LLM, RAG, MCP, GEO: l’intelligenza artificiale ha un vocabolario fatto di sigle che compaiono ogni giorno in notizie, offerte commerciali e riunioni di lavoro. Questo glossario AI raccoglie le abbreviazioni e i termini più usati, divisi per area, con una definizione semplice e, dove possibile, un esempio tratto dal commercio online. È pensato per manager, imprenditori e professionisti che non devono programmare un modello, ma devono capire che cosa stanno comprando, usando o valutando. Il glossario viene aggiornato man mano che nascono nuovi termini.
Le sigle di base per capire l’intelligenza artificiale
Prima di modelli e strumenti ci sono alcune sigle generali, che indicano le grandi famiglie di tecnologie. Capire come si inseriscono una dentro l’altra aiuta a leggere correttamente qualsiasi notizia sull’AI.
AI, IA, Artificial Intelligence
È l’insieme delle tecnologie che permettono a una macchina di svolgere compiti che di solito richiedono intelligenza umana, come capire un testo, riconoscere un’immagine o prendere una decisione. In italiano si usa anche la sigla IA, intelligenza artificiale. Un esempio è il motore che suggerisce i prodotti in una scheda.
ML, Machine Learning
L’apprendimento automatico è la parte dell’AI in cui un sistema impara dai dati invece di seguire regole scritte passo per passo. Un modello che stima quali clienti abbandoneranno il negozio, analizzando gli acquisti passati, è un esempio di machine learning.
DL, Deep Learning
L’apprendimento profondo è una branca del machine learning basata su reti neurali con molti strati, adatte a dati complessi come immagini, suoni e testi. È la tecnologia che permette, per esempio, di riconoscere un capo d’abbigliamento in una foto caricata dal cliente.
GenAI, Generative AI
L’AI generativa crea contenuti nuovi, come testi, immagini, audio e video, a partire da una richiesta. Le descrizioni prodotto scritte da un assistente o le foto prodotto generate dall’AI sono applicazioni di AI generativa.
ANI, Artificial Narrow Intelligence
L’AI ristretta, o AI debole, è progettata per un compito specifico e non sa fare altro. Tutta l’AI oggi in uso è di questo tipo: un sistema antifrode riconosce gli ordini sospetti, ma non sa scrivere una newsletter.
AGI, Artificial General Intelligence
L’intelligenza artificiale generale è un’ipotetica AI capace di svolgere qualsiasi compito intellettuale umano con la stessa flessibilità. Non esiste ancora, e sui tempi e sulla possibilità di realizzarla gli esperti hanno opinioni molto diverse.
ASI, Artificial Superintelligence
La superintelligenza artificiale è un’ipotesi ancora più lontana: un’AI che supererebbe le capacità umane in quasi tutti i campi. È un concetto usato soprattutto nel dibattito su rischi e sicurezza dell’AI.
Modelli e architetture alla base degli strumenti di AI
Gli strumenti che si usano ogni giorno, dagli assistenti conversazionali ai generatori di immagini, si basano su modelli con architetture diverse. Queste sigle descrivono come sono costruiti.
LLM, Large Language Model
Un grande modello linguistico è un modello addestrato su enormi quantità di testo per comprendere e generare linguaggio naturale. Sono LLM, per esempio, le famiglie di modelli GPT di OpenAI, Claude di Anthropic, Gemini di Google e Llama di Meta, che alimentano gli assistenti usati anche per scrivere schede prodotto o rispondere ai clienti.
SLM, Small Language Model
Un piccolo modello linguistico ha meno parametri di un LLM, quindi richiede meno potenza di calcolo e può funzionare anche su un singolo dispositivo. Un ecommerce può usarlo per compiti mirati, come classificare le richieste dell’assistenza, con costi più bassi.
