Cos'è un LLM, in parole povere
Un LLM — Large Language Model — è un sistema software addestrato su quantità enormi di testo: miliardi di pagine tra libri, articoli, forum, codice sorgente, documentazione scientifica. Durante l'addestramento, il sistema impara i pattern statistici del linguaggio — quali parole si accompagnano, come si strutturano i ragionamenti, come si risponde a una domanda — fino a sviluppare una capacità straordinaria: produrre testo coerente e sensato su qualunque argomento.
Non "pensa" nel senso umano del termine, non ha coscienza né memoria persistente — ma il livello di competenza acquisita durante l'addestramento è tale che il risultato sembra, a tutti gli effetti, intelligenza reale.
"Large Language Model" significa letteralmente "grande modello linguistico". Il termine pesi (weights) si riferisce ai miliardi di parametri numerici che il sistema ha acquisito durante l'addestramento — sono la sua "memoria", il know-how distillato in numeri da enormi quantità di testo. Quando parli con ChatGPT, Claude o Gemini, stai interagendo con un LLM.
Settant'anni di ricerca: da Turing ai modelli generativi
C'è un'idea diffusa che l'intelligenza artificiale sia esplosa dal nulla negli ultimi due o tre anni. Non è così. Le fondamenta teoriche risalgono agli anni '50, quando Alan Turing formulò la domanda che avrebbe orientato decenni di ricerca: "Le macchine possono pensare?" Da quel momento, generazioni di ricercatori hanno costruito mattone su mattone.
Nascono i primi programmi di Intelligenza Artificiale simbolica: sistemi basati su regole scritte a mano dagli esperti. Funzionavano in domini molto ristretti e non imparavano dall'esperienza.
Si afferma il Machine Learning: invece di scrivere le regole a mano, si insegna alla macchina a ricavarle da sola analizzando esempi. I filtri antispam delle email — quelli che ancora oggi separano la tua posta in arrivo dalla valanga di promozioni — sono uno dei primi successi di massa del machine learning.
Il machine learning entra nella vita quotidiana senza che nessuno lo chiami così. I sistemi di raccomandazione di Netflix, Spotify e Amazon — "potrebbe piacerti anche…" — sono ML. Così come il riconoscimento vocale dei primi assistenti e il targeting pubblicitario online.
La svolta del Deep Learning: grazie a reti neurali molto più profonde e a GPU sempre più potenti, i sistemi imparano a riconoscere immagini, tradurre lingue e giocare a scacchi meglio di qualsiasi essere umano. È il precursore diretto dei modelli generativi.
Il Deep Learning applicato al linguaggio produce i primi modelli generativi di grandi dimensioni: GPT, BERT, e poi Claude, Gemini, Llama. L'AI generativa non è una rivoluzione caduta dal cielo — è l'ultimo anello di una catena lunga settant'anni.
Intelligenza Artificiale è il campo generale. Dentro ci sta il Machine Learning (sistemi che imparano dai dati). Dentro il ML c'è il Deep Learning (reti neurali profonde). E il Deep Learning applicato al linguaggio su scala enorme produce gli LLM — i modelli con cui interagiamo oggi.
Open weight e closed weight: la ricetta segreta esiste?
Tutti gli LLM sono addestrati allo stesso modo di base, ma c'è una differenza fondamentale che divide il mondo dell'AI in due grandi famiglie: quelli che condividono il loro "codice segreto" e quelli che lo tengono sotto chiave nel caveau.
Ricordi i pesi di cui abbiamo parlato prima — quei miliardi di numeri che rappresentano tutto ciò che il modello ha imparato? Ecco: un modello open weight li rende pubblici. Chiunque può scaricarli, usarli, modificarli, farli girare sul proprio computer. Un modello closed weight, invece, li tiene segreti: puoi usare il modello solo attraverso un servizio online — e pagare per farlo.
I pesi sono pubblici
- Puoi scaricarlo e farlo girare sul tuo hardware
- Nessun dato esce dalla tua rete — totale privacy
- Puoi modificarlo e addestrarlo ulteriormente
- Nessun costo per chiamata API
- Dipendi solo da te stesso (e dalla tua corrente)
I pesi rimangono segreti
- Accessibile solo via API o interfaccia web
- I dati passano per server esterni (attenzione al GDPR)
- Non puoi modificarlo né ispezionarlo
- Si paga in base all'utilizzo
- Spesso i modelli più capaci del mercato
Nessuno dei due è intrinsecamente migliore. È una scelta che dipende dalle tue priorità: se hai bisogno di privacy totale e vuoi tenere tutto in casa, l'open weight è la strada. Se vuoi le massime prestazioni senza preoccuparti dell'infrastruttura, il closed weight fa al caso tuo.
"Open weight" non è la stessa cosa di "open source". Un modello open weight condivide i pesi ma non necessariamente il codice di addestramento né i dati usati per crearlo. È come ricevere in regalo una torta già fatta: puoi mangiarla e anche modificarla, ma non sai esattamente come è stata preparata e con quali ingredienti.
