Il glossario completo dei termini AI più usati: dal machine learning agli agenti autonomi, dalle reti neurali al prompt engineering, con definizioni chiare ed esempi pratici per orientarsi nel mondo dell’intelligenza artificiale.

 

Il vocabolario dell’intelligenza artificiale si è espanso rapidamente e oggi è entrato in ogni ambito: dal lavoro alla formazione, dalla sanità alla comunicazione. Conoscere i termini fondamentali non è più una questione riservata agli specialisti — è una competenza trasversale che permette di leggere le notizie con più consapevolezza, di valutare gli strumenti che si usano ogni giorno e di partecipare attivamente alle conversazioni che stanno ridisegnando il mercato del lavoro e la società.

In questo glossario trovi 25 termini chiave dell’AI organizzati per categoria, con una definizione precisa, il contesto d’uso e almeno un esempio concreto per ciascuno. Partiamo dalle basi:  

 

I fondamenti: cos’è l’intelligenza artificiale

L’AI non è un fenomeno recente. Le sue radici teoriche risalgono agli anni Cinquanta, quando Alan Turing formulò la domanda che avrebbe aperto un intero campo di ricerca: “Le macchine possono pensare?“. Oggi, settant’anni dopo, quella domanda ha trovato risposte parziali ma straordinarie, e i sistemi AI fanno parte della vita quotidiana di miliardi di persone — spesso senza che se ne rendano conto. Ora vediamo insieme alcuni termini: 

Intelligenza Artificiale (AI)

Campo dell’informatica che studia come costruire sistemi in grado di svolgere compiti che richiedono forme di intelligenza: comprendere il linguaggio, riconoscere immagini, prendere decisioni, risolvere problemi. Non è una tecnologia unica ma una famiglia di approcci e tecniche in continua evoluzione. Quando uno sportello bancario online riconosce la tua voce, quando uno smartphone sblocca il viso del proprietario o quando un motore di ricerca capisce il senso di una domanda ambigua, c’è dell’AI al lavoro.

AGI (Artificial General Intelligence)

Insieme di capacità ipotetiche di un’intelligenza artificiale in grado di comprendere, apprendere e eseguire qualsiasi compito intellettuale umano, con generalizzazione su domini diversi senza ricodifica specifica. I pilastri principali includono: autonomia cognitiva (ragionamento astratto), adattabilità (trasferimento conoscenze), comprensione contestuale (problem-solving novelty). Non è solo teoria: l’AGI rappresenta l’orizzonte evolutivo dell’AI, con implicazioni su automazione universale e superintelligenza.

Algoritmo

Una sequenza finita di istruzioni logiche che un computer esegue per risolvere un problema o completare un compito. È il mattone fondamentale di qualsiasi software, AI compresa. La differenza tra un algoritmo tradizionale e uno di Machine Learning sta nel fatto che il secondo non viene scritto regola per regola da un programmatore: viene “appreso” dai dati. Un algoritmo di raccomandazione analizza la cronologia di ascolto su Spotify e suggerisce nuovi brani; un algoritmo di filtro antispam impara a riconoscere le email indesiderate dopo averne elaborate milioni.

Automazione

Esecuzione di compiti ripetitivi da parte di macchine o software senza intervento umano continuo. L’AI porta l’automazione a un livello qualitativo superiore: non si limita a ripetere sequenze predefinite, ma sa adattarsi a situazioni nuove e prendere micro-decisioni in autonomia. La distinzione tra automazione classica e automazione intelligente è uno dei concetti chiave per capire l’impatto dell’AI sul lavoro.

 

Modelli e tecnologie: come funziona l’AI

Quando si parla di “come funziona” l’AI, si parla in realtà di famiglie di tecniche diverse, ciascuna con i propri punti di forza e i propri limiti. Machine Learning, Deep Learning e Large Language Model non sono sinonimi: sono livelli progressivi di complessità che si costruiscono l’uno sopra l’altro.

Multimodalità

Capacità di sistemi AI di integrare e processare simultaneamente più modalità di dati (testo, immagini, audio, video, sensori) per ragionamenti complessi e output contestualizzati. I pilastri principali sono: fusione dati (integrazione cross-modale), comprensione unificata (correlazione semantica), robustezza input (gestione variabilità). Non è solo tecnica: la multimodalità rivoluziona applicazioni come assistenti virtuali e analisi mediche, rendendo l’AI più umana.

