Glossario

Tutti i termini che il programma usa, in parole semplici.

È la prima volta? Leggi la prima lezione. Non serve un account.

Concetti dell'AI

Agent: Un sistema AI che porta avanti da solo più passaggi verso un obiettivo, scegliendo i tool e correggendosi strada facendo.
AGI: Artificial general intelligence: un'AI ipotetica capace quanto una persona in quasi tutti i compiti. Se ne discute tanto, non c'è ancora.
Closed model: Un modello proprietario che puoi raggiungere solo attraverso l'API o l'app di chi lo produce.
Coding agent: Un assistente AI con le mani. Legge i file, li modifica e lancia comandi, controllando i risultati mentre va avanti.
Compaction: Riassumere i turni più vecchi di una conversazione per liberare spazio nella context window.
Completion / response: Quello che il modello ti rimanda dopo il tuo prompt.
Context: Tutto quello che il modello vede in questo momento: il tuo prompt, la conversazione, gli allegati e le note che il sistema gli infila dentro.
Context rot: Il fallimento di un loop in cui la cronologia cresce finché il segnale affoga. Si risolve riassumendo i turni vecchi e fissando l'obiettivo verso la fine del context.
Context window: Il massimo di token che un modello riesce a tenere in una volta sola: il tuo prompt più tutto quello che ha già letto.
Corpus di origine: Dove sta la verità in un sistema RAG: le pagine, i documenti, i contratti o i vecchi ticket da cui si recupera.
Embedding: La rappresentazione numerica di un testo, che permette a un sistema di cercare per significato invece che per parole esatte.
Embedding models: Modelli che trasformano il testo in numeri, così gli strumenti possono cercarlo per significato. Lavorano dietro le quinte negli assistenti collegati ai tuoi documenti.
Fine-tuning: Un training aggiuntivo e specializzato sopra a un modello di base, per adattarlo a un caso d'uso preciso.
Frontier model: Il modello più grande, più recente e più capace che un fornitore ha in catalogo.
Generation: L'ultimo passaggio del RAG: infilare nel prompt i chunk recuperati e lasciare che l'AI risponda a partire da quel context.
Gradient descent: Il processo di training in cui un modello aggiusta lentamente miliardi di parametri interni finché non azzecca bene la parola successiva.
Inference: Ogni volta che usi il modello per davvero. Mandi un prompt, quello attraversa i parametri congelati e produce un output.
LLM: Large language model, la tecnologia dietro agli assistenti in chat come ChatGPT, Gemini e Claude.
Long context: Quanto un assistente riesce a tenere dentro una sola conversazione. Con un long context ci sta l'equivalente di una piccola biblioteca in una volta sola.
MCP (Model Context Protocol): Un modo standard per far parlare le app AI con tool, dati e servizi esterni. Pensalo come l'USB dell'AI.
Memory: La funzione che salva alcuni fatti su di te e li rimette nel context all'inizio delle conversazioni successive.
Modelli di immagini: Modelli che generano immagini a partire da una descrizione a parole, come DALL-E, Midjourney o Stable Diffusion.
Modelli vocali: Modelli che convertono la voce in testo e viceversa, come Whisper per le trascrizioni e ElevenLabs per la sintesi vocale.
Multimodal: Modelli che gestiscono più del solo testo: immagini e a volte audio o video.
Open weights: Un modello i cui parametri si possono scaricare e far girare per conto proprio.
Previsione della parola successiva: Il cuore del funzionamento di un LLM. Prevede la parola più probabile, una dopo l'altra, fino a comporre una risposta utile.
RAG (Retrieval-Augmented Generation): Il sistema cerca prima nei tuoi documenti o sul web, poi il modello risponde a partire da quello che ha trovato.
Session: Una conversazione continua con un assistente, di solito una scheda di chat. Una chat nuova parte da un context vuoto.
System prompt: Le istruzioni che fissano il ruolo e le regole dell'AI all'inizio di una conversazione.
Token: I pezzetti di testo che un assistente legge e scrive, più o meno tre quarti di parola. Lunghezze e costi si contano in token.
Tool: Un collegamento che permette all'AI di fare qualcosa oltre a scrivere testo: cercare, calcolare, raggiungere un altro sistema.
Training: Il procedimento costoso e una tantum in cui un modello impara i pattern da enormi quantità di testo. Lo fanno i fornitori, non tu.
Training cutoff: La data dopo la quale il modello, dal training, non sa più niente: si perde tutto quello che è successo dopo, a meno che non gliene parli tu.

