Glossario AI 2025: 30 Termini Chiave per Capire l’Intelligenza Artificiale (Senza Essere Tecnici)

Perché serve un glossario sull’AI?

Negli ultimi anni, l’intelligenza artificiale è entrata nelle nostre vite: la troviamo nei motori di ricerca, nei suggerimenti di Netflix, nelle auto, nelle app che usiamo ogni giorno, nei chatbot come ChatGPT. Eppure, molti termini restano oscuri, tecnici, spesso intimidatori.

Questo glossario nasce per aiutare chi lavora nella comunicazione, nel marketing, nella progettazione grafica o nella gestione aziendale, a orientarsi nel nuovo linguaggio dell’AI.
Non servono competenze informatiche avanzate. Solo curiosità.

Ecco cosa andremo a definire:

1. Le basi dell’AI: termini fondamentali
   AI, Machine Learning, Deep Learning, Algoritmo, Modello
2. Linguaggio AI generativa
   Prompt, Token, Fine-tuning, LLM (Large Language Model), Hallucination
3. Strumenti e tecnologie
   NLP, Computer Vision, Dataset, Training, API
4. Tipi di AI e applicazioni
   Narrow AI, General AI, AGI, AI conversazionale, Chatbot
5. Etica e limiti
   Bias, Privacy, Black Box, Explainable AI, Fairness
6. L’AI nella vita quotidiana
   Riconoscimento vocale, Raccomandazioni, Automazione, Creatività AI

Le basi dell’AI: termini fondamentali

1. AI (Intelligenza Artificiale)

L’intelligenza artificiale è un campo dell’informatica che mira a creare sistemi capaci di svolgere compiti che, in genere, richiederebbero intelligenza umana.

Questi compiti possono includere:

• comprendere il linguaggio naturale (come fa ChatGPT)
• riconoscere immagini (come fa Google Lens)
• guidare un veicolo (come le auto Tesla)
• prendere decisioni rapide in base a enormi quantità di dati

Esempio:
Quando Netflix ti consiglia un film, è un sistema di AI che analizza i tuoi gusti, il tuo storico, l’orario in cui guardi i film e ti propone contenuti su misura.

2. Machine Learning (Apprendimento automatico)

Il machine learning è una branca dell’AI che permette alle macchine di imparare dai dati. Non si tratta di programmazione tradizionale (dove ogni istruzione viene scritta a mano), ma di un metodo dove l’algoritmo “apprende” da migliaia di esempi.

Esempio:
Per riconoscere un gatto in una foto, un programma di machine learning viene addestrato su migliaia di immagini di gatti. Non gli si dice cos’è un gatto: lo capisce da sé riconoscendo pattern (forme, colori, contorni).

3. Deep Learning (Apprendimento profondo)

È un tipo avanzato di machine learning che utilizza reti neurali artificiali composte da molti strati (da qui “deep”).

Il deep learning è ciò che rende possibili le AI più avanzate, perché riesce a cogliere relazioni complesse nei dati, con una precisione superiore.

Esempio:
I sistemi di riconoscimento facciale usano deep learning per identificare volti anche in condizioni di luce scarsa, con occhiali, o da angolazioni insolite.

4. Algoritmo

Un algoritmo è una sequenza di istruzioni logiche e ordinate che permettono di risolvere un problema. Nell’AI, l’algoritmo è la base che guida le decisioni del sistema, sulla base dei dati forniti.

Esempio:
Google Maps utilizza algoritmi per calcolare il percorso più veloce in tempo reale, valutando traffico, distanza, e orari.

5. Modello

Un modello è il “risultato” dell’apprendimento dell’algoritmo. Dopo essere stato addestrato con grandi quantità di dati, il sistema elabora un modello che può generare previsioni, risposte, o decisioni.

Esempio:
ChatGPT è un modello linguistico. È stato addestrato su miliardi di frasi, libri, siti web e dialoghi per “capire” come scrivere e rispondere come farebbe una persona.

Linguaggio dell’AI generativa

6. Prompt

Il prompt è la domanda o istruzione che fornisci a un’intelligenza artificiale per ottenere una risposta o un contenuto.

Può essere breve (“scrivi un titolo accattivante”) o dettagliato (“scrivi un testo promozionale in tono ironico per una startup romana che si occupa di marketing digitale”).

Esempio:
Per ottenere un post efficace da ChatGPT, puoi scrivere:
“Crea una caption per Instagram per un brand di borse artigianali italiane, tono elegante, massimo 100 parole.”

Più il prompt è preciso, più il risultato sarà vicino alle tue aspettative.

