I quattro livelli di utilizzo
dell'intelligenza artificiale

«Uso l'intelligenza artificiale» oggi non vuol dire quasi niente. Può significare aver chiesto una mail a un chatbot, oppure aver addestrato una rete neurale per riconoscere una patologia in una radiografia. Sono attività che non hanno nulla in comune, se non il nome.

Proviamo a mettere ordine: quattro livelli, dal più semplice al più complesso, con quello che ciascuno richiede davvero di sapere.

1. I chatbot: generare testi e immagini

È il livello di ingresso, quello che quasi tutti conoscono: si apre una finestra, si scrive una richiesta, si ottiene un testo o un'immagine. Dietro c'è un modello linguistico di grandi dimensioni (LLM), quasi sempre basato sull'architettura Transformer introdotta nel 2017 dal paper «Attention Is All You Need».

Il modello non “capisce” nel senso in cui lo intendiamo noi: stima, dato tutto quello che c'è scritto finora, quale sia la continuazione più probabile. Funziona sorprendentemente bene, e proprio per questo produce con la stessa scioltezza sia le risposte giuste sia quelle inventate.

È un livello utile e legittimo — scrivere una bozza, riassumere, tradurre — ma è anche quello in cui è più facile scambiare la fluidità per competenza. Saper usare un chatbot non è una competenza tecnica: è saper usare un'interfaccia.

2. Gli strumenti di sviluppo

Qui si cambia categoria. Strumenti come Claude Code, Cursor e Codex sono quelli che chi sviluppa software usa quotidianamente nel 2026. Non generano testo in una finestra separata: leggono il progetto, aprono i file, eseguono i comandi, lanciano i test e correggono in base a quello che succede davvero.

Funzionano collegandosi a modelli tramite API in cloud, oppure — dove serve tenere il codice in casa — a modelli eseguiti in locale. Sui compiti più articolati alcuni di questi strumenti scompongono il lavoro e lo distribuiscono su agenti secondari, ciascuno con un compito circoscritto, i cui risultati vengono poi ricomposti.

La differenza rispetto al primo livello è sostanziale: qui il modello lavora dentro un contesto reale e verificabile, e chi lo guida deve saper leggere quello che produce. Senza quella competenza lo strumento amplifica gli errori invece di correggerli — ne abbiamo scritto, dati alla mano, in questo articolo.

3. L'automazione dei processi

Il terzo livello non riguarda la scrittura di codice ma il far parlare fra loro i sistemi che un'azienda già usa. Lo strumento più diffuso è n8n, definito dalla sua documentazione come «uno strumento di automazione dei flussi di lavoro con licenza fair-code che unisce capacità di intelligenza artificiale e automazione dei processi aziendali».

Il funzionamento è visuale: si compone un workflow collegando nodi. Il primo è un trigger, l'evento che avvia tutto — un modulo compilato, una mail ricevuta, un orario, una chiamata da un altro sistema. I nodi successivi fanno qualcosa con quel dato: lo trasformano, lo salvano, lo inviano, decidono che strada prendere.

Esempi concreti di cosa si automatizza a questo livello:

• una richiesta dal sito che diventa una scheda nel CRM, una notifica al commerciale e una mail di conferma al cliente;
• le fatture in arrivo che vengono lette, archiviate e registrate senza inserimento manuale;
• i dati di più gestionali riuniti ogni notte in un unico riepilogo;
• il monitoraggio delle scorte che apre automaticamente un ordine al fornitore sotto una certa soglia;
• le richieste di assistenza smistate per argomento e priorità prima che le legga una persona.

Una precisazione utile: n8n è fair-code, non open source in senso stretto. È una distinzione che conta quando si valuta cosa si può fare con lo strumento in ambito commerciale.

Il valore qui non è tecnologico ma organizzativo: bisogna conoscere il processo aziendale prima di poterlo automatizzare. Automatizzare un processo sbagliato lo rende soltanto più veloce a sbagliare.

4. Costruire un modello

L'ultimo livello è di un altro ordine di grandezza. Qui non si usa un modello: se ne costruisce uno. E servono basi che non si improvvisano.

Una rete neurale è fatta di neuroni organizzati in layer: uno di ingresso, uno o più nascosti, uno di uscita. Ogni collegamento ha un peso, un numero che stabilisce quanto quel segnale conta. Addestrare la rete significa trovare i pesi giusti.