Machine Learning (ML)

Approccio all’AI in cui i sistemi imparano automaticamente dai dati, senza essere programmati esplicitamente per ogni caso. Invece di scrivere regole (“se il testo contiene ‘offerta esclusiva’ allora è spam”), si fornisce al modello un enorme insieme di esempi classificati e il sistema estrae da solo i pattern rilevanti. Il Machine Learning è alla base della maggior parte dei sistemi AI che usiamo ogni giorno: dai motori di ricerca ai sistemi di rilevamento frodi, dai traduttori automatici ai filtri fotografici.

Deep Learning

Sottoinsieme del Machine Learning che utilizza reti neurali artificiali con molti strati sovrapposti — da qui il termine “deep”, profondo. Ogni strato elabora le informazioni a un livello di astrazione crescente: nei modelli per il riconoscimento di immagini, i primi strati rilevano bordi e forme semplici, i successivi riconoscono pattern complessi fino a identificare oggetti, volti o scene. Il Deep Learning ha prodotto salti di qualità enormi nel riconoscimento vocale, nella traduzione automatica e nella generazione di immagini.

Rete Neurale Artificiale

Sistema computazionale ispirato — in modo molto approssimativo — al funzionamento del cervello biologico. È composta da nodi (i neuroni artificiali) organizzati in strati: uno strato di input che riceve i dati, uno o più strati nascosti che li elaborano e uno strato di output che produce il risultato. I neuroni sono collegati da pesi numerici che vengono aggiustati durante il processo di addestramento. Più strati ha la rete, più è “profonda” e più è capace di rappresentare relazioni complesse nei dati.

Large Language Model (LLM)

Modello AI addestrato su quantità enormi di testo — libri, articoli, pagine web, codice informatico — per imparare le relazioni statistiche tra le parole e generare linguaggio coerente e pertinente. È la tecnologia alla base di ChatGPT (OpenAI), Gemini (Google), Claude (Anthropic) e molti altri. Un LLM non “capisce” il testo nel senso umano del termine: predice la sequenza di parole statisticamente più probabile dato un contesto. La qualità emergente di queste previsioni, quando la scala è sufficientemente grande, produce risultati che appaiono sorprendentemente intelligenti.

Modello Fondazionale

Modello AI addestrato su dati a larghissima scala che può essere adattato — con poco sforzo aggiuntivo — a una vasta gamma di compiti diversi. GPT-4, Gemini 1.5, Claude 3 e LLaMA 3 sono esempi di modelli fondazionali. Il concetto è importante perché cambia il paradigma dello sviluppo AI: invece di costruire un modello specifico per ogni compito, si parte da un modello fondazionale e lo si affina (“fine-tuning”) per l’applicazione desiderata.

Fine-tuning

Tecnica di transfer learning che adatta un modello AI pre-addestrato a compiti specifici tramite addestramento su dataset mirati e più piccoli, ottimizzando pesi neuronali. I pilastri principali sono: efficienza (riduzione risorse), specializzazione (prestazioni elevate), preservazione conoscenza (base generale intatta). Il fine-tuning abilita personalizzazioni scalabili per applicazioni enterprise e ricerca.

 

I dati: il carburante dell’intelligenza artificiale

Nessun modello AI può funzionare senza dati. La qualità, la quantità e la rappresentatività dei dati di addestramento determinano in larga misura le capacità e i limiti di un sistema AI. Capire il ruolo dei dati è fondamentale per valutare criticamente le promesse e i rischi dell’AI.

Dataset

Insieme strutturato di dati usato per addestrare, testare o validare un modello AI. Può contenere testi, immagini, audio, video, numeri o qualsiasi combinazione di questi formati. La dimensione di un dataset può variare da alcune centinaia di esempi a trilioni di token di testo. La qualità e la diversità del dataset influenzano direttamente le capacità del modello: un dataset sbilanciato produce un modello sbilanciato.