GPT, Generative Pre-trained Transformer
È un tipo di modello generativo, preaddestrato su grandi quantità di dati e basato sull’architettura Transformer, capace di produrre testo simile a quello umano. GPT è anche il nome della famiglia di modelli di OpenAI usata in ChatGPT, che è invece il nome del servizio.
Transformer
È l’architettura di rete neurale presentata nel 2017 da un gruppo di ricercatori di Google, alla base di quasi tutti i modelli linguistici attuali. Il suo punto di forza è il meccanismo di attenzione, che permette al modello di pesare il rapporto tra tutte le parole di una frase.
Foundation model, modello di base
È un modello di grandi dimensioni addestrato su dati molto vari, che può essere adattato a molti compiti diversi. Un LLM generale, poi specializzato per il servizio clienti di un negozio, è un esempio di uso di un foundation model.
Modello multimodale, LMM
Un modello multimodale, o Large Multimodal Model, lavora con più tipi di dati insieme, come testo, immagini e audio. Permette, per esempio, di fotografare un divano e chiedere all’assistente quali cuscini si abbinano.
VLM, Vision-Language Model
È un modello che collega immagini e linguaggio: descrive una foto, risponde a domande su ciò che vede o legge il testo presente in un’immagine. Può generare in automatico il testo alternativo delle immagini di un catalogo.
NN, ANN, Neural Network
Una rete neurale artificiale è un sistema di calcolo ispirato alla struttura del cervello, composto da nodi, i neuroni, collegati tra loro e organizzati in strati. È il mattone di base del deep learning.
CNN, Convolutional Neural Network
Una rete neurale convoluzionale è specializzata nell’analisi delle immagini, perché riconosce forme e dettagli in zone diverse della foto. È usata, per esempio, per controllare la qualità delle immagini caricate dai venditori di un marketplace.
RNN, Recurrent Neural Network
Una rete neurale ricorrente elabora dati in sequenza, come testi o serie storiche, ricordando ciò che ha visto prima. Per il linguaggio è stata in gran parte sostituita dai Transformer, ma resta utile per alcune previsioni nel tempo, come l’andamento delle vendite.
GAN, Generative Adversarial Network
Una rete generativa avversaria è formata da due reti che competono: una genera contenuti, l’altra cerca di distinguerli da quelli reali. È stata una delle prime tecniche per generare immagini realistiche.
Modello di diffusione
È il tipo di modello alla base di molti generatori di immagini e video: parte da un’immagine fatta di rumore e la ripulisce passo dopo passo fino a ottenere il risultato richiesto. È la tecnologia usata per creare ambientazioni per le foto prodotto.
MoE, Mixture of Experts
È un’architettura in cui il modello è diviso in più sotto modelli, gli esperti, e per ogni richiesta ne attiva solo alcuni. Così il modello può essere molto grande senza usare tutta la potenza di calcolo a ogni risposta.
Parametri
Sono i valori interni che un modello impara durante l’addestramento e che determinano le sue risposte. Il numero di parametri, spesso nell’ordine dei miliardi, è un indicatore della dimensione del modello, ma non da solo della sua qualità.
Open source, open weights
Un modello open source rende pubblici codice e componenti, mentre un modello open weights rende scaricabili i parametri, chiamati anche pesi, a volte con licenze che ne limitano l’uso. Per un’azienda significa poter far girare il modello sui propri server, con più controllo sui dati.
Come si addestra un modello di AI
Un modello impara attraverso fasi diverse, ciascuna con un suo nome. Questi termini compaiono spesso nelle offerte dei fornitori e nelle discussioni su costi e qualità.
Dataset
È l’insieme di dati usati per addestrare o verificare un modello. La qualità del dataset decide gran parte della qualità del risultato: un catalogo con descrizioni incomplete produce suggerimenti meno precisi.
Training, addestramento
È la fase in cui il modello analizza i dati e regola i propri parametri per imparare a svolgere un compito. È la fase più costosa in termini di calcolo.