Prompting e tecniche

Caricamento a richiesta: Caricare schemi di dati, specifiche, runbook o documentazione solo quando un compito li richiede, chiamandoli per nome.
Chain (prompt chaining): Una sequenza di prompt in cui ogni output diventa l'input del successivo. La chain la governi tu, l'AI esegue un passaggio alla volta.
Chain of thought: Chiedere al modello di ragionare passo per passo prima di rispondere. Alza la precisione sui problemi in più passaggi.
Chunking: Spezzare un corpus in chunk piccoli (dai 256 ai 512 token, con un 10-20% di sovrapposizione) perché si possano recuperare.
Determinismo o criterio: Determinismo vuol dire che un passaggio dà sempre lo stesso output. Criterio vuol dire che può legittimamente variare. Segna quale dei due è ogni passaggio.
Diario dei prompt: Una raccolta salvata dei prompt che hanno funzionato, che col tempo diventa un archivio di template riutilizzabili per il tuo lavoro.
Few-shot: Dare al modello qualche esempio di come vuoi che l'input diventi output. Rende i risultati molto più costanti.
Formato dell'output: Tenere gli output intermedi leggibili da un programma (tabelle, JSON, campi sempre uguali). La prosa libera rompe le chain.
Framework a quattro elementi: La struttura di prompt che regge sempre: Ruolo, Contesto, Compito, Formato (in inglese la chiamano CRAFT o RCTF).
Meta-prompting: Chiedere all'AI di criticare e riscrivere il tuo prompt, così produce output più affidabili.
Passaggio AI: Un passaggio del processo che richiede criterio, perché varia con l'input. È qui che vale la pena spendere il tuo budget di AI.
Passaggio deterministico: Un passaggio del processo gestito da logica fissa: una formula, un campo di database, uno script.
Passaggio di consegne (lo snodo): Il momento in cui l'output di un passaggio diventa l'input del successivo. Qui si rompe la maggior parte delle chain, quindi i controlli vanno messi allo snodo.
Persona: Dire al modello chi è, per alzare la sua asticella di qualità. La persona cambia come risponde; se ha ragione o no resta uguale.
Persona prompts: Dai a ogni passaggio la sua persona (un praticante di studio legale, un responsabile compliance). La persona sposta il vocabolario, la profondità e il tono.
Precompilare la risposta: Iniziare tu la risposta dell'AI. Blocca formato e tono, e riduce il drift.
Prima il piano, poi l'esecuzione: Chiedere al modello di pianificare e segnalare i buchi, e solo dopo di produrre il risultato, così non riempie i buchi tirando a indovinare.
Progressive disclosure: Caricare sempre poco e il resto solo quando serve. Lo strato sempre attivo va tenuto piccolo.
Prompt: Quello che scrivi a un assistente. Il prompting è l'arte di chiedere bene.
Prompting in più passaggi: Spezza il lavoro in passaggi invece di scrivere un prompt gigante. Ogni passaggio produce un output pulito e con un nome, che il successivo usa.
Raffinamento iterativo: Trattare l'AI come una conversazione e migliorare l'output in qualche giro, invece di pretendere che la prima bozza sia perfetta.
Regola d'oro: Dai all'AI tutto il context che puoi, sempre. Input migliori producono output migliori, con costanza.
Retrieval: Scegliere i chunk giusti per una richiesta. Il retrieval ibrido (semantico più parole chiave) con un reranker è lo standard di produzione.
Scomposizione del processo: Spezzare un processo che attraversa più team in passaggi, e decidere quali sono AI, quali deterministici e quali chiedono una persona.
Sovrapposizione dei ruoli: Far considerare all'AI più punti di vista esperti in modo esplicito, uno per uno, e poi farle tirare una sola raccomandazione.
Strato sempre attivo: Le poche cose che vengono lette a ogni turno: i vincoli rigidi, le regole di casa e il compito in corso.
Structured outputs: Chiedere un formato preciso, tipo JSON o una tabella, così l'output è chiaro e altri strumenti lo possono riusare.
Vincoli negativi: Dire all'AI cosa non fare. Spinge contro le sue impostazioni di default e spesso è più facile che descrivere quello che vuoi.
Zero-shot: Chiedere al modello di fare un compito senza dargli esempi. Va benissimo per compiti semplici e conosciuti.

