Quando durante i miei corsi sull’intelligenza artificiale generativa spiego come funziona un LLM, cioe un Large Language Model, a un certo punto arriva sempre la stessa domanda: “Ma quindi ChatGPT pensa?”.
Risposta breve: no, almeno non nel senso umano del termine.
Risposta un po’ piu utile: un modello linguistico genera testo calcolando, passo dopo passo, quali pezzi di testo sono piu probabili dopo quelli gia scritti. Non sceglie una parola perche “ha capito” come noi. La sceglie perche, in base all’addestramento e al contesto, quella continuazione ha una certa probabilita.
Detta cosi sembra una faccenda da matematici con il camice. Per questo ho preparato un piccolo simulatore didattico: scrivi l’inizio di una frase e il sistema ti mostra alcune possibili parole successive, con la relativa percentuale di probabilita.
Non e un vero ChatGPT. E, volutamente, molto piu semplice. Ma serve a visualizzare il meccanismo chiave: un LLM non scrive tutto il testo in un colpo solo. Predice il prossimo token, poi il prossimo, poi il prossimo ancora. Come quando in autostrada segui i cartelli, solo che qui i cartelli sono statistici.
Prova il simulatore
Qui sotto puoi inserire l’inizio di una frase. Il simulatore propone diverse parole successive e mostra una probabilita per ciascuna. Piu alta e la percentuale, piu quella parola e “attesa” in quel contesto.
Nota importante: questo e un simulatore divulgativo. Le probabilita sono generate da un piccolo modello dimostrativo scritto in JavaScript, non da un LLM reale. Serve per capire il principio, non per replicare ChatGPT.
Simulatore: qual e la prossima parola?
Scrivi l’inizio di una frase. Il simulatore calcola alcune possibili continuazioni e mostra una distribuzione di probabilita.
Che cosa sta succedendo nel simulatore
Il simulatore fa tre cose:
- Legge l’inizio della frase.
- Cerca alcuni indizi nel testo: per esempio parole legate ad aziende, formazione, dati, scrittura o intelligenza artificiale.
- Assegna un punteggio ad alcune possibili parole successive e le trasforma in percentuali.
Il risultato e una distribuzione di probabilita. Questo concetto e fondamentale: un LLM non ha una sola risposta “giusta” gia pronta in memoria. Ha molte possibili continuazioni, ciascuna con un peso diverso.
Se scrivo:
L’intelligenza artificiale puo aiutare le aziende a
una continuazione come “automatizzare” o “analizzare” ha piu senso di “friggere”. Non perche il modello abbia buon gusto, ma perche nel suo addestramento ha visto moltissime frasi in cui AI, aziende, processi, dati e automazione stanno vicini.
Poi entra in gioco un altro parametro: la creativita, che nei modelli reali viene spesso avvicinata al concetto di “temperatura”. Con una temperatura bassa il sistema sceglie parole piu prevedibili. Con una temperatura alta lascia piu spazio a opzioni meno probabili.
Come funziona davvero un LLM
Un LLM, semplificando, e un modello addestrato su enormi quantita di testo. Durante l’addestramento impara relazioni statistiche tra parole, frasi, concetti, stili e contesti. Quando gli scriviamo un prompt, il modello non consulta un dizionario magico delle risposte. Calcola una sequenza.
Il processo, molto semplificato, e questo:
- Il testo viene diviso in token, cioe pezzi di parole o parole intere.
- Il modello analizza il contesto gia presente.
- Produce una lista di possibili token successivi.
- A ogni token assegna una probabilita.
- Viene scelto un token.
- Il token scelto viene aggiunto al testo.
- Il processo ricomincia.
Ecco perche, quando usiamo ChatGPT, Claude, Gemini, Copilot o altri chatbot, vediamo il testo comparire poco alla volta. Il modello sta costruendo la risposta un passo dopo l’altro.
Token: perche non parliamo solo di parole
Nel simulatore parlo di “parole successive” perche e piu intuitivo. In realta gli LLM lavorano con i token. Un token puo essere una parola, una parte di parola, uno spazio, un segno di punteggiatura o un frammento.
Per esempio, una parola lunga puo essere spezzata in piu token. Una frase breve puo contenere piu token di quanto immaginiamo. Questo dettaglio tecnico ha effetti pratici: i modelli hanno una finestra di contesto, cioe una quantita massima di token che riescono a considerare in una conversazione o in un documento.
Tradotto in linguaggio da aula: se butti dentro troppa roba, il modello non diventa automaticamente piu intelligente. A volte diventa solo piu confuso.
Perche a volte l’AI sbaglia
Capire la previsione della parola successiva aiuta anche a capire gli errori dell’intelligenza artificiale generativa.
Un LLM puo produrre una frase fluida, elegante e sbagliata. Questo succede perche la probabilita linguistica non coincide sempre con la verita. Una frase puo “suonare bene” anche se contiene un dato inventato, una fonte inesistente o un ragionamento debole.
Ecco perche nei miei corsi insisto sempre su tre verbi:
- chiedere bene;
- verificare meglio;
- usare con criterio.
Il prompt engineering non e l’arte di trovare la formula segreta. E il metodo per dare contesto, obiettivo, vincoli, esempi e criteri di controllo. Poi serve comunque la testa dell’utente. Spiace, ma quella non e ancora disponibile in abbonamento.
