Che cos’è davvero un LLM

Dal modello linguistico al servizio di intelligenza artificiale che utilizziamo

Quando apriamo un servizio di intelligenza artificiale generativa e scriviamo:

«Riassumi questa sentenza e indicami i passaggi relativi alla responsabilità contrattuale»

abbiamo l'impressione di rivolgerci a un unico oggetto chiamato “intelligenza artificiale”.

In realtà dietro quella semplice finestra possono esserci diversi livelli tecnologici.

C'è un modello. C'è un sistema che utilizza quel modello. C'è un'interfaccia che permette a noi di interagire con il sistema. Possono esserci strumenti per cercare informazioni, consultare documenti, navigare sul web, utilizzare una memoria o compiere altre operazioni.

Al centro di molti dei sistemi generativi che utilizziamo oggi troviamo un LLM.

LLM significa Large Language Model, cioè, semplificando, grande modello linguistico.

Ma che cosa significa davvero?

Partiamo da quello che abbiamo già imparato

I concetti necessari possono essere ricostruiti un pezzo alla volta.

Abbiamo visto che il testo viene suddiviso in token.

Abbiamo scoperto che parole e token possono essere rappresentati matematicamente mediante vettori, incontrando così gli embeddings.

Abbiamo poi aperto la “macchina” e incontrato l'architettura Transformer e il meccanismo di attention, che consentono di elaborare le relazioni tra gli elementi presenti nel contesto.

Infine abbiamo visto che, nei modelli linguistici generativi autoregressivi, la generazione può procedere attraverso la previsione progressiva del token successivo.

Possiamo finalmente mettere insieme i pezzi:

TESTO → TOKEN → RAPPRESENTAZIONI NUMERICHE → ELABORAZIONE DEL CONTESTO → PROBABILITÀ DEI POSSIBILI TOKEN → TOKEN SUCCESSIVO

Il procedimento viene ripetuto molte volte.

Token dopo token compare una frase. Frase dopo frase compare quella che noi percepiamo come una risposta.

Perché si chiama “Language Model”?

Cominciamo dalle ultime due lettere.

LM = Language Model.

Durante l'addestramento un modello linguistico apprende regolarità presenti nei dati.

Non dobbiamo però immaginarlo come una gigantesca biblioteca digitale nella quale ogni frase, sentenza o nozione sia conservata dentro una cartella e successivamente recuperata.

Il processo è differente.

Durante il training vengono modificati i parametri del modello. Attraverso questi parametri vengono rappresentate le regolarità apprese durante l'addestramento.

Quando successivamente utilizziamo il modello entriamo invece nella fase di inferenza.

Gli forniamo un input e il modello calcola un output sulla base dei parametri appresi e del contesto disponibile.

Ed è qui che incontriamo una prima regola fondamentale:

PLAUSIBILITÀ LINGUISTICA ≠ VERITÀ

Una frase può essere linguisticamente perfetta, perfettamente inserita nel contesto e apparentemente autorevole.

E può comunque essere falsa.

Per un avvocato questa distinzione è decisiva.

Perché “Large”?

La parola large non significa semplicemente che il programma occupa molto spazio.

Descrive la grande scala raggiunta da questi modelli sotto differenti profili, che possono riguardare l'architettura, il numero dei parametri, i dati e le risorse computazionali utilizzate per l'addestramento.

Ma dobbiamo introdurre subito una cautela.

“Large Language Model” è un'espressione tecnica. Non è una categoria giuridica autonoma dell'AI Act.

Ed è proprio qui che tecnologia e diritto devono essere tenuti distinti.

LLM, modello GPAI e sistema di IA non sono la stessa cosa

L'AI Act non definisce il termine “LLM”.

Definisce invece, tra le altre, le nozioni di sistema di IA, modello di IA per finalità generali e sistema di IA per finalità generali.

L'articolo 3, punto 63, qualifica come modello di IA per finalità generali un modello caratterizzato da una generalità significativa, capace di svolgere con competenza un'ampia gamma di compiti distinti e suscettibile di essere integrato in differenti sistemi o applicazioni a valle. La definizione considera espressamente anche l'ipotesi dell'addestramento con grandi quantità di dati mediante autosupervisione su larga scala.

La Commissione europea chiarisce ulteriormente che i grandi modelli generativi costituiscono un tipico esempio di GPAI quando presentano le caratteristiche richieste dal regolamento. Gli orientamenti europei adottano inoltre criteri tecnici indicativi per aiutare a stabilire quando un modello possa rientrare nella categoria GPAI.

La conseguenza è importante:

LLM ≠ AUTOMATICAMENTE MODELLO GPAI

e:

MODELLO GPAI ≠ SISTEMA DI IA

La qualificazione giuridica non può essere ricavata semplicemente dal nome commerciale o tecnico della tecnologia.

Il motore non è l'automobile

Immaginiamo un'automobile.

Il motore è indispensabile per farla funzionare.