Il meccanismo è quello descritto nel 1986 da Rumelhart, Hinton e Williams su Nature. In avanti (forward propagation) i dati attraversano la rete e producono un risultato, che viene confrontato con quello atteso: la differenza è l'errore. All'indietro (backpropagation) si calcola quanto ciascun peso ha contribuito a quell'errore — e questo si fa con le derivate, cioè calcolando il gradiente della funzione di costo rispetto a ogni peso. Poi si correggono i pesi nella direzione che riduce l'errore, e si ricomincia. Milioni di volte.

In pratica si prototipa in Python, ma il calcolo vero gira su codice compilato e su GPU: le librerie che si usano hanno il cuore scritto in C++ e CUDA. Python è l'interfaccia, non il motore.

E qui viene il punto che spesso si dimentica: queste competenze non servono solo a fare chatbot. Servono a costruire modelli che risolvono problemi reali. Nel 2017 Nature ha pubblicato uno studio in cui una rete neurale convoluzionale, addestrata su 129.450 immagini cliniche, classificava le lesioni cutanee con un'accuratezza paragonabile a quella di dermatologi certificati. La stessa famiglia di tecniche — classificazione e segmentazione delle immagini — si applica alla radiologia, all'oftalmologia, all'istologia.

Addestrare un modello non è una cosa che si fa in un pomeriggio. Servono dati puliti e in quantità, hardware specializzato, tempo di calcolo, e soprattutto la capacità di valutare se il risultato è buono — che è la parte più difficile.

Il caso Emma-5

A giugno 2026 Emma-5, modello linguistico italiano sviluppato da Egomnia S.p.A. e addestrato da zero, è finito al centro delle prese in giro per le risposte sbagliate, fino a essere messo offline.

Vale la pena guardare i numeri prima delle battute. Emma-5 ha 550 milioni di parametri. I modelli commerciali considerati “piccoli” oggi partono da 1,5-3 miliardi, e quelli di frontiera stanno su ordini di grandezza superiori. È la stessa azienda a scriverlo sulla propria pagina: «le allucinazioni e le risposte buffe che state vedendo online sono il risultato inevitabile di questa struttura microscopica», e il modello viene descritto come «ancora un esperimento».

Da un modello di quelle dimensioni non ci si poteva aspettare di competere con i grandi modelli americani e cinesi: non è una questione di bravura degli sviluppatori, è aritmetica. La capacità di un modello dipende dai parametri, dalla quantità e qualità dei dati e dal calcolo impiegato, e quelle risorse costano cifre fuori portata per quasi chiunque in Europa.

L'errore, semmai, è stato di comunicazione: presentare un esperimento da 550 milioni di parametri dentro la cornice della “sovranità tecnologica” significa creare aspettative che il modello non poteva reggere. I pesi sono stati rilasciati apertamente, ed è una scelta seria: chi vuole studiare come si costruisce un modello linguistico in italiano ora ha qualcosa da cui partire. Andava raccontato per quello che era.

Dove ti collochi

I quattro livelli non sono una scala di merito: sono ambiti diversi, con competenze diverse. Il problema nasce quando si scambia un livello per un altro — quando chi sa usare un chatbot pensa di poter fare il lavoro di chi sviluppa, o quando si liquida come inutile un modello sperimentale perché non fa quello per cui non era stato costruito.

Nel nostro lavoro usiamo quotidianamente il secondo livello e progettiamo automazioni al terzo. Se hai un processo aziendale che vive ancora su fogli di calcolo e caselle di posta, è probabile che si possa automatizzare.

Parliamone

Fonti

• A. Vaswani et al., «Attention Is All You Need», NeurIPS 2017 (arXiv:1706.03762) — l'architettura Transformer alla base dei modelli linguistici — arxiv.org/abs/1706.03762
• D. E. Rumelhart, G. E. Hinton, R. J. Williams, «Learning representations by back-propagating errors», Nature 323, 533-536 (1986) — www.nature.com/articles/323533a0
• I. Goodfellow, Y. Bengio, A. Courville, «Deep Learning», MIT Press (2016) — disponibile gratuitamente online — www.deeplearningbook.org/
• A. Esteva et al., «Dermatologist-level classification of skin cancer with deep neural networks», Nature 542, 115-118 (2017) — www.nature.com/articles/nature21056
• Documentazione ufficiale n8n — docs.n8n.io/
• Egomnia — pagina ufficiale del modello Emma-5 — emma.egomnia.com/