Ogni volta che un vendor presenta una soluzione "AI", usa questo termine come se fosse autoesplicativo. Spesso non lo è. Sotto l'etichetta "AI" si nascondono tecnologie molto diverse, con capacità diverse, costi diversi e rischi diversi.
Capire la distinzione tra AI, machine learning e deep learning non serve per diventare tecnici. Serve per fare domande migliori, valutare proposte con più senso critico e non farsi vendere qualcosa che non serve.
AI come ombrello
AI - intelligenza artificiale - è il termine più ampio. Indica qualsiasi sistema che esegue task che, se fatti da un umano, richiederebbero intelligenza: ragionare, riconoscere pattern, prendere decisioni, comprendere il linguaggio.
È un termine così vasto da essere quasi inutile da solo. Include i sistemi degli anni '80 basati su regole scritte a mano, gli algoritmi di raccomandazione di Netflix, i modelli che riconoscono le frodi sulle carte di credito, e ChatGPT.
Quando un fornitore dice "usiamo l'AI", la risposta giusta è: "di che tipo?"
Machine learning: imparare dai dati
Il machine learning (ML) è un sottoinsieme dell'AI. La differenza rispetto ai sistemi basati su regole è che il modello non viene programmato esplicitamente per ogni decisione: viene addestrato su dati e impara i pattern da solo.
Un filtro anti-spam classico potrebbe avere regole scritte a mano: "se contiene questa parola, è spam". Un sistema ML viene addestrato su migliaia di email etichettate come spam o non-spam, e impara a classificare da solo. Se le email di spam cambiano stile, il sistema ML può essere ri-addestrato; il sistema a regole deve essere riscritto manualmente.
Tipi di ML utili in azienda:
- Classificazione: categorizzare email, ticket, documenti
- Regressione: prevedere valori numerici (volumi di vendita, tempi di consegna)
- Anomaly detection: identificare transazioni o comportamenti insoliti
- Recommendation: suggerire prodotti, contenuti, azioni
Il ML tradizionale funziona bene su dati tabellari strutturati. È la tecnologia dietro molti strumenti di business intelligence e CRM avanzati che esistono da anni.
Deep learning: ML con reti neurali profonde
Il deep learning è un sottoinsieme del machine learning che usa architetture di reti neurali con molti strati ("deep" = profondo, per il numero di strati). Ha reso possibile cose che il ML tradizionale non riusciva a fare bene: riconoscimento di immagini, comprensione del linguaggio, sintesi vocale.
I LLM - GPT, Claude, Gemini - sono modelli di deep learning. Più precisamente, usano un'architettura chiamata Transformer, pubblicata da Google nel 2017 e diventata la base di quasi tutto ciò che oggi chiamiamo AI generativa.
La parola "profondo" non è una metafora di qualità: indica letteralmente la profondità dell'architettura neurale. Più strati, più parametri, più capacità di catturare pattern complessi - e più dati e potenza di calcolo necessari.
Il mappa visiva
Se vuoi una struttura mentale:
AI contiene machine learning. Machine learning contiene deep learning. Ogni layer è più specifico del precedente.
Non tutto ciò che è AI usa deep learning. Non tutto ciò che è ML usa reti neurali. Ma quando oggi si parla di "AI generativa" - modelli che generano testo, immagini, codice - si parla sempre di deep learning.
Perché oggi "AI" spesso significa LLM
Nel 2024-2026, l'uso popolare del termine AI è cambiato. Nella conversazione pubblica e nei media, "AI" è diventato quasi sinonimo di LLM e AI generativa. ChatGPT ha fatto questo effetto.
Questo crea confusione. Un'azienda che usa ML per prevedere la domanda di magazzino da dieci anni "usa l'AI" nel senso tecnico, ma non sta usando nulla di simile a ChatGPT. Sono tecnologie diverse con casi d'uso diversi.
Quando un collega dice "dobbiamo usare l'AI", è utile chiedere: si parla di AI generativa (LLM per testo, immagini, conversazioni) o di AI predittiva/analitica (ML per previsioni, classificazioni, anomalie)? Sono investimenti e percorsi molto diversi.
Cosa interessa davvero a un'azienda
Un imprenditore non ha bisogno di sapere come funziona un Transformer. Ha bisogno di sapere cosa può fare, quanto costa, quanto è affidabile e come si integra nei processi esistenti.
Le domande utili non sono "è AI o ML?" ma:
Su che dati lavora questo sistema? Ha bisogno dei miei dati aziendali o funziona su dati generali?
Quanto è interpretabile? Posso capire perché ha preso una certa decisione?
Come viene mantenuto nel tempo? I modelli degradano se i dati cambiano. Chi monitora?
Cosa succede se sbaglia? Il task è critico o a basso rischio?
Come non farsi confondere dal marketing dei vendor
I vendor di software usano "AI" per qualsiasi cosa, anche per regole if-then con un'interfaccia moderna. Alcune domande che aiutano a capire cosa c'è sotto:
"Questo sistema si addestra sui miei dati o usa un modello pre-addestrato?" - Distingue ML custom da AI generativa da regole.
"Dove vengono processati i dati?" - Privacy e compliance.
"Come viene valutata l'accuratezza?" - Un sistema ML serio ha metriche di performance trasparenti.
"Cosa cambia se i miei dati cambiano nel tempo?" - I modelli non sono statici, vanno manutenuti.
"C'è un umano nel loop per decisioni ad alto impatto?" - L'automazione totale senza supervisione è raramente la scelta giusta.
La confusione terminologica non è casuale. Tenere distinte le categorie aiuta a fare acquisti migliori e a costruire aspettative realistiche.
Per approfondire come queste tecnologie vengono applicate concretamente, la sezione tecnologia descrive le architetture usate in produzione, mentre Intelligenza artificiale in azienda: guida completa offre il quadro applicativo più ampio.