7. Token

Un token è un’unità minima di testo che l’AI elabora. Può essere una parola, una parte di parola, o persino un singolo carattere.

I sistemi come GPT non ragionano per “frasi”, ma per token. Ad esempio, la parola “gatto” è un token. Ma “cattura” potrebbe essere divisa in “cat” + “tura”.

Esempio pratico:
ChatGPT ha un limite di circa 4.000 token per interazione nella versione gratuita (e oltre 32.000 nella versione avanzata). Quindi più scrivi, più token consumi.

8. LLM (Large Language Model)

Un LLM è un modello linguistico addestrato su enormi quantità di testo, capace di comprendere, generare e tradurre linguaggio naturale.

GPT-4, Claude, Gemini, LLaMA… sono tutti LLM. Sono in grado di scrivere email, riassunti, testi legali, poesie, codice e molto altro.

Esempio:
Se scrivi “Spiegami la differenza tra logo e logomarchio”, l’LLM elabora la richiesta, comprende il contesto e ti fornisce una risposta coerente e strutturata.

9. Fine-tuning

È il processo con cui si adatta un LLM generico a un ambito specifico, usando dati mirati.

Esempio:
Un’azienda farmaceutica può “addestrare” un modello come GPT con documenti medici, schede prodotto, manuali, per ottenere risposte coerenti con il suo linguaggio e le sue esigenze.

Il fine-tuning è utile quando si vuole un assistente AI che conosca molto bene un settore specifico.

10. Hallucination (Allucinazione AI)

Accade quando l’AI genera informazioni errate, inventate o non supportate da dati reali, ma lo fa in modo credibile.

Esempio classico:
Se chiedi a un’AI di citarti la fonte di una frase e ti fornisce un articolo o un autore che non esiste, sta “allucinando”.

Succede perché l’AI non ha coscienza della verità, ma costruisce frasi in base a probabilità linguistiche.
Per questo è importante verificare sempre le informazioni generate.

Strumenti e tecnologie AI

11. NLP (Natural Language Processing)

Il Natural Language Processing è il ramo dell’intelligenza artificiale che si occupa di comprendere, analizzare e generare linguaggio umano.

È ciò che permette a ChatGPT di rispondere correttamente a una domanda, a Google di completare automaticamente una ricerca, o ad Alexa di riconoscere i comandi vocali.

Esempio:
Quando scrivi “Mi trovi una pizzeria aperta ora nei dintorni?” e ricevi una risposta sensata e localizzata, è l’NLP che ha interpretato l’intento della tua frase.

12. Computer Vision

È la tecnologia che consente alle macchine di “vedere” ed elaborare contenuti visivi come immagini o video.

Usa algoritmi per riconoscere volti, oggetti, testi o movimenti in una scena.

Esempio pratico:

• Il Face ID dell’iPhone
• Il riconoscimento automatico delle targhe
• Le app che identificano piante o razze di cane partendo da una foto

È ampiamente utilizzata anche nella diagnostica medica, nel controllo qualità industriale e nella videosorveglianza.

13. Dataset

Un dataset è una raccolta di dati (immagini, testi, audio, video, numeri) usata per “insegnare” a un modello di AI come svolgere un compito.

Esempio:
Per insegnare a un’AI a riconoscere un cane, si può usare un dataset con migliaia di foto di cani etichettate per razza, dimensione, colore, ecc.

Più il dataset è ampio, pulito e vario, migliore sarà l’addestramento.
Un dataset sbilanciato può generare bias: per questo oggi è molto discussa la qualità e la provenienza dei dati usati.

14. Training

È il processo con cui un algoritmo “impara” dai dati contenuti in un dataset.

Durante il training, il sistema:

• elabora migliaia o milioni di esempi
• scopre pattern, strutture e associazioni
• regola i propri parametri interni per rispondere in modo più accurato

Esempio:
Un LLM come GPT-4 è stato addestrato su interi archivi del web, libri, articoli, forum e documenti, per imparare come “parlano” le persone.

I modelli più avanzati richiedono mesi di training su supercomputer con costi altissimi e grande consumo energetico.

15. API (Application Programming Interface)

Le API sono interfacce di collegamento che permettono a un software di comunicare con un altro.

Nel mondo dell’AI, le API consentono di integrare funzionalità intelligenti in app, siti web o software esistenti.

Esempio:
Se vuoi creare una funzione di sintesi vocale sul tuo sito, puoi usare l’API di Google Text-to-Speech o l’API di ChatGPT per generare risposte automatiche.