Ma nessuno direbbe:

MOTORE = AUTOMOBILE

Servono ruote, sterzo, freni, comandi e molti altri componenti.

Lo stesso ragionamento ci aiuta a comprendere la differenza tra modello e sistema.

L'AI Act costruisce consapevolmente questa distinzione. L'articolo 3 definisce il sistema di IA come un sistema automatizzato che, per obiettivi espliciti o impliciti, deduce dagli input ricevuti come generare output quali previsioni, contenuti, raccomandazioni o decisioni capaci di influenzare ambienti fisici o virtuali. La stessa disposizione distingue poi il modello GPAI dal sistema di IA per finalità generali, definito come sistema basato su un modello GPAI e capace di perseguire varie finalità.

Possiamo quindi costruire una prima mappa:

MODELLO → SISTEMA → APPLICAZIONE/SERVIZIO

Il modello costituisce il nucleo computazionale.

Il sistema integra il modello all'interno di una struttura funzionale.

Il servizio che utilizziamo può aggiungere interfaccia, gestione dell'account, caricamento dei documenti, ricerca, memoria, strumenti, filtri di sicurezza e molte altre funzionalità.

Questa distinzione sembra tecnica.

In realtà diventerà essenziale quando dovremo capire chi fa che cosa e chi assume quali obblighi.

Il modello “sa” quello che sta dicendo?

1. Modello linguisticoLa componente che elabora il contesto e genera testo.
2. Sistema di IAIl modello può essere integrato con strumenti, dati e altre componenti.
3. Servizio utilizzatoL’utente incontra interfaccia, funzionalità e condizioni del servizio.

Distinguere i livelli tecnici prima di attribuire ruoli e conseguenze giuridiche.

Qui dobbiamo stare particolarmente attenti al linguaggio.

Nella vita quotidiana diciamo:

“L'IA sa che…”

“L'IA ha capito…”

“L'IA pensa che…”

Sono espressioni comode.

Ma rischiano di trasformare metafore linguistiche in descrizioni tecniche.

Un LLM elabora rappresentazioni matematiche e produce output sulla base della propria architettura, dei parametri appresi e del contesto che riceve.

Le prestazioni linguistiche possono essere straordinarie.

Questo non autorizza però a concludere:

GENERARE UNA RISPOSTA COERENTE = COMPRENDERE COME UN ESSERE UMANO

Meglio quindi ricordare:

GENERAZIONE LINGUISTICA ≠ COMPRENSIONE UMANA

Per un professionista non è una questione filosofica.

È una precauzione operativa.

Se attribuiamo alla macchina una comprensione che non possiamo semplicemente presumere, rischiamo di trasformare la fluidità del linguaggio in un indice di affidabilità.

E non lo è.

Dove sono le informazioni che il modello utilizza?

Questa è una delle domande più importanti.

Un LLM non deve essere immaginato come un motore di ricerca che, per rispondere, apre necessariamente il documento originario dal quale proviene una determinata informazione.

Durante l'addestramento il modello modifica i propri parametri.

Quando successivamente genera una risposta utilizza il proprio stato parametrico insieme al contesto disponibile.

Questo significa che può produrre una frase come:

«Secondo Cassazione civile n. 12.345/2025…»

senza che da quella frase possiamo dedurre che il sistema abbia effettivamente consultato quella sentenza.

La forma della citazione può essere impeccabile.

La sentenza potrebbe non esistere.

Ecco allora due regole fondamentali per il giurista:

OUTPUT ≠ FONTE

CITAZIONE GENERATA ≠ CITAZIONE VERIFICATA

Non basta quindi chiedere nuovamente al medesimo modello se la citazione sia corretta.

La verifica deve riportarci alla fonte effettiva.

È esattamente qui che si colloca il problema delle informazioni inesistenti generate dal modello.

Training e contesto non sono la stessa cosa

C'è un'altra distinzione fondamentale.

Quando utilizziamo un LLM gli forniamo informazioni nel momento dell'uso.

Il prompt è l'esempio più evidente.

A seconda dell'architettura del sistema, possono inoltre entrare nel contesto istruzioni, parti della conversazione, documenti, risultati di una ricerca o informazioni recuperate da altre fonti.

Dobbiamo quindi distinguere:

CIÒ CHE IL MODELLO HA APPRESO DURANTE L'ADDESTRAMENTO

da:

CIÒ CHE VIENE FORNITO AL MODELLO DURANTE L'UTILIZZO

Sono due piani diversi.

Ed è proprio questa distinzione che ci permetterà più avanti di capire la RAG, nella quale il sistema recupera informazioni da determinate fonti e le mette a disposizione del modello per la generazione.

Un esempio nello studio legale

Supponiamo di caricare un contratto e chiedere:

«Individua tutte le clausole che possono comportare una responsabilità per Alfa e indicami la giurisprudenza rilevante.»

Dopo pochi secondi otteniamo cinque pagine ordinate, eleganti e convincenti.

