[AGGIORNAMENTO DEL 26 GIUGNO 2026: Egomnia ha sospeso il chatbot Emma]
[AGGIORNAMENTO DEL 27 GIUGNO 2027: il gruppo Italian Builders ha clonato Emma e messo online maremma.app]
Emma di Egomnia è un chatbot italiano basato su una famiglia di modelli linguistici open source addestrati per l’italiano. È finita nei meme perché, nelle prove condivise online, ha dato risposte assurde, incoerenti o troppo sicure davanti a domande semplici. Il punto, però, non è “l’AI italiana fa ridere”. Il punto è più interessante: un modello leggero, sperimentale e poco allineato non va presentato o percepito come un assistente generalista alla ChatGPT.
Detta meno diplomaticamente: Emma sembra ubriaca non perché “è italiana”, ma perché sta guidando una Cinquecento su una pista da Formula 1. La Cinquecento può essere utilissima per andare in paese. Basta non venderla come auto da Gran Premio.
Che cos’è Emma di Egomnia?
Emma è il progetto di Egomnia dedicato a una famiglia di Large Language Model italiani. Sul sito dell’azienda viene presentata come un’AI sviluppata e addestrata per il mercato italiano, open source, ospitata in Italia e collegata al tema della sovranità tecnologica.
Egomnia è una società italiana nata nel 2012 e quotata dal 2024 su Euronext Growth Milan. Il posizionamento è ambizioso: costruire modelli più leggeri, specializzati, personalizzabili e indipendenti dai grandi fornitori stranieri.
Fin qui, l’idea è legittima. Anzi, il tema è serio. In Europa si parla sempre più spesso di sovranità digitale, dati, dipendenza tecnologica e modelli verticali. Ne parlo spesso anche nei miei speech e corsi sull’intelligenza artificiale generativa, perché le aziende non possono limitarsi a chiedere “qual è il chatbot migliore?”. Devono chiedersi: dove stanno i dati, quali strumenti posso usare, con quali limiti, con quali responsabilità?
Emma-5: il modello “grande” è in realtà molto piccolo
Il modello oggi più discusso è Emma-5. La scheda pubblicata da Egomnia su Hugging Face lo descrive come un LLM decoder-only sperimentale per la lingua italiana, con 550,4 milioni di parametri, contesto da 2.048 token, addestramento su circa 10,8 miliardi di token, fine-tuning SFT e DPO disabilitato.
Tradotto dal tecnichese: Emma-5 è un modello piccolo. Molto piccolo, se lo confrontiamo con gli assistenti AI che usiamo tutti i giorni. Non sto dicendo che “piccolo” significhi inutile. I modelli piccoli possono essere ottimi per compiti circoscritti, automazioni, uso locale, prototipi, didattica, chatbot aziendali con perimetro chiaro.
Il problema nasce quando il modello viene interrogato come se fosse un assistente generalista robusto. Un conto è chiedergli di lavorare dentro una procedura delimitata. Un altro è chiedergli logica, buon senso, sicurezza, calcoli, autocorrezione e prudenza su qualunque tema.
Perché Emma è finita nei meme?
Il caso è esploso il 24 giugno 2026, quando diversi utenti hanno iniziato a condividere screenshot con risposte strampalate. DDAY.it ha ricostruito bene la vicenda: Emma è diventata virale per risposte fuori fase, tra cani che possono volare, confronti assurdi tra chili di pane e chili di piume, e risposte rassicuranti anche quando sarebbe servita cautela.
Questo uno dei test che ho fatto io:
Altri test riportati online hanno mostrato errori su domande elementari, come il conteggio di lettere in una parola. Queste prove vanno prese per quello che sono: screenshot social, non benchmark scientifici. Però quando tante persone ottengono lo stesso tipo di comportamento, il segnale diventa interessante.
E infatti la domanda giusta non è: “Possiamo ridere di Emma?”. Quello l’hanno già fatto in tanti. La domanda giusta è: perché un chatbot produce risposte così assurde con tanta sicurezza?
Risposta breve: Emma non sa quando non sa
Molti chatbot non hanno un vero istinto del “non lo so”. Generano testo plausibile. Se il modello è forte, ben addestrato, ben allineato e magari collegato a strumenti di verifica, la plausibilità coincide più spesso con una risposta utile. Se il modello è piccolo o fragile, la plausibilità diventa una maschera: la frase suona come una risposta, ma sotto non regge.
È il tema delle allucinazioni, di cui parlavo già nel 2023 in ChatGPT e AI tra fake news e allucinazioni. Una risposta può essere grammaticalmente corretta, convincente e completamente sbagliata. È una delle cose più pericolose dell’AI generativa: non sbaglia sempre urlando “sto sbagliando”. Spesso sbaglia in giacca e cravatta.