Inference, inferenza
È la fase in cui il modello già addestrato viene usato per produrre una risposta. Ogni volta che un cliente scrive al chatbot del negozio, il modello esegue un’inferenza.
SL, Supervised Learning
Nell’apprendimento supervisionato il modello impara da esempi già etichettati, cioè con la risposta corretta indicata. Un esempio sono migliaia di recensioni classificate come positive o negative.
UL, Unsupervised Learning
Nell’apprendimento non supervisionato il modello cerca da solo schemi e gruppi nei dati, senza risposte indicate. Serve, per esempio, a dividere i clienti in segmenti con comportamenti d’acquisto simili.
RL, Reinforcement Learning
Nell’apprendimento per rinforzo il modello impara per tentativi, ricevendo un premio quando un’azione porta a un buon risultato. È usato per ottimizzare decisioni in sequenza, come le strategie di offerta pubblicitaria.
RLHF, Reinforcement Learning from Human Feedback
È l’apprendimento per rinforzo basato sui giudizi di persone, che valutano le risposte del modello e indicano le migliori. È una delle tecniche usate per rendere gli assistenti più utili e sicuri.
Fine-tuning
È un addestramento aggiuntivo di un modello già esistente su dati specifici, per specializzarlo in un settore o in un compito. Un negozio può usarlo per far scrivere al modello descrizioni coerenti con il proprio tono di voce.
LoRA, Low-Rank Adaptation
È una tecnica di fine-tuning più leggera ed economica, che modifica solo una piccola parte dei parametri del modello. Permette di specializzare un modello senza riaddestrarlo per intero.
Distillazione
È la tecnica con cui un modello piccolo impara a imitare le risposte di un modello più grande. Il risultato è un modello più veloce ed economico, con prestazioni vicine all’originale su compiti specifici.
Quantizzazione
È la riduzione della precisione con cui sono memorizzati i parametri di un modello, per renderlo più leggero e veloce. È ciò che permette di far funzionare alcuni modelli anche su un telefono.
Overfitting
È il caso in cui un modello impara troppo bene i dati di addestramento, compresi errori e casi particolari, e funziona male su dati nuovi. Un modello di previsione delle vendite costruito solo su un anno eccezionale rischia l’overfitting.
Dati sintetici
Sono dati creati artificialmente, spesso da altri modelli di AI, per addestrare o mettere alla prova un sistema quando i dati reali sono pochi o riservati. Possono simulare, per esempio, conversazioni con i clienti senza usare quelle reali.
Annotazione dei dati
È il lavoro con cui persone o strumenti aggiungono etichette ai dati, come il nome del prodotto in una foto, per renderli utilizzabili nell’apprendimento supervisionato.
Prompt, token e contesto regolano le risposte dell’AI
Questi termini riguardano il modo in cui si dialoga con un modello e il modo in cui il modello elabora le informazioni. Sono i più utili per chi usa ogni giorno un assistente AI.
Prompt
È l’istruzione o la domanda scritta dall’utente per far svolgere un compito all’AI. Un prompt chiaro, per esempio «Scrivi una descrizione di 80 parole per questa giacca, con tono informale e i materiali in evidenza», produce risultati migliori di una richiesta generica.
Prompt engineering
È l’insieme delle tecniche per scrivere prompt efficaci: dare un ruolo al modello, indicare formato e lunghezza, fornire esempi. È una competenza pratica sempre più richiesta anche fuori dai reparti tecnici.
System prompt
È l’istruzione di base, di solito invisibile all’utente, che definisce comportamento e limiti di un assistente. Il chatbot di un negozio ha un system prompt che gli dice, per esempio, di rispondere solo su ordini, spedizioni e resi.
Zero-shot e few-shot
Nel zero-shot si chiede al modello un compito senza esempi; nel few-shot si forniscono alcuni esempi nel prompt. Mostrare tre descrizioni già approvate prima di chiederne una nuova è un esempio di few-shot.