Addestramento (training)

Processo attraverso cui un modello AI impara dai dati, aggiustando iterativamente i propri parametri interni per minimizzare gli errori di previsione. È la fase più costosa in termini di tempo e risorse computazionali: addestrare un LLM di grandi dimensioni richiede migliaia di GPU per settimane e un consumo energetico paragonabile a quello di una piccola città. I costi di addestramento dei modelli più grandi si misurano in decine di milioni di dollari.

Dati sintetici (synthetic data)

Dati artificialmente generati tramite algoritmi o AI generativa per replicare distribuzione statistica e caratteristiche di dati reali, senza rischi privacy o bias reali. I pilastri principali sono: realismo statistico (mantenimento pattern), scalabilità (generazione illimitata), privacy-preserving (anonimizzazione nativa). Non è solo surrogato: i dati sintetici sono essenziali per addestrare AI in settori regolati come sanità e finanza.

Big Data

Insiemi di dati caratterizzati da volume, velocità e varietà tali da richiedere tecnologie e approcci specifici per essere gestiti e analizzati. I social media generano ogni giorno miliardi di post, commenti e interazioni; i sensori IoT trasmettono continuamente dati ambientali e comportamentali; le transazioni finanziarie globali producono flussi ininterrotti di dati strutturati. L’AI moderna dipende dai Big Data: senza questa massa di informazioni, i modelli fondazionali non potrebbero esistere.

 

AI Generativa e interazione con i modelli

Il lancio di ChatGPT nel novembre 2022 ha portato l’AI generativa nell’uso quotidiano di milioni di persone. Capire come funziona questa categoria di strumenti — e come interagire con essa efficacemente — è diventata una competenza pratica rilevante in quasi tutti i settori lavorativi.

AI generativa

Categoria di AI in grado di produrre contenuti originali a partire da un input dell’utente: testo, immagini, audio, video, codice informatico, modelli 3D. A differenza dei sistemi AI che classificano o analizzano dati esistenti, l’AI generativa crea qualcosa di nuovo combinando i pattern appresi durante l’addestramento. Midjourney e DALL-E generano immagini; Suno e Udio generano musica; ChatGPT, Claude e Gemini generano testo; Runway e Sora generano video.

Prompt

L’istruzione, la domanda o la descrizione che l’utente fornisce a un sistema AI per ottenere un output. La qualità di un prompt influenza in modo determinante la qualità della risposta: un prompt vago produce risultati vaghi, un prompt preciso e contestualizzato produce risultati più utili e pertinenti. Scrivere prompt efficaci non richiede conoscenze tecniche ma richiede chiarezza, specificità e la capacità di fornire il contesto necessario affinché il modello comprenda cosa si vuole ottenere.

Prompt engineering

Tecnica — e disciplina emergente — che consiste nel formulare prompt strutturati per massimizzare la qualità e la rilevanza degli output di un sistema AI. Include strategie come la suddivisione di compiti complessi in passi, la fornitura di esempi all’interno del prompt (“few-shot prompting”), l’assegnazione di un ruolo al modello AI, e la specificazione esplicita del formato di output desiderato. Non è necessario saper programmare per fare Prompt Engineering: è più vicino all’arte di comunicare con precisione che alla scrittura di codice.

Token

Unità minima di testo che un LLM elabora. Non corrisponde esattamente a una parola: dipende dal modello e dalla lingua. In italiano, un token corrisponde approssimativamente a tre quarti di parola. La dimensione del “contesto” — ovvero quanta informazione un modello può considerare contemporaneamente — si misura in token. I modelli più recenti hanno finestre di contesto che arrivano a centinaia di migliaia o milioni di token, il che permette di elaborare documenti molto lunghi in un’unica interazione.

RAG (Retrieval-Augmented Generation)

Tecnica che combina la generazione di testo di un LLM con la ricerca in una base di conoscenza esterna e aggiornabile. Prima di generare la risposta, il sistema recupera i documenti pertinenti dalla knowledge base e li fornisce al modello come contesto. Questo approccio riduce significativamente le allucinazioni, mantiene le risposte aggiornate e permette di costruire assistenti AI specializzati su corpora documentali specifici senza dover ri-addestrare il modello da zero. NotebookLM di Google è uno degli esempi più noti di applicazione RAG.