Anche se non sei sviluppatore, puoi usare strumenti come Zapier o Make per connettere API AI in modo semplice e visivo.

Tipi di AI e applicazioni

16. Narrow AI (conversazionale, AI ristretta o debole)

È il tipo di AI più diffuso oggi: specializzata in un solo compito ben definito. Non può “pensare” in modo generale, ma è molto efficiente in quello che fa.

Esempio:

• L’algoritmo che ti suggerisce film su Netflix
• Il sistema che corregge automaticamente gli errori di battitura
• Un chatbot che risponde solo a domande su un prodotto specifico

La Narrow AI è presente in quasi ogni app o servizio moderno, anche se spesso non ce ne accorgiamo.

17. AI Agent

AI Agent (Agente Intelligente)

L’AI agent è una forma evoluta di intelligenza artificiale che non si limita a rispondere a comandi, ma è in grado di prendere iniziative, connettersi a strumenti esterni e agire per raggiungere obiettivi.

Si distingue dalla classica AI Narrow (conversazionale) per il suo comportamento proattivo e integrato in contesti reali o aziendali.

Esempio pratico:
Un chatbot classico risponde a una richiesta (“Dov’è il mio ordine?”).
Un AI agent, invece, può:

• leggere il messaggio del cliente
• accedere al CRM
• verificare lo stato dell’ordine
• aprire un ticket se c’è un ritardo
• inviare una notifica al magazzino

Gli AI agent rappresentano il futuro dell’AI operativa, soprattutto nel mondo del customer service, automazione aziendale, project management e integrazione con tool esterni (come Zapier, Make, Slack, Notion…).

18. General AI (AI generale)

È una forma teorica di AI capace di comprendere e svolgere qualsiasi compito cognitivo umano, con la stessa elasticità mentale. Non esiste ancora, ma è l’obiettivo a lungo termine di molti laboratori di ricerca.

Esempio (ipotetico):
Un assistente AI in grado di scrivere testi, guidare, cucinare, interpretare emozioni, negoziare contratti e molto altro… con un’intelligenza comparabile a quella umana.

L’AI Generale è oggetto di dibattito etico e filosofico, perché solleva domande su coscienza, autonomia e responsabilità.

19. AGI (Artificial General Intelligence)

Simile alla General AI, il termine AGI viene usato per indicare una soglia concreta di “intelligenza generale” raggiunta da un sistema artificiale.

Se un giorno un’AI sarà capace di superare un essere umano in tutte le competenze cognitive, parleremo di AGI.

Oggi, anche i modelli più avanzati (come GPT-4 o Gemini) non sono AGI, perché non comprendono il mondo né hanno una volontà o un’intuizione autonoma.

20. AI conversazionale

È l’AI progettata per interagire verbalmente o testualmente con l’essere umano, attraverso una conversazione fluida.

Esempio:

• ChatGPT
• Assistenti vocali come Siri, Google Assistant o Alexa
• Chatbot nei siti e-commerce o nei servizi clienti

L’obiettivo è rendere il dialogo più naturale, empatico e personalizzato.

21. Chatbot

Un chatbot è un programma automatizzato che simula una conversazione con l’utente. Può essere basato su regole (script predefiniti) o su AI (modelli che generano risposte).

Esempio pratico:

• Un chatbot che ti guida nell’acquisto di un biglietto
• Un assistente virtuale che ti aiuta a prenotare un appuntamento
• Un bot WhatsApp che ti invia il saldo della banca

I chatbot moderni possono integrare NLP, personalizzazione e risposte in tempo reale, trasformandosi in veri strumenti di branding e customer care.

Etica, limiti e rischi dell’AI

22. Bias (pregiudizio algoritmico)

Il bias è una distorsione nei risultati dell’AI causata da dati incompleti, sbilanciati o storicamente discriminatori.

L’AI impara dai dati. Se questi dati contengono pregiudizi (di genere, razza, etnia, età…), il sistema li ripete, anche se involontariamente.

Esempio:
Un sistema di selezione automatica dei CV addestrato su assunzioni passate potrebbe penalizzare inconsapevolmente donne o candidati stranieri se in passato l’azienda ha assunto prevalentemente uomini italiani.

Il bias è un problema concreto e globale. Sempre più aziende stanno lavorando su strumenti di “AI Fairness” per mitigarlo.

23. Privacy

I sistemi di AI, soprattutto quelli conversazionali e predittivi, elaborano grandi quantità di dati personali. Questo pone problemi legati alla raccolta, conservazione e utilizzo dei dati, spesso non visibili all’utente.