CoT, Chain of Thought
La catena di ragionamento è una tecnica in cui il modello scompone un problema in passaggi intermedi prima di rispondere. Migliora i risultati nei compiti di calcolo e logica, come il controllo di un preventivo di spedizione.
Token
È l’unità minima di testo che un modello elabora, che può essere una parola, una parte di parola o un segno di punteggiatura. Molti servizi di AI calcolano costi e limiti proprio in token.
Finestra di contesto, context window
È la quantità massima di testo, misurata in token, che un modello può considerare in una volta, comprese domanda e risposta. Una finestra ampia permette, per esempio, di analizzare un intero catalogo in un’unica richiesta.
Temperatura
È un’impostazione che regola quanto le risposte del modello sono prevedibili o creative. Una temperatura bassa è adatta alle risposte dell’assistenza clienti, una più alta alle idee per uno slogan.
Embedding
È la trasformazione di un testo o di un’immagine in una serie di numeri che ne rappresenta il significato. Due prodotti simili hanno embedding vicini, e su questo principio si basano molte ricerche interne ai negozi online.
Database vettoriale
È un archivio progettato per conservare e cercare embedding. Permette di trovare contenuti simili per significato, non solo per parole uguali: chi cerca «scarpe comode per camminare» trova anche le sneakers descritte come leggere e ammortizzate.
RAG, Retrieval-Augmented Generation
È una tecnica che collega il modello a una base di dati esterna e aggiornata: prima di rispondere, il sistema recupera le informazioni pertinenti e le usa per generare il testo. Un chatbot che consulta le condizioni di reso aggiornate prima di rispondere funziona con la RAG.
Grounding
È l’ancoraggio delle risposte del modello a fonti verificabili, come documenti aziendali o pagine web. Riduce il rischio di risposte inventate e permette di mostrare da dove arriva un’informazione.
Allucinazione, hallucination
È una risposta sicura nei toni ma falsa o inventata. Un assistente che attribuisce a un prodotto una garanzia di cinque anni che non esiste sta allucinando: per questo le risposte rivolte ai clienti vanno ancorate a dati aziendali.
Le sigle che descrivono cosa sa fare l’AI con testi, voci e immagini
Queste sigle indicano le capacità dell’AI rispetto ai diversi tipi di contenuto. Sono utili per capire che cosa promette uno strumento e che cosa no.
NLP, Natural Language Processing
L’elaborazione del linguaggio naturale è il campo dell’AI che permette alle macchine di analizzare e produrre il linguaggio umano. Comprende traduzione, classificazione dei testi e risposte automatiche.
NLU, Natural Language Understanding
È la parte dell’NLP dedicata a comprendere il significato di un testo, compresa l’intenzione di chi scrive. Serve a capire che «dov’è il mio pacco?» è una richiesta di tracciamento dell’ordine.
NLG, Natural Language Generation
È la parte dell’NLP dedicata a produrre testo, come risposte, riassunti o descrizioni. Un riepilogo automatico delle recensioni di un prodotto è un esempio di NLG.
ASR, STT, Speech-to-Text
Il riconoscimento automatico del parlato, chiamato anche Speech-to-Text, trasforma la voce in testo scritto. È la tecnologia dietro la trascrizione delle chiamate al servizio clienti o la ricerca vocale nelle app.
TTS, Text-to-Speech
È la tecnologia che converte un testo scritto in voce. Può leggere ad alta voce le informazioni di un ordine o dare voce a un assistente telefonico.
OCR, Optical Character Recognition
Il riconoscimento ottico dei caratteri estrae il testo da immagini e documenti scansionati. Serve, per esempio, a leggere in automatico fatture e documenti di trasporto.
CV, Computer Vision
La visione artificiale è il campo dell’AI che permette alle macchine di interpretare immagini e video. Nei magazzini è usata per controllare i pacchi, nei negozi online per la ricerca per immagini.
