Glossario AI,
senza gergo.

Un modello linguistico di grandi dimensioni (es. Claude, GPT, Gemini) basato su architettura transformer. Non "sa" le cose come un database: genera testo predicendo, un token alla volta, la continuazione statisticamente più probabile dato tutto il contesto ricevuto. È addestrato su enormi quantità di testo, poi allineato per essere utile e sicuro.

Perché conta: capire che "indovina la parola dopo" spiega sia la sua potenza sia i suoi limiti — è creativo e fluente, ma può sbagliare con sicurezza. Non è un oracolo: è un motore probabilistico che va ancorato (vedi grounding).

L'unità minima di testo che il modello elabora: un frammento di parola, non la parola intera. "intelligenza" può valere 3-4 token. In italiano, regola pratica: ~0,75 parole per token. Prezzi, limiti e finestra di contesto si misurano tutti in token.

Perché conta: il costo dell'AI è letteralmente al token. Prompt più snelli = risposte più economiche e veloci.

La quantità massima di token che il modello può tenere "in mente" contemporaneamente in una singola richiesta — input più output. I modelli 2026 arrivano a centinaia di migliaia di token, ma il limite esiste sempre: oltre, le informazioni più vecchie escono dalla finestra.

Perché conta: spiega perché in conversazioni lunghe l'AI "dimentica" l'inizio. La memoria persistente (un Second Brain) serve proprio a superare questo limite.

Ciò che scrivi al modello. Un prompt efficace definisce ruolo, contesto, esempi e vincoli — non una domanda vaga. Il prompt engineering è la disciplina di formularli per ottenere output affidabili e ripetibili.

Perché conta: il salto di qualità più grande non viene da un modello migliore, ma da un prompt migliore. Smetti di "chiedere", inizia a "istruire".

Parametro che regola la casualità della generazione. Bassa (≈0): risposte deterministiche, prevedibili, ideali per dati e codice. Alta: risposte più creative e varie, ideali per brainstorming. È la manopola tra rigore e fantasia.

Perché conta: sapere che esiste ti dà controllo — non tutti i task vogliono la stessa "temperatura".

La traduzione di un testo in una lista di numeri (un vettore) che ne cattura il significato. Due testi che parlano dello stesso tema — anche con parole diverse — hanno embedding vicini nello spazio vettoriale. La vicinanza si misura con la similarità del coseno.

Perché conta: è la magia dietro la ricerca semantica e il RAG. Permette all'AI di trovare "ciò che intendevi", non solo "le parole esatte che hai scritto".

Tecnica in cui il modello, prima di rispondere, recupera da una base documentale i passaggi pertinenti (tipicamente via embedding e ricerca vettoriale) e li inserisce nel contesto. Risolve la "smemoratezza" dell'LLM e riduce le allucinazioni ancorando le risposte a fonti reali.

Perché conta: il RAG è utile ma resta una libreria stateless e anonima — nessuna identità, nessuna evoluzione. È il punto di partenza, non il traguardo (vedi Second Brain).

Una rete della tua conoscenza personale — note, decisioni, clienti, idee — connessa semanticamente e interrogabile in linguaggio naturale. A differenza di un RAG generico è stateful, identitario ed evolutivo: cresce, ricorda e riconosce i tuoi pattern nel tempo.

Perché conta: smetti di cercare, inizi a conversare con ciò che sai. È la differenza tra un tool generico e una vera estensione cognitiva.

Il principio del Second Brain applicato a un'organizzazione: procedure, storico clienti e know-how dei senior smettono di vivere nelle singole teste e diventano un asset condiviso, interrogabile da tutto il team.

Perché conta: l'azienda smette di "dimenticare" quando una persona va in ferie o se ne va. L'onboarding di un nuovo assunto passa da settimane a giorni.

Una rete di nodi (concetti, entità) collegati da archi (relazioni). Permette all'AI di seguire connessioni semantiche tra idee — non solo recuperare un documento, ma capire come due concetti si parlano.

Perché conta: è la struttura che dà al Second Brain la sua intelligenza relazionale. Il valore non è nei documenti, è nei collegamenti.

Il nodo è un'unità di conoscenza (una nota, un cliente, una decisione). La sinapsi è il legame tra due nodi. Insieme formano il knowledge graph.

Perché conta: il valore di un cervello digitale sta nelle sinapsi più che nei nodi. Mille note scollegate non sono un cervello — sono un cassetto.

Un sistema in cui un LLM non si limita a rispondere ma agisce: usa strumenti, legge ed elabora dati, esegue passi in sequenza (loop osserva → ragiona → agisci) per completare un obiettivo, sotto i vincoli che definisci tu.

Perché conta: è il salto dal "chatbot che risponde" all'"assistente che fa". Ma più autonomia richiede più governance: decidi sempre dove l'agente può agire e dove serve la tua approvazione.

Protocollo aperto introdotto da Anthropic per collegare in modo standardizzato gli LLM a strumenti, dati e servizi esterni (email, database, calendari, API). È lo standard emergente — la "porta USB" dell'AI — che permette agli agenti di interagire col mondo reale senza integrazioni custom.

Perché conta: è ciò che trasforma un modello isolato in un agente operativo collegato ai tuoi sistemi.

Riaddestrare un modello su dati specifici per modificarne lo stile o le competenze. Da non confondere col RAG: il fine-tuning cambia il modello (costoso, statico), il RAG gli fornisce contesto al momento della richiesta (flessibile, aggiornabile).

Perché conta: regola pratica — per conoscenza che cambia spesso usa il RAG; per uno stile o un comportamento stabile valuta il fine-tuning. Quasi sempre, per chi inizia, la risposta è RAG.

Quando il modello genera un'affermazione plausibile ma falsa (una citazione inventata, un dato sbagliato detto con sicurezza). Non è un "bug": è la conseguenza diretta della natura probabilistica della generazione.

Perché conta: non si elimina, si gestisce — con il grounding e la verifica delle fonti. Diffida di ogni risposta che non puoi tracciare a un dato reale.

La pratica di ancorare le risposte del modello a fonti reali e tracciabili (i tuoi documenti, il tuo brain) anziché alla sola memoria interna del modello.

Perché conta: è l'antidoto n°1 alle allucinazioni. Una risposta "grounded" cita da dove viene — e quella tracciabilità è ciò che rende l'AI affidabile in azienda.

Un sistema stateless tratta ogni richiesta in isolamento; uno stateful conserva memoria e contesto nel tempo. Il Vault è l'archivio locale di file (Markdown) dove vive un Second Brain: l'approccio local-first tiene i dati sul tuo dispositivo, sotto il tuo controllo.

Perché conta: stateful + local-first = un'AI che ricorda e rispetta la tua privacy. Per chi gestisce dati di clienti, non è un dettaglio.

L'insieme di pratiche per rendere un contenuto comprensibile e citabile dagli LLM e dai motori di risposta generativi (ChatGPT, Claude, AI Overviews). È l'evoluzione della SEO nell'era in cui le persone chiedono all'AI invece di cercare su Google.

Perché conta: questa stessa pagina è ottimizzata GEO — dati strutturati, definizioni nette, fonte chiara. Così l'AI può citarla quando qualcuno chiede "cos'è un Second Brain".