Esempio:
Un’app che ti propone piani alimentari personalizzati basati sulle tue preferenze, posizione, abitudini e storico medico… raccoglie dati estremamente sensibili. Chi li gestisce? Dove finiscono?

È fondamentale leggere le policy di utilizzo, soprattutto quando si lavora con clienti o utenti terzi.

24. Black Box (scatola nera)

Molti modelli di AI, soprattutto quelli più avanzati, funzionano come una “scatola nera”: sappiamo cosa entra (input) e cosa esce (output), ma non è sempre chiaro come viene presa la decisione.

Esempio pratico:
Un AI per la concessione di prestiti approva alcune richieste e ne rifiuta altre. Ma né l’utente né l’operatore riescono a capire il motivo esatto.

Questo genera problemi di fiducia e trasparenza, specie in ambiti delicati come sanità, finanza o giustizia.

25. Explainable AI (XAI)

L’Explainable AI è un’area di ricerca che punta a rendere trasparabili le decisioni dell’intelligenza artificiale: spiegare “come” e “perché” l’AI ha dato quella risposta.

Esempio:
Un sistema che segnala un’anomalia in un controllo qualità industriale potrebbe anche mostrare quale parametro l’ha fatto scattare, in modo che un tecnico possa verificarlo.

L’obiettivo è rendere l’AI comprensibile anche a chi non è tecnico, migliorando l’adozione e la fiducia.

26. Fairness (Equità)

Fairness significa assicurare che l’AI tratti tutti in modo equo, senza discriminazioni dirette o indirette.

Va oltre il concetto di “non avere bias”: significa progettare sistemi che tengano conto delle differenze reali tra le persone, senza penalizzarle.

Esempio concreto:
Una piattaforma che analizza voce e dizione per selezionare candidati dovrebbe essere in grado di valutare equamente anche chi ha accento straniero o difetti di pronuncia.

La fairness è oggi uno dei criteri più importanti nei progetti di AI responsabile.

L’AI nella vita quotidiana

27. Riconoscimento vocale

Questa tecnologia consente ai dispositivi di trasformare la voce umana in testo o comandi. È ciò che permette di parlare con Siri, Alexa o l’assistente Google.

Esempio pratico:
Quando dici “Imposta una sveglia alle 7” o “Cerca una playlist rilassante su Spotify”, il riconoscimento vocale interpreta la tua richiesta, la traduce in testo e attiva la funzione desiderata.

È usato anche nei call center, nei software di trascrizione automatica e negli strumenti per l’accessibilità.

28. Raccomandazioni

Ogni volta che un servizio online ti suggerisce prodotti, contenuti o opzioni personalizzate, c’è un sistema AI che lavora in sottofondo.

Esempio:

• Netflix che propone film simili a quelli già visti
• Amazon che ti mostra prodotti correlati agli ultimi acquisti
• Spotify che crea playlist in base al tuo umore o ascolti recenti

Questi sistemi imparano dalle tue azioni e preferenze per anticipare ciò che potresti desiderare.

29. Automazione

L’AI automatizza compiti ripetitivi e a basso valore aggiunto, facendo risparmiare tempo e risorse.

Esempio:

• Risposte automatiche alle email
• Generazione di report settimanali
• Traduzioni in tempo reale
• Inserimento automatico di dati in un CRM

L’automazione è uno degli ambiti dove l’AI mostra il massimo impatto pratico, anche nelle PMI e nei liberi professionisti.

30. Generative AI

L’intelligenza artificiale generativa è quella capace di creare contenuti originali: testi, immagini, video, musica, codici, presentazioni.

Esempio:

• ChatGPT scrive articoli, email o script
• DALL·E genera immagini a partire da una descrizione testuale
• Sora (di OpenAI) crea video realistici da prompt
• Canva integra strumenti AI per impaginazione automatica

È la tecnologia che sta trasformando il lavoro creativo, con vantaggi enormi ma anche nuove responsabilità.

31. Creatività assistita

Non si tratta di sostituire l’umano, ma di affiancarlo nei processi creativi: brainstorming, scrittura, naming, concept design, sceneggiature.

Esempio pratico:
Un designer può usare l’AI per:

• esplorare varianti di un logo
• generare moodboard visivi
• simulare ambientazioni per un concept
• produrre decine di headline in pochi secondi

L’obiettivo non è la perfezione automatica, ma liberare tempo per l’intuizione e il tocco umano.

AI generativa AI per non tecnici cos'è l'AI glossario AI intelligenza artificiale intelligenza artificiale 2025 large language model start-up termini AI spiegati