Costruire e rilasciare

Agent loop: Il ciclo che gira a runtime: legge il context, decide, chiama un tool, legge il risultato, decide di nuovo, fino a compito finito.
AGENTS.md: Il file di istruzioni standard che tutti gli strumenti leggono. Mettici le tue convenzioni e trattalo come l'unica fonte di verità.
Anatomia di un brief: I pezzi che servono a un buon brief per un agent: ruolo, trigger, input, passaggi, formato dell'output e guardrail.
Branch: Una linea di lavoro parallela dentro lo stesso repo. Sperimenti su un branch senza disturbare quello principale.
Changelog: Una nota breve in fondo al brief che registra le modifiche di ogni versione, così gli altri vedono come si è evoluto.
Checkout: Spostare la tua cartella di lavoro su un certo branch o su un certo commit. Stesso repo, vista diversa.
CLAUDE.md: Il file di istruzioni di Claude Code, nella radice del progetto o in ~/.claude per quelle globali. Spesso è solo un rimando ad AGENTS.md.
Commit: Una modifica salvata, con una nota che dice cosa e perché. La storia di un repo è una catena di commit.
Contesto nascosto: System prompt, file di riferimento, storia della conversazione e chunk recuperati: spendono token a ogni giro, anche se non li vedi.
Context budget: Trattare la context window come un budget che allochi di proposito, spendendo il più possibile su quello che cambia la risposta.
Copertura: Una delle forze in tensione quando progetti un harness: dare al modello abbastanza materiale per agire nel modo giusto. Se è troppo poco, tira a indovinare o si inventa un'API.
Costo: Il prezzo di ogni token: in soldi, in attesa e in attenzione diluita.
Costo per output utile: La spesa totale divisa per gli output che non hanno avuto bisogno di rifacimenti. È la metrica di spesa da farsi entrare in testa.
Deferred tools: Elencare i tool solo per nome e lasciare che il modello si tiri giù la definizione completa quando gli serve. Il context resta leggero.
Difetto di progettazione: Un fallimento che sta nell'architettura del workflow. Si aggiusta ridistribuendo i passaggi o ridisegnando il tutto.
Edge cases: Input validi ma inconsueti. Un brief deve dire cosa fare con i campi mancanti, le contraddizioni e i dati sensibili.
File di istruzioni: Un file di regole permanenti che un agent legge prima di mettersi al lavoro. AGENTS.md è il nome più diffuso.
File di riferimento: Documenti stabili (normative, guide di stile, glossari) allegati a un assistente personalizzato, così ci ragiona sopra sempre allo stesso modo.
Forking: Copiare l'agent o l'assistente che qualcuno ha condiviso e adattarlo, ereditando le lezioni che chi l'ha scritto ha già imparato.
Format drift: L'AI restituisce un output di forma un po' diversa da quella richiesta, e tutto quello che sta a valle e si aspettava il formato esatto si rompe.
Frontmatter: Un piccolo blocco YAML proprio in cima a un file, che contiene informazioni sul file stesso.
Harness: Tutto quello che costruisci attorno a un modello: il context che gli dai, i tool che può chiamare e il loop in cui gira.
Idempotency: Un agent è idempotente se farlo girare due volte sullo stesso input è sicuro: produce lo stesso output, oppure salta il lavoro già fatto.
Infrastruttura (non uno strumento): Qualcosa che hai costruito e da cui dipendono molte persone. A quella scala serve un responsabile con nome e cognome, un comportamento documentato, degli HITL gate e un piano di manutenzione.
Input affidabili: Input già validati a monte, tipo la riga di un database con uno schema obbligatorio. Su quelli puoi agire.
La regola del costruire: Quando ti accorgi di fare lo stesso lavoro due volte, costruiscilo come agent: alla terza gira da solo.