A cosa serve questo progetto
Questo simulatore nasce per rendere visibile un meccanismo che di solito resta nascosto. Quando una tecnologia sembra magia, la usiamo peggio: o la sopravvalutiamo, o la demonizziamo. In entrambi i casi capiamo poco.
Visualizzare le probabilita aiuta a fare tre passi:
- Capire che un chatbot non “sa” nel modo in cui sa una persona.
- Capire perche lo stesso prompt puo generare risposte leggermente diverse.
- Capire perche contesto, istruzioni e verifica sono decisivi.
Il pubblico ideale e molto ampio: aziende, scuole, universita, formatori, professionisti, comunicatori, giornalisti, manager e chiunque voglia capire l’AI generativa senza perdersi subito nelle formule.
Un esempio pratico per aziende e professionisti
In azienda la domanda non dovrebbe essere: “Possiamo usare ChatGPT per tutto?”.
La domanda migliore e: “Quali attivita hanno abbastanza testo, regole, esempi e controllo umano da poter essere aiutate da un LLM?”.
Un modello linguistico puo essere utile per:
- riassumere documenti;
- preparare bozze di email, post, comunicati e report;
- trasformare testi tecnici in versioni piu accessibili;
- creare scalette, FAQ, checklist e materiali formativi;
- analizzare feedback, note, trascrizioni e contenuti non strutturati;
- simulare domande, obiezioni o scenari.
Ma non dovrebbe essere usato alla cieca per decisioni delicate, dati sensibili, diagnosi, consulenze legali, valutazioni finanziarie o contenuti che richiedono fonti verificate.
Il punto non e sostituire le competenze. Il punto e aumentare la qualita del lavoro dove il modello puo davvero aiutare, lasciando all’essere umano controllo, responsabilita e giudizio.
Perche il prompt cambia il risultato
Se nel simulatore scrivi una frase generica, le probabilita restano piu distribuite. Se invece inserisci parole come “azienda”, “report”, “corso”, “studenti” o “articolo”, alcune continuazioni diventano piu probabili.
Succede qualcosa di simile anche con gli LLM reali. Un prompt vago produce una risposta generica. Un prompt con contesto, ruolo, pubblico, obiettivo, formato e vincoli permette al modello di muoversi in uno spazio piu preciso.
Esempio debole:
Scrivi un testo sull’AI.
Esempio migliore:
Scrivi un’introduzione divulgativa di 1.500 battute per un pubblico di manager non tecnici. Spiega che gli LLM generano testo prevedendo il token successivo, usa un esempio pratico e chiudi con un invito alla verifica delle fonti.
Non e questione di “parlare bene alla macchina”. E questione di progettare bene la richiesta.
Limiti del simulatore
Questo progetto non pretende di spiegare tutta l’architettura dei transformer, l’attenzione, gli embedding, il fine-tuning, il reinforcement learning from human feedback o le tecniche usate nei modelli piu recenti.
Fa una cosa sola: mostrare in modo interattivo che la generazione del testo e una scelta probabilistica progressiva.
Per una prima comprensione e gia molto. Perche appena si capisce questo, molte stranezze dell’AI diventano meno strane:
- perche due risposte allo stesso prompt possono essere diverse;
- perche una risposta puo essere fluida ma falsa;
- perche il contesto migliora la qualita;
- perche la verifica resta indispensabile;
- perche “fammi tutto tu” e quasi sempre un pessimo prompt.
Conclusione: meno magia, piu metodo
Gli LLM sono strumenti potentissimi, ma funzionano meglio quando smettiamo di considerarli oracoli. Non leggono nella mente, non hanno intenzioni, non verificano automaticamente la realta. Generano testo in base al contesto e alle probabilita.
Questo non li rende meno utili. Anzi: li rende piu utilizzabili.
Quando capiamo il meccanismo, possiamo fare domande migliori, progettare flussi di lavoro piu sensati, controllare gli output e scegliere quando l’AI e davvero adatta al compito.
Il simulatore serve proprio a questo: aprire il cofano, senza dover diventare ingegneri. Perche l’intelligenza artificiale generativa non va adorata e non va temuta. Va capita, provata e governata.
FAQ
Questo simulatore usa davvero un LLM?
No. Usa un piccolo modello dimostrativo in JavaScript. Serve per spiegare il principio della previsione probabilistica della parola successiva, non per replicare un modello come ChatGPT.
Gli LLM prevedono parole o token?
Tecnicamente prevedono token. Un token puo essere una parola, una parte di parola, un segno di punteggiatura o un altro frammento di testo. Nell’articolo uso spesso “parola” per rendere il concetto piu comprensibile.
Perche le percentuali cambiano quando modifico la frase?
Perche cambia il contesto. Nel simulatore alcune parole attivano scenari diversi, come azienda, formazione, dati o scrittura. Nei modelli reali il meccanismo e molto piu complesso, ma l’idea di base e simile: il contesto influenza le probabilita.
Che cosa significa temperatura?
La temperatura e un parametro che influenza la varieta dell’output. Valori bassi rendono il testo piu prevedibile; valori alti aumentano la possibilita di scelte meno probabili.
Perche un LLM puo inventare informazioni?
Perche genera testo probabile, non necessariamente vero. Per questo le risposte vanno verificate, soprattutto quando riguardano dati, fonti, norme, salute, finanza o decisioni importanti.