Sentiment analysis
L’analisi del sentiment riconosce il tono di un testo, positivo, negativo o neutro. Applicata alle recensioni, segnala in tempo reale un problema ricorrente su un prodotto.
MT, Machine Translation
La traduzione automatica usa l’AI per tradurre testi da una lingua all’altra. Permette di adattare rapidamente un catalogo per la vendita all’estero, ma richiede una revisione su termini tecnici e taglie.
Agenti AI e protocolli dell’agentic commerce
È l’area che cambia più velocemente. Gli agenti non si limitano a rispondere, ma compiono azioni, e per farlo usano protocolli che stanno entrando anche nei checkout dei negozi online.
Chatbot
È un programma che dialoga con le persone attraverso testo o voce. I chatbot di oggi si basano spesso su un LLM; nell’Unione europea l’AI Act chiede di informare gli utenti quando parlano con un sistema di AI.
Copilot
È un assistente AI integrato in un software, che affianca chi lavora suggerendo testi, analisi o azioni. Il nome è usato anche da Microsoft per i propri assistenti, ma indica ormai una categoria generale.
Agente AI
Un agente AI è un sistema che riceve un obiettivo e compie da solo una serie di azioni per raggiungerlo, usando strumenti esterni. Un agente può, per esempio, confrontare offerte su più siti e preparare un carrello; la corsa verso agenti sempre attivi è raccontata nell’approfondimento sui dots di OpenAI.
Agentic AI
Indica l’AI agentica, cioè l’insieme di sistemi capaci di pianificare e agire in autonomia, non solo di generare contenuti. È il passaggio dall’assistente che risponde all’assistente che fa.
Agentic commerce
È il commercio in cui un agente AI cerca, confronta e acquista prodotti per conto del cliente. Per un negozio cambia il destinatario delle informazioni: dati prodotto, prezzi e condizioni devono essere leggibili anche dalle macchine.
Browser AI
È un browser con un agente integrato, capace di navigare i siti, compilare moduli e completare operazioni per l’utente. I browser AI che visitano gli ecommerce pongono nuove domande su analisi del traffico e sicurezza.
API, Application Programming Interface
È un’interfaccia che permette a due software di comunicare tra loro. Quando un negozio collega il proprio gestionale a un servizio di AI, lo fa quasi sempre tramite le API del fornitore.
SDK, Software Development Kit
È un pacchetto di strumenti e librerie che aiuta gli sviluppatori a costruire applicazioni su una piattaforma. I fornitori di AI e di pagamento offrono SDK per integrare i loro servizi più rapidamente.
MCP, Model Context Protocol
È uno standard aperto presentato da Anthropic nel 2024 per collegare i modelli di AI a strumenti e fonti di dati esterni, come archivi, gestionali o calendari. Permette a un assistente di consultare, per esempio, lo stato degli ordini senza integrazioni costruite su misura.
A2A, Agent2Agent
È un protocollo presentato da Google nel 2025 per far comunicare e collaborare agenti AI sviluppati da aziende diverse. Riguarda il dialogo tra agenti, mentre MCP riguarda il rapporto tra un agente e i suoi strumenti.
UCP, Universal Commerce Protocol
È lo standard aperto che Google ha sviluppato con grandi retailer e presentato a gennaio 2026, per permettere agli agenti AI di gestire carrello e acquisto con i sistemi dei negozi. È alla base del carrello universale di Google, attivo per ora negli Stati Uniti.
ACP, Agentic Commerce Protocol
È il protocollo presentato da OpenAI con Stripe nel 2025 per permettere gli acquisti completati dentro ChatGPT. Definisce come assistente, commerciante e fornitore di pagamento si scambiano i dati dell’ordine.
