente il modo in cui le persone accedono all’AI.
Dalla generazione alla multimodalità e agli agenti
L’evoluzione più recente sta riducendo ulteriormente i confini tra categorie.
I modelli possono elaborare modalità differenti e vengono inseriti in sistemi capaci di utilizzare strumenti esterni.
La domanda quindi non è più soltanto:
che cosa può generare il modello?
Diventa:
quali informazioni può comprendere, quali strumenti può utilizzare e quali passaggi può eseguire per raggiungere un obiettivo?
Il più recente AI Index di Stanford descrive progressi rapidi in linguaggio, immagini, video, voce, reasoning, robotica e sistemi agentici. Allo stesso tempo mostra che le prestazioni rimangono estremamente irregolari tra compiti differenti. Stanford AI Index: Technical Performance
Ed è precisamente questa contraddizione che rende necessario capire i limiti dell’intelligenza artificiale insieme alle sue capacità.
Cosa può fare l’intelligenza artificiale oggi
Chiedere “cosa può fare l’AI?” ha più senso se ragioniamo per funzioni anziché fare una lunga lista di settori.
Lo stesso tipo di modello può infatti essere utilizzato in sanità, industria, marketing o finanza.
Ciò che cambia è il problema.
Classificare, prevedere e rilevare pattern
Una delle applicazioni storicamente più importanti del machine learning consiste nel trasformare dati in classificazioni o stime.
Un sistema può, per esempio:
- classificare una transazione come potenzialmente fraudolenta;
- stimare la probabilità che un cliente abbandoni un servizio;
- riconoscere oggetti in una fotografia;
- identificare anomalie in dati industriali;
- stimare una domanda futura;
- ordinare contenuti per rilevanza.
Qui entrano in gioco strumenti come i modelli predittivi e, su un livello più ampio, l’analisi predittiva.
È importante ricordare che “predittivo” non significa “capace di conoscere il futuro”.
Il modello stima un risultato sulla base delle relazioni apprese e delle informazioni disponibili. Qualità dei dati, cambiamenti del contesto e distribuzioni mai osservate possono alterare profondamente l’affidabilità della previsione.
Comprendere e generare linguaggio, immagini, audio e video
I modelli generativi hanno allargato enormemente la superficie di interazione.
Un sistema può aiutare a:
- sintetizzare documenti;
- estrarre informazioni;
- generare bozze;
- tradurre;
- programmare;
- descrivere immagini;
- generare immagini;
- trascrivere o sintetizzare voce;
- creare audio e musica;
- lavorare su video.
Alcuni di questi utilizzi sono già diventati interi cluster applicativi. Un esempio è la creazione di musica con intelligenza artificiale.
Un altro riguarda la progettazione digitale: abbiamo analizzato separatamente come utilizzare l’intelligenza artificiale nel web design e nel marketing e come funzionano gli AI Website Builder.
La generazione, però, non garantisce automaticamente accuratezza.
Un’immagine creativa può essere perfettamente utile anche se rappresenta qualcosa che non esiste. Una risposta destinata a fornire un dato fiscale o medico, al contrario, deve essere verificabile.
Lo stesso meccanismo generativo può quindi essere adeguato per un task e rischioso per un altro.
Raccomandare e supportare decisioni
Molti sistemi AI non producono contenuti: ordinano possibilità.
Un motore di raccomandazione può stimare quali prodotti, film o contenuti siano più rilevanti per un utente.
Un sistema di supporto decisionale può sintetizzare variabili, classificare rischi o individuare casi che meritano una revisione.
Ma supportare una decisione e prendere una decisione sono due cose diverse.
Quando l’impatto aumenta — salute, credito, occupazione, sicurezza, diritti — diventano sempre più importanti qualità dei dati, verifica, governance, spiegabilità e supervisione.
Agire attraverso strumenti e workflow
L’AI può anche diventare una componente operativa.
Un agente potrebbe:
- interpretare un obiettivo;
- cercare le informazioni necessarie;
- utilizzare un software;
- analizzare il risultato;
- scegliere il passaggio successivo;
- chiedere approvazione quando necessario.
È qui che la distinzione tra AI e automazione comincia a sfumare.
L’automazione rimane il meccanismo che esegue molte operazioni. Il modello aggiunge la capacità di interpretare il contesto e scegliere dinamicamente come procedere.