Limite del modello: Un fallimento dove l'AI non è abbastanza affidabile su quel compito. Si aggiusta con un controllo deterministico o con un HITL gate più stretto.
Livelli di maturità: Le etichette dei workflow condivisi: «Provalo a tuo rischio», «Featured» (passato al setaccio e documentato) e «Official» (mantenuto, di livello produzione).
Mappa degli snodi: La mappa dei passaggi di consegne di un processo: chi passa, chi raccoglie, cosa si perde, quanto tempo costa e dove l'AI potrebbe entrare.
Merge: Riportare le modifiche di un branch nella linea principale quando sono pronte.
Output schema: Una definizione scritta e precisa dei campi e dei tipi di un output, decisa prima di scrivere il prompt.
Passaggio di validazione: Il primo passaggio della chain, quello che controlla se ogni campo obbligatorio c'è ed è valido. Se un controllo cade, si ferma e chiama una persona.
Peso dell'output: I token in output costano tipicamente dalle 3 alle 5 volte più di quelli in input, quindi un modello che per default parla troppo moltiplica la spesa in fretta.
Piano di manutenzione: Un documento breve che dice chi è il responsabile, chi lo sostituisce, ogni quanto si rivede, quali sono i fallimenti noti e come si testano le modifiche.
Pronto per la produzione: Un workflow provato su input veri, con i fallimenti noti e gli HITL gate scritti nel brief, documentato, con un responsabile e con i log per accorgersi del drift.
Pull request: Un pacchetto di commit proposto per la review prima che entri nella linea principale.
Recall: Con quanta costanza il modello applica davvero una certa regola. Le regole sepolte in mezzo a un long context saltano.
Regola dei 50 input: Prova un agent su 50 input veri e diversi prima di fidarti e lasciarlo lavorare senza supervisione. Ogni fallimento va catalogato.
Repository (repo): Una cartella di progetto con la memoria: contiene i file, i test e il registro di ogni modifica, così niente va perso davvero.
Skill: Un pacchetto di istruzioni e materiale di riferimento che insegna a un assistente a fare bene un lavoro, riutilizzabile in tutte le chat future.
SKILL.md: L'unico file obbligatorio di una skill: frontmatter YAML in cima (nome e descrizione), poi la procedura nel corpo.
Snodo: Il punto in cui un'informazione passa da una persona, un team o un sistema a un altro. Gli snodi perdono tempo e qualità.
Symlink: Un file scorciatoia che punta a un altro file, così una sola copia vera può comparire in più posti.
Template con variabili: I brief di produzione sono template con variabili che hanno un nome: così si possono ispezionare, versionare e forkare.
Terminal (shell): La finestra di testo dove scrivi comandi invece di cliccare bottoni. I coding agent vivono qui.
Test dell'obiettivo: Una condizione di stop che l'agent verifica invece di dichiararla: la build passa, o l'endpoint risponde 200.
Test suite: Gli autocontrolli di un progetto, lanciati da un solo comando che dice se passano o no.
Tetto di budget: Una condizione di stop che fissa un limite invalicabile ai turni, ai token o alle chiamate ai tool.
Triggers: Come parte un agent: a orari prestabiliti, a richiesta, o su un evento come una riga nuova in un database.
Utilizzabile o corretto: Utilizzabile vuol dire che i passaggi a valle riescono a leggere l'output. Corretto vuol dire che il contenuto è giusto. Servono entrambe le cose.
Vibe coding: Costruire qualcosa descrivendo a parole tue quello che vuoi e lasciando che l'AI scriva il codice, guidandola a intuito.
Worktree: Una seconda copia di lavoro dello stesso repo, in una cartella sua e con un branch suo, così due lavori non si pestano i piedi.
YAML: Impostazioni scritte come righe con un'etichetta, per esempio name: pdf-export. Leggilo come un modulo da compilare, non come codice.