Agente AI (AI agent)

Sistema AI autonomo in grado di pianificare ed eseguire sequenze di azioni per raggiungere un obiettivo, interagendo con strumenti esterni come motori di ricerca, API, database o interfacce web. A differenza di un chatbot che risponde a singole domande, un agente AI può scomporre un compito complesso in sotto-attività, eseguirle in autonomia, valutare i risultati intermedi e adattare il proprio piano. Gli agenti AI rappresentano una delle frontiere più attive della ricerca e dell’applicazione pratica dell’AI nel 2025.

 

Etica, rischi e regolazione: i limiti dell’AI

Ogni tecnologia potente porta con sé rischi proporzionali. L’AI non fa eccezione, e la comprensione dei suoi limiti — tecnici, etici e normativi — è parte integrante di un uso consapevole. Questi termini stanno diventando sempre più presenti nel dibattito pubblico e nelle policy aziendali.

Allucinazione AI

Fenomeno per cui un modello linguistico genera informazioni false, inesistenti o errate presentandole con la stessa sicurezza con cui fornisce informazioni corrette. Il termine è tecnicamente impreciso — i modelli non “allucinano” nel senso neurologico — ma è diventato il termine standard del settore. Le cause sono strutturali: un LLM predice sequenze di parole plausibili, non verifica fatti. Può inventare citazioni bibliografiche, nomi di persone, date storiche, statistiche. La verifica delle informazioni su fonti primarie rimane indispensabile per qualsiasi uso professionale o accademico.

Bias algoritmico (pregiudizio algoritmico)

Distorsione sistematica nei risultati di un modello AI causata da squilibri, lacune o pregiudizi presenti nei dati di addestramento. Se i dati riflettono disparità storiche — di genere, etnia, classe sociale, geografia — il modello le apprende e le riproduce, spesso amplificandole. Il bias non è un errore accidentale ma una caratteristica strutturale dei sistemi che imparano da dati reali, che sono intrinsecamente non neutri. Riconoscere e mitigare il bias algoritmico è una delle sfide centrali dell’AI etica.

AI Act

Regolamento dell’Unione Europea sull’intelligenza artificiale, approvato nel 2024 ed entrato gradualmente in vigore. È la prima legge organica al mondo che regola l’AI, classificando i sistemi in quattro categorie di rischio: inaccettabile (vietati, come i sistemi di social scoring), alto rischio (come quelli usati in medicina, giustizia o selezione del personale, soggetti a requisiti stringenti), rischio limitato (obblighi di trasparenza) e rischio minimo (non regolamentati). L’AI Act introduce obblighi significativi per chi sviluppa e distribuisce sistemi AI nel mercato europeo.

AI etica

Insieme di principi, framework e pratiche per lo sviluppo e l’uso dell’AI in modo equo, trasparente, sicuro, privacy-preserving e rispettoso dei diritti fondamentali. I pilastri principali riconosciuti a livello internazionale sono: trasparenza (sapere come funziona il sistema), equità (assenza di discriminazioni), affidabilità (comportamento prevedibile e robusto), privacy (tutela dei dati personali), responsabilità (chiarezza su chi risponde delle decisioni AI). Non è solo filosofia: l’AI etica è sempre più un requisito normativo e un fattore competitivo per le organizzazioni.

Allineamento (alignment)

Processo di allineamento di modelli AI avanzati agli intenti umani, valori etici e sicurezza, garantendo comportamenti prevedibili e benefici anche in scenari estremi. I pilastri principali sono: valore alignment (rispetto preferenze), robustezza (resistenza manipolazioni), scalabilità oversight (controllo superintelligenze). Non è solo etica: l’allineamento è cruciale per prevenire rischi esistenziali e abilitare AGI affidabile.
Processo di allineamento di modelli AI avanzati agli intenti umani, valori etici e sicurezza, garantendo comportamenti prevedibili e benefici anche in scenari estremi. I pilastri principali sono: valore alignment (rispetto preferenze), robustezza (resistenza manipolazioni), scalabilità oversight (controllo superintelligenze). Non è solo etica: l’allineamento è cruciale per prevenire rischi esistenziali e abilitare AGI affidabile.