Il problema è che la qualità della scrittura non dimostra:

che tutte le clausole rilevanti siano state individuate;

che il contratto sia stato interpretato correttamente;

che le disposizioni richiamate siano vigenti;

che le sentenze citate esistano;

che quelle sentenze affermino davvero il principio indicato;

che il sistema abbia considerato tutti gli elementi necessari per la strategia professionale.

La fluidità linguistica può farci dimenticare questa differenza.

Per questo:

QUALITÀ DELLA FORMA ≠ AFFIDABILITÀ DEL CONTENUTO

L'intelligenza artificiale può elaborare, organizzare, confrontare e assistere.

Il professionista deve comprendere, verificare, valutare e decidere.

E GPT che cosa significa?

GPT significa Generative Pre-trained Transformer.

Il nome contiene tre concetti che abbiamo già incontrato.

Generative perché il modello è capace di generare contenuti.

Pre-trained perché esiste una fase di addestramento precedente all'utilizzazione concreta da parte dell'utente.

Transformer perché appartiene alla famiglia architetturale fondata sui Transformer.

Ma attenzione ancora una volta alle equivalenze troppo facili:

GPT ≠ DEFINIZIONE DI LLM

GPT indica una specifica famiglia/architettura di modelli linguistici generativi; non tutti gli LLM devono essere chiamati GPT.

Qui le fonti scientifiche originarie sull'architettura Transformer e la letteratura tecnica restano il riferimento corretto; NIST può essere utilizzato come ulteriore fonte internazionale di sistematizzazione, non come fonte primaria europea del nostro percorso.

Ora possiamo costruire la mappa completa

I concetti studiati finora possono essere collegati:

DATI DI ADDESTRAMENTO ↓ TRAINING ↓ PARAMETRI DEL MODELLO ↓ LARGE LANGUAGE MODEL ↓ INPUT E CONTESTO ↓ TOKEN + EMBEDDINGS + TRANSFORMER/ATTENTION ↓ CALCOLO DELLE POSSIBILI CONTINUAZIONI ↓ GENERAZIONE DELL'OUTPUT

Quando però passiamo dal modello al prodotto concretamente utilizzato dal professionista, la mappa si amplia:

LLM → SISTEMA DI IA → INTERFACCIA / STRUMENTI / FUNZIONALITÀ → SERVIZIO UTILIZZATO

Ed è proprio in questo passaggio che la conoscenza tecnica diventa indispensabile anche per comprendere correttamente le regole.

Le quattro distinzioni da ricordare

LLM ≠ CHATBOT

Un LLM può costituire il motore linguistico di un chatbot, ma non coincide necessariamente con l'intero servizio con cui interagiamo.

LLM ≠ AUTOMATICAMENTE MODELLO GPAI

“LLM” è una nozione tecnica. “Modello di IA per finalità generali” è una categoria normativa definita dall'AI Act. La Commissione ha pubblicato specifici orientamenti proprio per chiarirne l'ambito applicativo.

MODELLO ≠ SISTEMA

L'AI Act distingue espressamente i due livelli e contempla anche il fornitore a valle che integra un modello all'interno di un sistema di IA. Questa distinzione attraversa quindi l'intera catena del valore.

LLM ≠ VERITÀ

Il modello genera un output. La correttezza dell'output deve essere verificata.

Per l'avvocato questa è probabilmente la distinzione più importante di tutte.

Perché tutto questo interessa un avvocato?

Perché prima di stabilire quali regole applicare dobbiamo capire che cosa stiamo utilizzando.

Un modello non è automaticamente il sistema.

Il sistema non è necessariamente il servizio.

Un LLM non è automaticamente una categoria giuridica.

E l'utente professionale che utilizza un sistema non assume automaticamente il ruolo del soggetto che ha sviluppato il modello: per qualificare correttamente questa posizione occorre distinguere provider e deployer nell’AI Act.

La corretta qualificazione tecnologica precede quindi la corretta qualificazione giuridica.

È il passaggio fondamentale da:

“Sto usando l'intelligenza artificiale”

a:

“So quale tecnologia sto utilizzando, all'interno di quale sistema, con quali funzioni e quale ruolo assumo rispetto ad essa.”

Questa è vera AI literacy professionale.

E ci prepara alla domanda successiva.

Se il modello è progettato per produrre continuazioni linguisticamente plausibili, che cosa accade quando la continuazione più plausibile non corrisponde alla realtà?

È così che arriviamo alle cosiddette allucinazioni degli LLM.

Un caso di attualità collegato GPT‑6 Astra: è davvero arrivata l’intelligenza artificiale generale?.

Fonti principali

• Regolamento (UE) 2024/1689 (AI Act)
• Commissione europea, Guidelines for providers of general-purpose AI models
• Vaswani et al., Attention Is All You Need
• NIST, Artificial Intelligence resources

---

Continua il percorso HUMAIURIS

Allucinazioni → RAG