Per passare dalla teoria agli strumenti disponibili, abbiamo raccolto separatamente gli AI tools e le principali categorie di strumenti di intelligenza artificiale.
Cosa l’intelligenza artificiale non fa, o non fa in modo affidabile
Il modo peggiore per capire l’AI è oscillare tra due estremi:
non è veramente intelligente, quindi non serve;
e
sembra intelligente, quindi possiamo fidarci.
Entrambe le conclusioni sono sbagliate.
I sistemi moderni possono ottenere risultati straordinari e, nello stesso tempo, fallire in modi sorprendentemente banali.
Generare una risposta plausibile non significa conoscere la verità
Questo problema è particolarmente evidente nei sistemi generativi.
Un modello linguistico viene addestrato a modellare regolarità nel linguaggio e generare sequenze plausibili.
Plausibilità e verità possono coincidere.
Ma non sono la stessa proprietà.
Il NIST utilizza il termine confabulation per indicare situazioni in cui un sistema generativo produce e presenta con sicurezza contenuti errati o falsi. Il fenomeno viene comunemente chiamato anche hallucination. NIST: Generative AI Risk Management Profile
Un modello può quindi:
- citare una fonte inesistente;
- attribuire un’affermazione alla persona sbagliata;
- inventare un dettaglio;
- produrre un ragionamento apparentemente coerente basato su una premessa falsa;
- interpretare male informazioni ambigue.
Questo non significa che “l’AI mente”.
Mentire implica intenzione.
Il problema è più semplice e, proprio per questo, insidioso: il sistema può produrre una risposta formalmente convincente senza possedere una garanzia intrinseca che sia vera.
Le capacità dell’AI hanno una frontiera irregolare
È facile immaginare l’intelligenza come una scala.
Se un modello risolve un problema matematico estremamente difficile, ci aspettiamo che riesca automaticamente a risolvere tutti i problemi più semplici.
Non funziona sempre così.
L’AI Index di Stanford mostra un quadro che i ricercatori descrivono come jagged frontier, una frontiera irregolare delle capacità: sistemi che raggiungono risultati estremamente elevati in determinati benchmark possono continuare a fallire in task apparentemente più elementari. Stanford AI Index: capacità e limiti dei modelli
È una delle lezioni più utili per chi utilizza l’AI professionalmente.
Non dedurre l’affidabilità in un task B soltanto perché il modello è eccezionale nel task A.
Va valutato nello scenario reale.
Bias, dati e affidabilità
Un modello apprende dai dati, ma i dati non sono una rappresentazione neutrale e completa del mondo.
Possono contenere:
- errori;
- squilibri;
- gruppi sottorappresentati;
- associazioni storicamente discriminatorie;
- etichette soggettive;
- informazioni obsolete;
- scelte di raccolta problematiche.
Il bias può inoltre essere introdotto in numerosi altri punti del ciclo di vita: progettazione, definizione dell’obiettivo, metriche di valutazione e modalità di utilizzo.
Per questo abbiamo dedicato una guida specifica a bias e intelligenza artificiale.
L’affermazione corretta non è quindi:
l’algoritmo è imparziale perché è matematico.
La domanda utile è:
rispetto a quali gruppi, dati, condizioni e criteri è stato valutato il sistema?
Opacità e spiegabilità: cosa significa davvero “black box”
Le reti neurali profonde possono contenere enormi quantità di parametri e distribuire ciò che hanno appreso attraverso rappresentazioni difficili da interpretare direttamente.
Da qui deriva il termine black box.
Ma dire che un modello è una black box non significa che nessuno sappia nulla di come funziona.
Conosciamo l’architettura, le operazioni matematiche, il processo di training e numerosi aspetti del comportamento.
Ciò che può risultare difficile è spiegare in maniera completa perché proprio quel particolare insieme di stati interni abbia prodotto uno specifico output.
La spiegabilità è quindi un problema di grado e contesto.
Per un semplice suggerimento musicale possiamo tollerare una quantità di opacità che sarebbe molto più problematica in una decisione medica, finanziaria o giudiziaria.
Coscienza, intenzioni e comprensione: cosa possiamo realmente affermare
L’utilizzo del linguaggio naturale genera un effetto potente: attribuiamo spontaneamente caratteristiche umane a ciò che dialoga con noi.
Un assistente dice:
penso che…
oppure:
capisco quello che intendi.
Queste espressioni rendono l’interazione naturale, ma non costituiscono una dimostrazione di esperienza soggettiva, coscienza o intenzione.
