Glossario IA e LLM per professionisti: i termini essenziali

Un glossario IA e LLM raccoglie in un unico posto le definizioni che servono per leggere una documentazione tecnica, confrontare due strumenti o seguire una riunione con sviluppatori senza annuire a vuoto. Qui trova spiegazioni chiare di LLM, token, finestra di contesto, embedding, RAG, agente, MCP, fine-tuning, allucinazione, reranker e database vettoriale, con esempi concreti invece di formule. Non serve una laurea in informatica: bastano dieci minuti di lettura per orientarsi.

Perché un glossario conta per chi non è sviluppatore

Nel 2026 i termini dell'intelligenza artificiale generativa sono entrati nei capitolati, nei contratti con fornitori software e nelle valutazioni di conformità al GDPR. Un responsabile acquisti che deve scegliere uno strumento di IA per il servizio clienti, un avvocato che valuta un contratto di licenza software o un consulente che vuole vendere il proprio sapere a un'IA hanno bisogno di capire cosa significano davvero parole come RAG, fine-tuning o allucinazione, perché da quelle definizioni dipendono scelte tecniche, costi e rischi. Confondere un LLM con un motore di ricerca, o un embedding con un semplice tag, porta spesso a scegliere lo strumento sbagliato o a firmare un contratto senza capirne le clausole tecniche.

Questo glossario è organizzato per blocchi logici: prima i mattoni di base di un modello linguistico, poi come gli si dà conoscenza su misura, poi come lo si trasforma in un agente capace di agire, infine come si misura e si migliora la qualità delle risposte.

I mattoni di base: LLM, token e finestra di contesto

• LLM (Large Language Model): un modello statistico addestrato su enormi quantità di testo per prevedere la parola (o il frammento di parola) più probabile dopo una sequenza data. È il motore dietro i chatbot moderni: non ragiona in senso umano, ma genera testo coerente combinando pattern statistici appresi durante l'addestramento.
• Token: l'unità minima di testo che un LLM manipola, spesso più piccola di una parola intera (ad esempio «indispensabile» può diventare tre o quattro token). I prezzi delle API e i limiti di lunghezza si misurano quasi sempre in token, non in parole o caratteri: una stima pratica è che 1.000 token corrispondano a circa 750 parole in italiano.
• Finestra di contesto (context window): la quantità massima di token che un modello può «vedere» in una sola richiesta, includendo domanda, istruzioni e documenti allegati. Una finestra più ampia permette di incollare documenti più lunghi, ma non sostituisce una buona organizzazione delle informazioni: un modello con contesto enorme può comunque perdere dettagli sepolti in mezzo a migliaia di righe.
• Prompt: il testo di istruzione che si invia al modello per ottenere una risposta. Un «prompt di sistema» definisce il comportamento generale (tono, ruolo, vincoli), mentre il «prompt utente» è la domanda specifica posta di volta in volta.

Dare conoscenza su misura al modello: embedding, RAG e database vettoriale

Un LLM da solo conosce solo ciò che ha visto durante l'addestramento, e si ferma a una certa data. Per rispondere su documenti privati, leggi aggiornate o cataloghi interni servono meccanismi che gli forniscano informazioni fresche e verificabili al momento della domanda.

• Embedding: una rappresentazione numerica (un vettore di numeri) del significato di un testo. Due frasi con significato simile avranno embedding vicini tra loro nello spazio matematico, anche se usano parole diverse. È il meccanismo che permette una ricerca «semantica» invece di una semplice corrispondenza di parole chiave. Una spiegazione più approfondita, con esempi visivi, è disponibile nell'articolo Cosa sono gli embedding: spiegazione semplice per non specialisti.
• Database vettoriale: un archivio pensato per memorizzare milioni di embedding e ritrovare rapidamente quelli più simili a una domanda. È il componente infrastrutturale che rende possibile cercare «per significato» su grandi volumi di documenti, invece di scorrerli uno a uno.
• RAG (Retrieval-Augmented Generation): una tecnica che, prima di far rispondere l'LLM, recupera i passaggi di testo più pertinenti da una base documentale e li inserisce nel prompt come contesto. Il risultato è una risposta ancorata a fonti verificabili, spesso accompagnata dalle citazioni dei passaggi usati. Il meccanismo passo dopo passo è descritto in Come funziona il RAG, passo dopo passo: una domanda reale seguita dall'inizio alla fine.
• Ricerca ibrida: una variante del recupero documentale che combina la ricerca testuale classica (parole chiave, BM25) con la ricerca semantica basata su embedding, per catturare sia le corrispondenze esatte (codici, nomi propri, riferimenti normativi) sia quelle concettuali. Il perché di questa combinazione è spiegato in Ricerca ibrida: perché BM25 e vettori insieme battono entrambi da soli.

