I modelli linguistici sono entrati negli uffici spesso prima che nei piani dell’IT: c’è chi li usa per una mail e chi per riassumere un contratto. Secondo l’Istat (rilevazione “Imprese e ICT”, dicembre 2025) le imprese italiane con almeno 10 addetti che usano almeno una tecnologia di intelligenza artificiale sono passate dall’8,2% del 2024 al 16,4% del 2025, e l’ostacolo citato più spesso è la mancanza di competenze.
Per chi decide, la domanda non è più “funziona?”, ma “da dove comincio, senza sprecare budget e senza mettere a rischio i dati?”. Qui mettiamo in fila i punti da chiarire prima di partire.
Che cos’è un LLM, in parole semplici
Un LLM (large language model, cioè modello linguistico di grandi dimensioni) è un programma addestrato su enormi quantità di testo per prevedere, un pezzo alla volta, il seguito più plausibile di quello che riceve. Da questo meccanismo nascono capacità molto utili: rispondere, riassumere, tradurre, estrarre informazioni, scrivere codice. I nomi più noti sono i modelli di OpenAI, Claude di Anthropic, Gemini di Google e, tra quelli che si possono eseguire in proprio, Llama di Meta.
Due chiarimenti. Un LLM non “sa” le cose come un database: genera testo plausibile, di solito corretto ma non sempre. E non conosce i documenti della tua azienda, a meno che non sia tu a fornirglieli nella richiesta.
Dove serve davvero in azienda
I casi d’uso che funzionano meglio hanno tre cose in comune: tanto testo, regole abbastanza chiare e una persona che controlla il risultato.
- Assistenza e assistenti interni: bozze di risposta per l’help desk, un assistente per i colleghi su procedure e regolamenti.
- Scrittura e sintesi: verbali, offerte, riassunti di contratti o di lunghi scambi di email, sempre come bozza da rivedere.
- Estrazione di dati: leggere fatture, ordini, CV o moduli e riportarne i campi in forma strutturata, pronta per il gestionale.
- Ricerca nella conoscenza aziendale: domande in linguaggio naturale su manuali, wiki e archivi, con la risposta e le fonti. È il campo della RAG (retrieval-augmented generation), a cui dedichiamo un articolo a parte.
- Supporto allo sviluppo software: completamento del codice, test, documentazione, sempre con la revisione di uno sviluppatore e i test automatici.
Partire in piccolo: un processo, una misura, un pilota
L’errore più comune è partire da un obiettivo generico come “portare l’AI in azienda”. Funziona meglio il percorso inverso:
- Scegli un processo: frequente, ripetitivo, con molto testo e un costo che conosci (tempo per pratica, tempi di risposta, errori).
- Misura il punto di partenza: senza un “prima” non c’è un “dopo”. Bastano due o tre indicatori.
- Fai un pilota: poche persone, dati reali ma controllati, una durata definita. Annota anche i casi in cui il modello sbaglia.
- Decidi, poi estendi: se gli indicatori migliorano, integri con i sistemi esistenti (accessi, log, monitoraggio) e allarghi ad altri reparti; se no, hai speso poco per scoprirlo.
Come si formano i costi
- Servizi in cloud a consumo: si paga in base ai token, cioè i frammenti di testo (parole o pezzi di parola) che il modello legge e scrive, con prezzi diversi per modello e spesso tra ingresso e uscita. Nessun investimento iniziale, ma una spesa che cresce con l’uso.
- Modelli sui propri server: si pagano l’hardware (in genere server con GPU, i processori che accelerano questi calcoli), l’energia e chi lo gestisce. Costo più prevedibile, ma servono un investimento iniziale e competenze operative.
Non riportiamo cifre perché i listini cambiano spesso: la stima giusta si fa sui volumi misurati nel pilota, con un tetto di spesa fin dal primo giorno. Il confronto tra le due strade è il tema del nostro articolo sui modelli in casa o in cloud.
Privacy e GDPR: dove vanno i dati
Ogni testo inviato a un modello in cloud esce dal tuo perimetro e va governato come con qualunque fornitore che tratta dati per tuo conto.
- Quali dati: classifica cosa entra nel modello. Dati personali, sanitari o segreti industriali richiedono più cautele, dalla pseudonimizzazione al divieto di invio.
- Il contratto: serve un accordo sul trattamento dei dati (DPA, articolo 28 del GDPR) e vanno lette le condizioni sull’addestramento. Anthropic, per esempio, dichiara di non addestrare i modelli sui dati dei suoi prodotti commerciali, API compresa; Google fa lo stesso per l’API Gemini a pagamento, non per quella gratuita.
- La conservazione: verifica per quanto tempo richieste e risposte restano sui server del fornitore e se esistono opzioni di conservazione zero.
- Il luogo: scegli regioni europee quando puoi. OpenAI dal febbraio 2025 offre ai clienti API idonei la residenza dei dati in Europa; Claude su Amazon Bedrock e Gemini su Google Cloud Vertex AI si possono usare con elaborazione nell’Unione. Per i dati più delicati resta il modello installato in casa (on-premise).
Quanto all’AI Act europeo, dal 2 agosto 2026 valgono gli obblighi di trasparenza (come avvisare le persone quando parlano con un’AI); il Digital Omnibus, in vigore dal 27 luglio 2026, rinvia al 2027 e al 2028 le regole sui sistemi ad alto rischio. Il quadro è in movimento: va verificato a ogni progetto.
I rischi: allucinazioni e revisione umana
Il rischio principale si chiama allucinazione: il modello produce un’informazione falsa con il tono sicuro di una vera. Si può ridurre, non eliminare. Le contromisure che consigliamo:
- far lavorare il modello sui tuoi documenti, non sulla sua memoria, e chiedere sempre le fonti;
- tenere una persona nel ciclo per tutto ciò che va verso i clienti o produce effetti concreti (pagamenti, contratti, decisioni sulle persone);
- preparare domande reali con le risposte attese, da ripetere a ogni cambio di modello o di istruzioni;
- trattare con cautela i testi esterni (email, pagine web, allegati), che possono contenere istruzioni nascoste per manipolare il modello (prompt injection).
Se stai valutando da dove partire, possiamo aiutarti a scegliere il primo processo, impostare e misurare il pilota e integrarlo nei tuoi sistemi. Trovi i nostri ambiti di intervento nella pagina dei servizi; per parlarne, scrivici.