Un solo LLM fa tutto? Quasi.
Un LLM da solo è già potente. Puoi chiedergli di scrivere un'email, riassumere un documento, tradurre un testo, spiegare un concetto complicato. Va bene per la maggior parte delle cose.
Ma pensa a questo scenario: vuoi costruire un sistema che ogni mattina legge le notizie finanziarie, analizza le tue azioni in portafoglio, controlla il meteo, aggiorna un foglio di calcolo e ti manda un riassunto su Telegram. Un solo LLM potrebbe provarci, ma sarebbe come chiedere a un ottimo cuoco di fare anche il cameriere, il cassiere e il lavapiatti — contemporaneamente.
Pensa a un ospedale. Non esiste un medico che fa tutto: c'è il cardiologo, il radiologo, il chirurgo, l'infermiere. Ognuno è specializzato. E c'è il primario che coordina chi fa cosa, quando. I sistemi multi-agente funzionano esattamente così.
Cos'è un sistema multi-agente con orchestratore
Un sistema multi-agente è un insieme di "agenti" — ognuno dei quali è di solito un LLM con un compito specifico — che lavorano insieme per raggiungere un obiettivo più grande.
Ma chi li coordina? Chi decide chi deve fare cosa, in quale ordine, e cosa fare se qualcosa va storto?
Entra in scena l'orchestratore. Anche lui è un LLM — ma il suo lavoro non è svolgere compiti tecnici. Il suo lavoro è pensare in grande: capisce l'obiettivo finale, lo scompone in sotto-compiti, li assegna agli agenti giusti, raccoglie i risultati e li assembla in una risposta coerente.
L'orchestratore, in pratica, è il direttore d'orchestra. Non suona nessuno strumento, ma senza di lui l'orchestra sarebbe solo rumore.
Un team di specialisti, non un solo modello
Eccoci al pezzo più interessante. In un sistema multi-agente ben progettato, i membri del team non girano tutti sullo stesso modello AI. Questo approccio si chiama architettura multi-modello eterogenea: ogni agente del team può usare un LLM diverso, scelto apposta per il tipo di compito che deve svolgere — esattamente come in un'azienda si assumono profili diversi per ruoli diversi.
Perché? Perché i modelli AI non sono tutti uguali, né conviene che lo siano. Alcuni sono enormi, ragionano in modo sofisticato ma sono lenti e costosi. Altri sono compatti, veloci, perfetti per compiti circoscritti. Ha senso mobilizzare l'intero team di ricercatori senior per rispondere a una domanda banale? Assolutamente no — ci pensa il junior.
In questo modo il team diventa estremamente flessibile: puoi avere un membro che gira sul tuo computer di casa (privato, offline, a costo zero), uno che usa un modello cloud potente per i ragionamenti complessi, e uno addestrato specificamente su medicina, diritto o codice — a seconda di cosa il progetto richiede.
Stai costruendo un assistente medico. L'orchestratore (un modello potente) capisce la domanda del medico. La passa a un agente specializzato in letteratura clinica che usa un modello fine-tuned su PubMed. Un secondo agente recupera le linee guida aggiornate dal web. Un terzo sintetizza tutto in linguaggio semplice. Tre modelli diversi, un obiettivo solo.
Tutto insieme: il quadro completo
Quindi, ricapitolando senza paroloni: un sistema multi-agente con orchestratore e architettura multi-modello eterogenea è fondamentalmente un team di intelligenze artificiali specializzate, ognuna con il proprio modello su misura, coordinata da un agente-capoprogetto che gestisce il flusso di lavoro. Ogni membro del team fa quello che sa fare meglio; l'orchestratore tiene insieme il tutto.
È il modo in cui l'AI sta passando da singolo assistente generico a squadra di assistenti personali pronti ad affrontare problemi quotidiani concreti: gestire la tua agenda, monitorare le tue finanze, cercare informazioni mediche, rispondere alle email, compilare documenti — non uno alla volta, ma in parallelo e in modo coordinato.
E non è un caso che i grandi produttori di sistemi operativi stiano già ripensando l'interfaccia del PC proprio in questa direzione. Windows, macOS e i principali OS mobile si stanno progressivamente attrezzando per accogliere agenti AI come intermediari naturali tra l'utente e le applicazioni: non più un'icona da cliccare per ogni compito, ma un insieme di assistenti intelligenti che capiscono cosa vuoi fare e lo fanno al posto tuo — o quasi.
È la stessa logica con cui siamo passati dalla riga di comando alle interfacce grafiche negli anni '80: una semplificazione radicale dell'interazione, che rende strumenti potenti accessibili a tutti. Solo che questa volta l'intermediario non è un cursore del mouse, ma un agente che parla la tua lingua.
E tutto questo — lo ricordiamo — è il risultato di settant'anni di ricerca. Non è magia. È ingegneria, pazientemente costruita.