È legittimo studiare scientificamente se determinati modelli possiedano rappresentazioni che possiamo descrivere come forme di comprensione.
È molto diverso dichiarare che un sistema “prova”, “vuole” o “sa di esistere” sulla base del fatto che utilizza quelle parole.
Anche la ricerca sui foundation model tratta il tema della comprensione come una questione aperta e complessa, non come una conclusione risolta. Stanford CRFM: il problema della comprensione nei foundation model
Per un uso pratico dell’AI, la posizione più utile rimane semplice: valuta ciò che il sistema sa fare e con quale affidabilità, senza attribuirgli capacità psicologiche che non hai dimostrato.
Rischi, responsabilità e regole sull’AI
Più l’intelligenza artificiale entra nei processi reali, meno possiamo valutarla soltanto sulla qualità dell’output.
Diventano importanti anche come vengono raccolti i dati, chi controlla il sistema, cosa succede quando sbaglia e chi risponde delle conseguenze.
Privacy, sicurezza, discriminazione e manipolazione
I rischi non dipendono tutti dallo stesso meccanismo.
Un sistema AI può creare problemi perché:
- utilizza dati personali in modo inappropriato;
- genera informazioni false;
- produce contenuti discriminatori;
- viene manipolato attraverso input malevoli;
- concede a un agente permessi eccessivi;
- automatizza una decisione che richiedeva controllo umano;
- espone dati riservati;
- consente di produrre contenuti sintetici ingannevoli su larga scala.
Per questo il NIST tratta la gestione del rischio AI come un problema che riguarda l’intero ciclo di vita del sistema, dalla progettazione alla valutazione e all’utilizzo. NIST AI Risk Management Framework
La domanda non dovrebbe essere soltanto:
quanto è intelligente questo modello?
Ma anche:
che cosa può succedere quando ha torto?
Il controllo umano conta soprattutto quando aumenta l’impatto
Non tutti gli errori hanno lo stesso costo.
Se un sistema suggerisce una canzone poco adatta, l’impatto è minimo.
Se stabilisce chi deve essere sottoposto a un controllo, influenza una diagnosi, valuta una candidatura o contribuisce a una decisione finanziaria, il problema cambia completamente.
La supervisione umana non deve quindi essere uno slogan.
Deve corrispondere a una funzione reale: una persona competente deve poter comprendere il contesto, contestare il risultato e intervenire quando necessario.
Ed è importante evitare un secondo rischio: l’automation bias, cioè la tendenza a considerare più affidabile una decisione semplicemente perché proviene da un sistema automatizzato.
AI Act: il quadro europeo è già operativo
Nel contesto europeo l’intelligenza artificiale è regolata anche dall’AI Act, entrato in vigore nel 2024 e applicato attraverso un calendario progressivo.
Il regolamento utilizza un approccio basato sul rischio e introduce obblighi differenti in funzione del tipo di sistema, dell’utilizzo e del ruolo dell’organizzazione coinvolta.
Sono già entrate in applicazione diverse parti del framework, comprese disposizioni sulle pratiche vietate, sugli obblighi dei fornitori di modelli AI per finalità generali e su specifici requisiti di trasparenza.
Per esempio, determinate interazioni con sistemi AI devono essere rese riconoscibili e alcune forme di contenuto sintetico o manipolato sono soggette a obblighi di trasparenza e marcatura. Commissione Europea: applicazione dell’AI Act
Altre disposizioni seguono calendari differenti.
Per questo, se utilizzi sistemi AI in processi aziendali con impatto significativo, non è sufficiente leggere un riassunto generico dell’AI Act: occorre verificare quale ruolo ricopri, quale sistema utilizzi, quale livello di rischio è coinvolto e quali disposizioni sono applicabili nel momento in cui lo utilizzi.
Questo articolo fornisce il contesto tecnologico, non consulenza legale.
Perché la storia dell’AI aiuta a capire anche l’hype di oggi
Studiare la storia dell’intelligenza artificiale non serve soltanto a ricordare Dartmouth, Turing o Deep Blue.
Serve a evitare tre errori che continuiamo a ripetere.
L’intelligenza artificiale non si è evoluta in linea retta
La narrativa più semplice sarebbe:
prima c’erano le regole, poi è arrivato il machine learning, poi le reti neurali, poi l’AI generativa e infine gli agenti.
La realtà è molto più interessante.