Il problema tecnico: non basta dire “transformer”
Emma usa componenti moderni: architettura GPT decoder-only, RoPE, RMSNorm, SwiGLU, Grouped-Query Attention. Sono sigle vere, non marketing inventato. Ma una ricetta con ingredienti buoni non garantisce automaticamente un piatto buono.
In un LLM contano almeno cinque cose:
- la quantità e qualità dei dati di addestramento;
- la dimensione del modello;
- la finestra di contesto;
- il fine-tuning per seguire istruzioni;
- l’allineamento, cioè la capacità di rispondere in modo utile, prudente e coerente.
La scheda di Emma-5 dichiara SFT, cioè Supervised Fine-Tuning, ma DPO disabilitato. Semplificando: il modello è stato istruito con esempi di domande e risposte desiderate, ma sembra mancare una parte più avanzata di ottimizzazione delle preferenze e del comportamento. Non è l’unico modo per allineare un modello, ma l’assenza di passaggi robusti si vede soprattutto quando l’utente fa domande ambigue, banali solo in apparenza o potenzialmente rischiose.
Perché i modelli piccoli sbagliano di più?
Un modello piccolo ha meno capacità di rappresentare relazioni complesse tra concetti, meno memoria interna, meno margine per ragionamenti a più passaggi e meno robustezza davanti a prompt strani. Anche la finestra di contesto da 2.048 token è corta rispetto agli standard attuali: significa che il modello può considerare poco testo alla volta.
Questo non vuol dire che un modello piccolo sia sempre scarso. Vuol dire che va usato bene. Un piccolo modello può funzionare in modo dignitoso se:
- il compito è stretto;
- il dominio è chiaro;
- le risposte possibili sono controllate;
- il sistema ha buoni esempi;
- l’utente non lo usa per decisioni delicate;
- c’è supervisione umana.
Se invece lo buttiamo nel mare aperto delle domande social, farà quello che fanno molti modelli fragili: inventerà una rotta con aria convinta.
Le allucinazioni non sono un bug raro: sono nel modo in cui funzionano gli LLM
IBM definisce le allucinazioni AI come output inesatti, privi di senso o non basati correttamente sui dati disponibili. Un articolo tecnico recente, Why Language Models Hallucinate, spiega un punto importante: i modelli linguistici vengono addestrati a produrre continuazioni probabili, e i sistemi di valutazione spesso premiano la risposta corretta o sbagliata senza premiare abbastanza il “non lo so”. Risultato: quando il modello non è sicuro, può convenire “tirare a indovinare”.
La letteratura tecnica sulla mitigazione delle allucinazioni nei sistemi RAG dice un’altra cosa utile: collegare un modello a fonti esterne può ridurre gli errori, ma non li elimina. La retrieval augmented generation aiuta quando recupera fonti giuste, aggiornate e pertinenti. Se il recupero fallisce, se le fonti sono scarse o se il modello non sa usare bene il contesto, l’allucinazione resta possibile.
Quindi no: non basta attaccare un motore di ricerca a un chatbot e dichiararlo affidabile. Serve progettazione.
Il punto vero: la sovranità tecnologica non si dichiara, si misura
Il tema della sovranità tecnologica è importante. Avere competenze, dati, infrastrutture e modelli in Italia e in Europa è una questione seria. Però proprio per questo bisogna maneggiarla con cura.
La sovranità non nasce da una pagina manifesto. Nasce da modelli valutati bene, benchmark trasparenti, casi d’uso realistici, limiti dichiarati, documentazione chiara, comunità tecnica, audit, sicurezza, aggiornamenti e capacità di dire: “questo modello serve per queste cose, non per queste altre”.
La stessa scheda di Emma-5, va detto, indica limiti importanti: non è progettata per applicazioni mediche, legali o finanziarie critiche, sistemi mission critical, reasoning complesso multi-step o ricerca scientifica avanzata senza supervisione. In questo senso i meme che la interrogano come consulente finanziario colpiscono anche un bersaglio facile: stanno chiedendo al modello qualcosa che la documentazione stessa sconsiglia.
Che cosa ci insegna il caso Emma
Emma ci insegna almeno cinque cose utili.
1. Un LLM piccolo non è un ChatGPT in miniatura
Un modello piccolo non eredita automaticamente le capacità dei modelli di frontiera. Non basta che appartenga alla stessa famiglia tecnica dei transformer. La scala conta, i dati contano, l’allineamento conta.
2. “Italiano” non significa automaticamente migliore per l’Italia
Un modello addestrato in italiano può essere interessante per certi contesti linguistici e culturali. Ma deve dimostrare sul campo comprensione, stabilità e utilità. La bandierina non sostituisce la valutazione.