AP2, Agent Payments Protocol
È il protocollo annunciato da Google Cloud nel 2025 per i pagamenti eseguiti dagli agenti AI. Affronta il problema centrale dell’agentic commerce: dimostrare che il cliente ha davvero autorizzato l’acquisto.
WebMCP
È uno standard che permette a un sito di esporre funzioni strutturate agli agenti che lavorano nel browser dell’utente, invece di costringerli a leggere la pagina. Dal 28 settembre 2026 Shopify lo supporta anche nel checkout, con la conferma finale che resta al cliente.
L’AI nell’ecommerce, dalle raccomandazioni al camerino virtuale
Questi termini descrivono le applicazioni dell’AI più diffuse nei negozi online. Molti non sono sigle, ma compaiono di continuo nelle offerte dei fornitori.
Sistema di raccomandazione, recommendation engine
È il sistema che suggerisce prodotti in base al comportamento del cliente e di clienti simili. Le sezioni «spesso comprati insieme» o «potrebbe interessarti anche» sono il suo risultato più visibile.
Personalizzazione
È l’adattamento di contenuti, offerte e ordine dei prodotti al singolo cliente, sulla base dei suoi dati. Due clienti che aprono la stessa home page possono vedere prodotti diversi in evidenza.
Dynamic pricing, prezzo dinamico
È la variazione automatica dei prezzi in base a domanda, scorte, concorrenza o momento della giornata. Va usato con attenzione: gli annunci di sconto devono comunque rispettare le regole sul prezzo precedente.
VTO, Virtual Try-On
La prova virtuale mostra come un capo, un accessorio o un paio di occhiali starebbe al cliente, partendo da una sua foto. È disponibile anche negli assistenti, come ChatGPT, oltre che nei siti dei singoli brand.
Ricerca visiva, visual search
Permette di cercare prodotti partendo da un’immagine invece che da parole. Funzioni come lo Shop the Look di Instagram si basano sul riconoscimento dei prodotti nelle foto.
Conversational commerce
È la vendita che avviene attraverso conversazioni, in chat, sulle app di messaggistica o con un assistente AI. Il cliente chiede, confronta e compra senza passare dalle pagine tradizionali del sito.
Previsione della domanda, demand forecasting
È l’uso di modelli per stimare quanto si venderà di un prodotto in un certo periodo. Aiuta a dimensionare scorte e magazzino prima dei picchi, come il Black Friday.
Ricerca e visibilità nelle risposte generate dall’AI
Con i motori di ricerca che rispondono direttamente con testi generati, sono nate nuove sigle per indicare il lavoro sulla visibilità. Per un ecommerce riguardano il modo in cui i prodotti vengono trovati e citati.
SEO, Search Engine Optimization
È l’ottimizzazione di un sito per comparire nei risultati dei motori di ricerca. Resta la base anche nell’era dell’AI, perché molte risposte generate partono dagli stessi contenuti indicizzati.
GEO, Generative Engine Optimization
È l’ottimizzazione dei contenuti per essere usati e citati nelle risposte dei motori generativi, come gli assistenti AI. Conta da quali fonti attinge ChatGPT e quanto sono chiari i dati di un sito.
AEO, Answer Engine Optimization
È l’ottimizzazione dei contenuti per rispondere in modo diretto alle domande degli utenti, così da essere scelti come risposta da motori e assistenti. Paragrafi che rispondono subito alla domanda e sezioni di domande frequenti sono strumenti tipici dell’AEO.
AI Overviews
Sono i riepiloghi generati dall’AI che Google mostra in cima ad alcune pagine dei risultati, con i link alle fonti usate. Il loro peso sul traffico si può seguire anche con il report Generative AI di Search Console.
AI Mode
È la modalità di ricerca conversazionale di Google, in cui l’utente fa domande complesse e riceve una risposta articolata con link. Per i negozi conta la qualità delle schede, come spiegato nell’approfondimento su AI Mode e schede prodotto.