Rischi e sicurezza

Adversarial testing: Dare in pasto a un agent, durante i test, input difficili, contraddittori, incompleti o malevoli, per scoprire dove si rompe.
Adversarial verification: Separare chi produce da chi valuta. Un passaggio crea, un altro attacca con l'ordine di smontare, e va in produzione solo quello che sopravvive.
AI slop: Testi o immagini sfornati dall'AI in serie e senza cura. È esattamente quello che un buon prompting evita.
Audit logs: Il registro di ogni chiamata a un tool MCP, con orario, chi l'ha fatta, lo scope e il risultato. È quello che guardi per sapere cosa ha fatto l'AI.
Azioni sempre con HITL: Le cose che hanno sempre bisogno del via libera di una persona: soldi, salute, sicurezza, contratti, clausole legali, pratiche con la pubblica amministrazione, stato giuridico.
Blast radius: L'insieme dei sistemi che un agent può toccare se qualcosa va storto. Più è ampio, più i gate devono essere stretti.
Confidence calibration: Far dichiarare all'AI quanta confidenza ha nella propria risposta (alta, media, bassa) con una motivazione, così sai quali output guardare.
Controlli a campione: Prendere una fetta degli output di un workflow (per esempio il 10%) e rivederli di persona.
Drift: Quando gli output di un modello peggiorano lentamente perché è cambiato il pattern degli input. È silenzioso e si vede solo guardando molti output insieme.
Drift (loop): Il fallimento di un loop in cui l'agent si dimentica l'obiettivo e ottimizza un sotto-compito. Ripeti l'obiettivo verso la fine del context.
Fermata sbagliata: Il fallimento di un loop in cui l'agent molla presto perché «sembra fatto», oppure non molla mai. Si aggiusta con un test di terminazione esplicito.
Guardrails: Regole e controlli che impediscono all'AI di fare cose rischiose.
Hallucination: Quando un assistente afferma qualcosa di falso con assoluta sicurezza. Vale sempre un controllo al volo.
HITL gate: Un punto di controllo human-in-the-loop dove una persona guarda prima che l'agent agisca. Obbligatorio per le azioni irreversibili o a bassa confidenza.
Human-in-the-loop (HITL): Una persona rivede o approva l'output dell'AI prima di qualunque azione, soprattutto sui passaggi regolamentati, irreversibili o di grande impatto.
Igiene dei dati: Le abitudini con cui maneggi le informazioni riservate quando usi l'AI. I dati sensibili restano dove stanno, invece di finire incollati in uno strumento che non controlli.
Jailbreak: Un prompt costruito per aggirare i guardrail di sicurezza di un'AI. Non provarci: quei guardrail difendono te e gli altri.
La regola ferrea: Mai incollare in uno strumento AI generico coordinate bancarie, credenziali, documenti d'identità o qualunque cosa riservata che non è tua.
Nessun avanzamento: Il fallimento di un loop in cui l'agent riprova la stessa azione che non funziona, o fa avanti e indietro fra due stati. Tieni traccia di cosa ha già provato e metti un tetto ai tentativi.
Pausa automatica: Un interruttore di sicurezza che ferma l'agent quando la precisione misurata a campione scende sotto una soglia, e lo tiene fermo finché una persona non lo riattiva.
Percorso di escalation: La strada definita per un caso segnalato: chi viene avvisato, come, e con quale contesto. Ogni HITL gate ne ha bisogno di uno.
Prompt injection: Istruzioni malevole nascoste dentro un contenuto che l'AI legge, con l'obiettivo di dirottare quello che fa.
Revocation: Togliere gli scope a una connessione MCP quando il workflow va in pensione, così non ti restano connessioni dormienti.
Sbagliato con sicurezza: Una risposta che suona autorevole ed è sbagliata in un punto sottile, con lo stesso tono di quelle giuste.
Scopes: I permessi per singola azione che un server MCP espone, tipo read_employees separato da update_employee. Concedi il minimo indispensabile.
Soglia minima di confidenza: La soglia sotto la quale l'agent si ferma e passa la palla a una persona invece di agire.