Deepfake

Tecnica di manipolazione digitale che utilizza intelligenza artificiale (soprattutto GAN e autoencoder) per creare o alterare video, audio o immagini realistici sostituendo volti, voci o comportamenti di persone reali. I pilastri principali riconosciuti sono: realismo fotorealistico (indiscernibilità umana), sintesi cross-modale (integrazione video/audio), scalabilità automatica (generazione rapida). Non è solo effetto speciale: i deepfake sollevano sfide etiche su disinformazione, privacy e sicurezza, richiedendo contromisure come detection AI.

IA spiegabile (XAI – explainable AI)

Insieme di tecniche, processi e metodologie per rendere trasparenti e interpretabili le decisioni e i processi interni dei modelli di intelligenza artificiale, specialmente quelli complessi come “scatole nere”. I pilastri principali riconosciuti sono: interpretabilità (spiegazione logica decisioni), trasparenza (tracciabilità fattori influenti), fiducia umana (comprensione output per utenti non esperti). L’XAI è essenziale per conformità normativa, etica AI e adozione diffusa in settori critici come sanità e finanza.

 

FAQ: Frequently Asked Quesition sui termini AI

Qual è la differenza tra AI e Machine Learning?

L’AI è il campo generale che studia come far compiere alle macchine compiti intelligenti. Il Machine Learning è una delle tecniche principali per realizzarlo: invece di scrivere regole esplicite, si forniscono dati al sistema perché apprenda da solo i pattern rilevanti. Tutti i sistemi di Machine Learning sono AI, ma non tutta l’AI usa il Machine Learning — esistono approcci basati su regole esplicite che sono AI ma non ML.

 

Cos’è un LLM e come funziona?

Un Large Language Model è un modello AI addestrato su miliardi di testi. Durante l’addestramento impara le relazioni statistiche tra parole, frasi e concetti. Quando genera testo, predice quale sequenza di parole è più probabile dato il contesto fornito dall’utente. Non ragiona nel senso umano, ma la qualità emergente di queste previsioni — a scale sufficientemente grandi — produce output che appaiono comprensivi e coerenti.

 

Cosa si intende per allucinazione AI?

È il fenomeno per cui un modello linguistico genera informazioni false con la stessa sicurezza con cui ne genera di corrette. Può inventare biografie di persone reali, citare libri inesistenti, produrre statistiche errate. Non è un bug correggibile facilmente: è una conseguenza della natura statistica dei modelli linguistici. Per qualsiasi uso professionale, la verifica delle informazioni su fonti primarie è sempre necessaria.

 

Cos’è il Prompt Engineering?

È la pratica di formulare istruzioni precise e strutturate per ottenere output di qualità dai sistemi AI generativi. Non richiede competenze di programmazione: si tratta di comunicare con chiarezza, fornire il contesto necessario, specificare il formato desiderato e scomporre compiti complessi in passi. È una competenza trasversale sempre più richiesta in ruoli che usano strumenti AI.

 

Cosa prevede l’AI Act europeo?

Classifica i sistemi AI per livello di rischio e stabilisce obblighi proporzionali. I sistemi a rischio inaccettabile — come il riconoscimento facciale in tempo reale in spazi pubblici — sono vietati. Quelli ad alto rischio, usati in ambiti come medicina, giustizia o selezione del personale, devono rispettare requisiti stringenti di trasparenza, supervisione umana e robustezza. Le aziende che sviluppano o distribuiscono sistemi AI nell’UE devono adeguarsi progressivamente alle scadenze previste dal regolamento.

 

Un glossario che cresce con la tecnologia

L’intelligenza artificiale è un campo in continua evoluzione: nuovi termini entrano nel vocabolario comune ogni mese, e alcune definizioni cambiano significato con l’avanzare della ricerca. Questo glossario viene aggiornato regolarmente per riflettere lo stato attuale della tecnologia e del dibattito che la circonda.

 

Se stai cercando di approfondire un termine specifico o vorresti vedere aggiunte nuove voci, scrivici: costruiamo questo dizionario insieme alla nostra community. E se vuoi passare dalla teoria alla pratica, dai un’occhiata ai nostri corsi su Digitalizzami — dalla formazione sull’AI per il mondo del lavoro ai percorsi pratici sugli strumenti generativi.