SERP, Search Engine Results Page
È la pagina dei risultati di un motore di ricerca. Oggi può contenere link tradizionali, annunci, schede prodotto e riepiloghi generati dall’AI.
Zero-click
Indica le ricerche che si concludono senza clic verso un sito, perché la risposta compare già nella pagina dei risultati o nell’assistente. È uno dei motivi per cui la visibilità si misura sempre più anche in citazioni.
llms.txt
È un file proposto per indicare ai modelli linguistici i contenuti principali di un sito. Google ha chiarito che non serve per comparire nelle sue funzioni di ricerca con AI, dove valgono i fondamentali della SEO.
Hardware e infrastruttura che fanno funzionare l’AI
Dietro ogni risposta c’è un’infrastruttura di calcolo. Questi termini aiutano a capire costi, tempi e scelte tecnologiche.
GPU, Graphics Processing Unit
È il processore nato per la grafica, oggi usato soprattutto per addestrare e far funzionare i modelli di AI, perché esegue moltissimi calcoli in parallelo. La disponibilità di GPU incide sui costi dei servizi di AI.
TPU, Tensor Processing Unit
È un processore progettato da Google specificamente per i calcoli dell’AI, usato nei suoi data center e offerto ai clienti del suo servizio cloud.
NPU, Neural Processing Unit
È un processore dedicato all’AI integrato in computer e smartphone, che permette di eseguire alcuni modelli direttamente sul dispositivo, senza inviare dati al cloud.
Edge AI, on-device AI
È l’AI che funziona direttamente sul dispositivo, come un telefono, una telecamera o un lettore in magazzino, invece che su server remoti. Riduce tempi di risposta e invio di dati all’esterno.
Latenza
È il tempo che passa tra la richiesta e la risposta del sistema. Per un assistente al checkout pochi secondi di attesa in più possono far perdere un ordine.
MLOps e LLMOps
Indicano le pratiche per gestire i modelli in produzione: rilascio, monitoraggio, aggiornamento e controllo dei costi. LLMOps riguarda in particolare i modelli linguistici.
Benchmark
È un test standard per confrontare le prestazioni di modelli diversi sugli stessi compiti. I risultati sono utili, ma vanno integrati con prove sui propri dati, perché un buon punteggio generale non garantisce buoni risultati sul proprio catalogo.
Normativa, sicurezza ed etica dell’AI
Le regole europee sull’AI e sui dati riguardano direttamente chi usa questi strumenti per vendere. Queste sigle e questi termini sono quelli da conoscere per evitare errori e sanzioni.
AI Act
È il regolamento (UE) 2024/1689, la legge europea sull’intelligenza artificiale, in vigore dal 1° agosto 2024 con obblighi che si applicano per tappe. Classifica i sistemi in base al rischio e prevede, tra l’altro, obblighi di trasparenza per chatbot e contenuti generati, spiegati nell’approfondimento su AI Act, chatbot e contenuti generati.
GPAI, General-Purpose AI
Nel linguaggio dell’AI Act indica i modelli di AI per finalità generali, come i grandi modelli linguistici, che possono essere usati in molti compiti diversi. Per i loro fornitori il regolamento prevede obblighi specifici.
Alfabetizzazione in materia di AI, AI literacy
È l’obbligo, previsto dall’articolo 4 dell’AI Act, per chi fornisce o usa sistemi di AI di garantire un livello sufficiente di competenze al proprio personale. Riguarda anche gli ecommerce che fanno usare strumenti di AI ai dipendenti.
Deepfake
Secondo l’AI Act è un contenuto generato o manipolato dall’AI, come un’immagine, un audio o un video, che somiglia a persone, oggetti o luoghi reali e può sembrare autentico. Chi lo diffonde deve dichiararne l’origine artificiale.
GDPR, General Data Protection Regulation
È il regolamento (UE) 2016/679 sulla protezione dei dati personali, applicato dal 25 maggio 2018. Vale anche quando i dati dei clienti vengono trattati da sistemi di AI, per esempio per personalizzare offerte.