Dal testo all'azione: agente e MCP

Un LLM che si limita a generare testo è utile, ma diventa molto più potente quando può interrogare strumenti esterni, eseguire ricerche o chiamare funzioni. Qui entrano in gioco due concetti distinti ma spesso confusi.

• Agente: un sistema costruito attorno a un LLM che, oltre a generare testo, può decidere autonomamente quali strumenti usare (una ricerca web, una base di conoscenza, un calcolatore, un'API aziendale) per completare un compito in più passaggi, valutando i risultati intermedi prima di dare una risposta finale.
• MCP (Model Context Protocol): uno standard aperto che definisce come un'applicazione di IA (il «client», ad esempio Claude, Cursor o ChatGPT) possa collegarsi a un «server» che espone strumenti, documenti o funzioni, senza dover scrivere un'integrazione su misura per ogni combinazione client-server. In pratica permette di collegare un assistente IA a una base di conoscenza con poche righe di configurazione. L'approfondimento completo è in Cos'è MCP (Model Context Protocol): server, client, strumenti e risorse, con la guida pratica in Collegare Claude, Cursor o ChatGPT a una base di conoscenza: la guida passo passo.

Qualità e limiti: fine-tuning, allucinazione e reranker

• Fine-tuning: un addestramento supplementare di un LLM già pronto, su un insieme più piccolo di esempi specifici, per modificarne lo stile, il formato di risposta o il comportamento su un compito preciso. A differenza del RAG, il fine-tuning cambia i parametri interni del modello e non è il modo più efficace per aggiungere conoscenza fattuale aggiornabile: per quello, recuperare documenti al momento della domanda resta generalmente più semplice, economico e verificabile.
• Allucinazione: una risposta generata dall'LLM che sembra plausibile e sicura ma che è fattualmente sbagliata o inventata, perché il modello completa il testo in modo statisticamente coerente anche quando non dispone dell'informazione corretta. Ridurre le allucinazioni è uno degli obiettivi principali del RAG, perché ancorare le risposte a passaggi citati permette di verificarle. Le tecniche concrete sono raccolte in Come ridurre le allucinazioni dell'IA con risposte basate sulle fonti.
• Reranker: un modello più piccolo e specializzato che, dopo una prima ricerca grossolana su un database vettoriale o testuale, riordina i passaggi candidati secondo la loro reale pertinenza rispetto alla domanda. Serve a correggere gli errori della ricerca iniziale prima di passare i documenti finali all'LLM, migliorando sensibilmente la qualità delle risposte in sistemi RAG con molti documenti.

Come mettere insieme questi termini nella pratica

Nella maggior parte dei progetti aziendali questi concetti non si usano isolati, ma si compongono. Un caso tipico: un ufficio legale carica leggi, contratti tipo e memorie interne; il sistema spezza i documenti in passaggi (chunking), calcola un embedding per ciascuno e li salva in un database vettoriale; quando qualcuno fa una domanda, una ricerca ibrida recupera i passaggi più pertinenti, un reranker li riordina, e l'LLM genera una risposta citando le fonti usate, riducendo il rischio di allucinazioni. Esempi concreti di questo schema applicati a settori diversi sono descritti in RAG per studi legali: interrogare leggi, giurisprudenza e memo con fonti citate e in RAG per il customer support: come rispondere ai ticket con fonti citate.

Chi vuole evitare di montare da zero database vettoriale, pipeline di chunking e logica di citazione può affidarsi a un servizio che gestisce tutta la parte infrastrutturale. Su Kopik è possibile caricare documenti (PDF, Word, testo, Markdown) e ottenere in pochi minuti una base di conoscenza interrogabile con ricerca ibrida e risposte con passaggi citati, senza dover scegliere o configurare manualmente un database vettoriale.

Domande frequenti sui termini IA