Approcci differenti si sono sviluppati contemporaneamente, sono entrati e usciti dai periodi di maggiore attenzione e spesso sono stati combinati.
Il ritorno delle reti neurali non ha cancellato ricerca simbolica, algoritmi classici o metodi statistici.
L’arrivo dell’AI generativa non ha reso inutile il machine learning tradizionale.
Gli agenti non sostituiscono i modelli: li utilizzano.
La storia dell’AI è una storia di stratificazione, non di sostituzione completa.
Vecchi paradigmi e nuove tecniche possono convivere
Immagina un agente che deve elaborare una richiesta di rimborso.
Può utilizzare:
- un modello linguistico per comprendere il messaggio;
- un sistema di retrieval per leggere i documenti;
- una classificazione ML per stimare una categoria;
- regole aziendali per verificare condizioni contrattuali;
- un workflow tradizionale per avviare la pratica;
- un operatore umano per approvare il caso.
Quale parte è “la vera AI”?
La domanda è poco utile.
Il valore sta nell’architettura complessiva del sistema.
Ed è proprio questo che distingue molti prodotti reali dalla rappresentazione semplicistica di una singola mente artificiale che fa tutto.
Come distinguere una capacità reale da una promessa sul futuro
Quando appare una nuova demo AI, conviene fare alcune domande.
Qual è esattamente il task?
Un modello che eccelle in un benchmark specifico non possiede automaticamente capacità equivalenti in ogni altro contesto.
In quali condizioni è stato valutato?
Un ambiente controllato e un workflow reale possono produrre risultati molto differenti.
Il risultato è ripetibile?
Un caso impressionante non equivale a un tasso di affidabilità sufficiente.
Quanto intervento umano è nascosto nel processo?
Alcune demo sembrano autonome perché non mostrano configurazione, verifica e correzioni.
Che cosa succede quando il sistema sbaglia?
È probabilmente la domanda più importante.
Stiamo parlando di qualcosa disponibile oppure di una previsione?
Roadmap, ricerca sperimentale, prototipo e prodotto generalmente disponibile non sono la stessa cosa.
Questa disciplina critica permette di evitare sia l’entusiasmo automatico sia il rifiuto automatico.
L’AI non deve essere né mitizzata né minimizzata.
Deve essere capita.
Per esplorare scenari, tendenze e possibili sviluppi senza confonderli con ciò che è già disponibile, abbiamo separato il tema nella guida dedicata a intelligenza artificiale e futuro.
Conclusione
La definizione più utile di intelligenza artificiale non è “una macchina che pensa come noi”.
È molto più concreta.
L’AI è un campo che costruisce modelli e sistemi capaci di inferire dagli input come produrre previsioni, contenuti, raccomandazioni, decisioni o azioni rispetto a determinati obiettivi.
Da questa definizione discendono quasi tutte le distinzioni importanti.
Un algoritmo non è automaticamente AI. Un modello non coincide con il prodotto che utilizzi. Il machine learning è una parte dell’intelligenza artificiale, il deep learning è una parte del machine learning e l’AI generativa è soltanto una delle numerose modalità in cui queste tecnologie possono essere utilizzate.
La storia racconta lo stesso messaggio.
L’intelligenza artificiale non è passata ordinatamente da una generazione all’altra lasciandosi alle spalle tutto ciò che esisteva prima. Ha attraversato entusiasmi, fallimenti, periodi di riduzione degli investimenti e improvvise accelerazioni. Tecniche apparentemente concorrenti hanno continuato a convivere e, spesso, i progressi maggiori sono arrivati proprio quando approcci differenti sono stati combinati.
Questo è anche il modo migliore per osservare la fase attuale.
I modelli sono diventati enormemente più capaci. Possono lavorare con linguaggio, immagini, voce e video e possono essere collegati a strumenti esterni per svolgere workflow complessi. Allo stesso tempo rimangono fallibili, possono produrre informazioni false, ereditare distorsioni dai dati e comportarsi in modo sorprendentemente irregolare da un compito all’altro.
Capire l’intelligenza artificiale significa quindi evitare due illusioni opposte: pensare che sia soltanto software tradizionale con un nuovo nome oppure considerarla una mente digitale onnipotente.
È una tecnologia molto più potente della prima descrizione e molto meno magica della seconda.
Ed è proprio nello spazio fra queste due estremità che possiamo valutarla, utilizzarla e governarla con maggiore consapevolezza.