DPIA, Data Protection Impact Assessment
La valutazione d’impatto sulla protezione dei dati, prevista dall’articolo 35 del GDPR, è obbligatoria quando un trattamento può presentare rischi elevati per le persone. Può essere necessaria, per esempio, per sistemi di profilazione su larga scala.
DSA, Digital Services Act
È il regolamento (UE) 2022/2065 sui servizi digitali, che fissa obblighi per piattaforme e marketplace, comprese trasparenza dei sistemi di raccomandazione e gestione dei contenuti illegali.
Bias
È un pregiudizio o una distorsione nei risultati dell’AI, spesso causato da dati di addestramento incompleti o sbilanciati. Un sistema che mostra certe offerte solo ad alcune fasce di clienti senza un motivo commerciale può riflettere un bias nei dati.
XAI, Explainable AI
L’AI spiegabile comprende metodi e strumenti per rendere comprensibile perché un modello prende una certa decisione. È importante quando una decisione automatica riguarda direttamente una persona, come il rifiuto di un pagamento.
Guardrail
Sono i limiti e i controlli che impediscono a un sistema di AI di produrre risposte indesiderate o pericolose. Un guardrail impedisce, per esempio, a un chatbot di promettere rimborsi non previsti dalle condizioni di vendita.
Jailbreak
È il tentativo di aggirare i limiti di un modello con richieste costruite per fargli fare ciò che non dovrebbe. Per un chatbot aziendale è un rischio da testare prima della pubblicazione.
Prompt injection
È un attacco in cui istruzioni nascoste in un testo, in una pagina o in un documento vengono lette dal modello come se fossero ordini legittimi. È uno dei rischi principali per gli agenti AI, come spiegato nell’analisi su prompt injection e frodi agentiche.
Watermark
È un marchio, visibile o invisibile, inserito in un contenuto generato dall’AI per segnalarne l’origine. L’AI Act chiede ai fornitori di sistemi generativi di marcare i contenuti in modo leggibile dalle macchine.
C2PA, Coalition for Content Provenance and Authenticity
È la coalizione di aziende che ha definito uno standard tecnico, noto come Content Credentials, per registrare origine e modifiche di immagini e video. Permette di sapere se una foto è stata creata o ritoccata con l’AI.
Domande frequenti sul glossario AI
Che differenza c’è tra AI, machine learning e deep learning?
Sono livelli diversi della stessa famiglia. L’AI è l’insieme delle tecnologie che simulano capacità umane; il machine learning è la parte dell’AI in cui il sistema impara dai dati; il deep learning è una branca del machine learning basata su reti neurali con molti strati, adatta a immagini, suoni e testi.
Che differenza c’è tra LLM e GPT?
LLM è la categoria: un grande modello linguistico addestrato su enormi quantità di testo. GPT indica un tipo di modello generativo basato sull’architettura Transformer ed è anche il nome della famiglia di modelli di OpenAI. Tutti i GPT sono LLM, ma esistono molti LLM che non sono GPT, come Claude, Gemini o Llama.
A cosa serve la RAG in un ecommerce?
La RAG collega un assistente AI a fonti aziendali aggiornate, come catalogo, condizioni di reso e stato degli ordini, che il sistema consulta prima di rispondere. In un ecommerce riduce le risposte inventate del chatbot e permette di dare ai clienti informazioni corrette senza riaddestrare il modello.
Quali sigle dell’AI deve conoscere un ecommerce manager?
Le più utili sono LLM, RAG e prompt per usare gli assistenti, GEO e AEO per la visibilità nelle risposte generate, MCP, UCP e AP2 per l’agentic commerce, AI Act e GDPR per gli obblighi di legge. Sono le sigle che compaiono più spesso nelle offerte dei fornitori e nelle decisioni operative.