3. I benchmark interni non bastano
Un benchmark proprietario può essere utile in fase di sviluppo, ma per costruire fiducia servono confronti esterni, test ripetibili e risultati comprensibili anche fuori dall’azienda che produce il modello.
4. L’allineamento è fondamentale
Un chatbot non deve solo generare frasi. Deve capire quando fermarsi, quando chiedere chiarimenti, quando rifiutare, quando segnalare incertezza. È qui che molti prototipi crollano.
5. Gli utenti testeranno sempre il caso peggiore
Quando metti online un chatbot pubblico, le persone non lo useranno solo per il caso d’uso ideale. Gli chiederanno trabocchetti, cose pericolose, domande stupide, domande geniali, battute, finanza, medicina, lettere nelle parole, paradossi e “dimmi qualcosa che non puoi dire”. È la realtà del Web, non un’eccezione.
Emma è da buttare?
No. Sarebbe una conclusione troppo comoda. Emma, come progetto, può avere senso se viene trattata per quello che è: una famiglia di modelli italiani piccoli, sperimentali, potenzialmente utili in scenari controllati. Il problema non è l’esistenza di Emma. Il problema è l’aspettativa.
Per una PMI, un piccolo modello locale o verticale può essere interessante. Può ridurre costi, latenza, dipendenze esterne e rischi di esposizione dei dati. Ma va incastrato dentro un’architettura seria: retrieval, filtri, prompt di sistema, test, logging, limiti, supervisione, fallback e valutazioni.
Nei miei corsi sull’AI per aziende insisto sempre su questo: non si adotta “l’intelligenza artificiale”. Si progettano casi d’uso. E ogni caso d’uso ha uno strumento, un rischio e un criterio di controllo.
La lezione per aziende e comunicatori
Il caso Emma è anche una lezione di comunicazione. Se presenti un modello leggero con parole molto grandi, il Web ti farà pagare la distanza tra promessa e prestazione. È matematico. Anzi, statistico, così restiamo in tema.
Per comunicare bene un progetto AI servono tre ingredienti:
- ambizione, perché senza visione non si costruisce nulla;
- precisione, perché le parole tecniche creano aspettative;
- umiltà, perché i modelli sbagliano e gli utenti se ne accorgono subito.
In questo senso Emma è un caso didattico perfetto. Fa ridere, sì. Ma soprattutto mostra quanto sia fragile il confine tra innovazione, marketing e fiducia.
Emma non è ubriaca, è fuori contesto
Emma pare ubriaca perché le chiediamo di comportarsi come un assistente maturo, generalista e prudente, mentre le sue specifiche raccontano un’altra storia: modello piccolo, contesto corto, allineamento limitato, uso previsto circoscritto.
Il meme passerà. La lezione resta: gli LLM non sono tutti uguali. Prima di usarli in azienda, scuola, comunicazione o servizi pubblici bisogna leggere le schede tecniche, capire i limiti, testare i casi d’uso e progettare controlli.
Perché l’intelligenza artificiale non va né adorata né derisa. Va capita. E, possibilmente, non lasciata guidare dopo il terzo spritz.
FAQ su Emma di Egomnia
Che cos’è Emma di Egomnia?
Emma è una famiglia di Large Language Model italiani sviluppati da Egomnia. Il progetto punta su modelli open source, leggeri e pensati per il mercato italiano.
Perché Emma è finita nei meme?
Emma è finita nei meme perché diversi utenti hanno condiviso screenshot con risposte assurde, incoerenti o troppo sicure davanti a domande semplici e trabocchetti.
Emma-5 è paragonabile a ChatGPT, Claude o Gemini?
No. Emma-5 ha 550,4 milioni di parametri e una finestra di contesto da 2.048 token. È un modello leggero e sperimentale, non un assistente generalista di frontiera.
Perché Emma sbaglia così tanto?
Le cause probabili sono la dimensione ridotta del modello, il contesto corto, l’allineamento limitato, la difficoltà nel reasoning multi-step e l’uso fuori dal perimetro per cui il modello è stato pensato.
Un modello piccolo è sempre inutile?
No. Un modello piccolo può essere utile in compiti circoscritti, locali o verticali. Diventa problematico quando viene usato come assistente generalista per domande aperte, delicate o non controllate.
Che cosa sono le allucinazioni AI?
Le allucinazioni AI sono risposte inesatte, inventate o incoerenti prodotte da un modello generativo. Spesso sono pericolose perché possono sembrare fluide e convincenti.
Scrivimi per organizzare un evento o un corso sull’intelligenza artificiale generativa
Mandami un WhatsApp al 339.6325418 per organizzare un corso o una conferenza sull’A.I. generativa.