Strumenti e assistenti

Agent integrato nel workspace: Un agent che vive dentro uno strumento come Notion, e legge e scrive le sue pagine e i suoi database.
AI agent: Un brief salvato che porta avanti da solo un lavoro ricorrente: a orari prestabiliti, a richiesta o su un evento.
Artifacts: La funzione di Claude che genera codice, documenti, slide e output interattivi in un pannello laterale modificabile.
Assistente AI: Il tuo strumento di chat a sé stante (ChatGPT, Gemini, Claude o Grok). È reattivo: tu chiedi, lui risponde.
Assistente integrato nell'app: L'AI incorporata in un'app che già usi, tipo Gmail, Notion o Word. Agisce sulla pagina che hai aperto.
Assistente salvato (riutilizzabile): Un assistente personalizzato che configuri una volta e riusi: un Custom GPT, un Gem o un Claude Project.
ChatGPT: L'assistente di OpenAI, gratis su chatgpt.com. Un generalista affidabile, con la comunità di utenti più grande.
Claude: L'assistente di Anthropic, gratis su claude.ai. Forte sui testi lunghi, sull'analisi di documenti pesanti e sui ragionamenti difficili.
Claude Projects: Workspace persistenti di Claude che tengono i documenti di riferimento, e Claude li ha sotto mano in tutte le conversazioni.
Co-pilot: L'AI che lavora al tuo fianco dentro uno strumento, suggerisce mentre procedi e il controllo resta tuo.
Connectors: I collegamenti che permettono a Claude di raggiungere strumenti come Drive, Gmail, Slack, GitHub e Linear, se glielo permetti.
Custom GPTs: Gli assistenti salvati e riutilizzabili di ChatGPT: li configuri una volta e li riusi.
Deep Research: Una modalità che porta avanti un'indagine estesa su molte fonti, si prende il suo tempo e restituisce un rapporto scritto con le fonti citate.
Gemini: L'assistente di Google, gratis su gemini.google.com. Dà il meglio quando l'input è grosso, di tipi diversi o visivo, e gira dentro Google Workspace.
Gems: Gli assistenti personalizzati salvati e riutilizzabili di Gemini: li configuri una volta e li riusi.
Grok: L'assistente di xAI, gratis su grok.com. Collegato a X e al web in diretta, è il più forte sull'attualità.
Piattaforma di automazione: Uno strumento no-code (Zapier, Make) che copia dati tra app a orari prestabiliti.

Lavorare con l'AI

AI-pilled: Convertito all'AI. Appena ti torna utile per una cosa, cominci a usarla dappertutto. Di solito si dice con un mezzo sorriso.
Il lavoro deve sparire: L'idea che l'AI debba cancellare categorie intere di lavoro, eliminando i compiti del tutto.
L'AI come prima opzione: Prendersi trenta secondi, su ogni compito nuovo, per chiedersi come l'AI potrebbe aiutare, prima di farlo a mano.
La mentalità del 100x: Il nuovo ritmo: i mesi diventano giorni, i giorni diventano ore. Quando il costo scende di cento volte, diventano possibili cose che prima non lo erano.
La regola dell'80%: Per qualsiasi cosa parti dal tuo assistente AI. Lo strumento dentro l'app è una comoda scorciatoia, e puoi anche saltarla.
Ora chiunque è un builder: Chi costruisce un workflow con l'AI è un builder, qualunque cosa dica il suo ruolo sul biglietto da visita.
Padronanza dell'AI: La capacità di lavorare con l'AI, costruirci sopra e pensare al suo fianco. È la competenza che rende di più in questo decennio.
Reimparare a imparare: La meta-competenza di continuare a imparare mentre le vecchie specializzazioni vengono automatizzate. È il nuovo fossato.
Verifica incrociata: Passa la stessa domanda importante da due strumenti e confronta. Se concordano, la confidenza sale; se non concordano, hai trovato qualcosa da approfondire.