Glossario IA 2026

1M Token Context Window

Una finestra di contesto di 1 milione di token è la capacità dei modelli di linguaggio di elaborare e mantenere informazioni da un documento o una conversazione di fino a 1 milione di token. Questo consente l'analisi di intere basi di codice, libri o conversazioni estese senza perdere il contesto.

Un framework di ricerca autonomo basato su IA in cui un agente progetta, esegue e valuta esperimenti di machine learning in ciclo continuo. Il ricercatore fornisce un obiettivo in markdown; l'agente scrive codice, esegue esperimenti, misura i risultati e itera senza intervento umano. Reso popolare da Andrej Karpathy nel marzo 2026 con 110 iterazioni autonome di LLM in 12 ore su 8 GPU H100.

(64)

Autorizzazione MCP

L'autorizzazione MCP è lo strato di controllo che decide quali strumenti, fonti di dati e azioni un cliente MCP può utilizzare tramite un server MCP. Il Model Context Protocol è potente perché offre ai sistemi di IA un modo standard per accedere a file, database, API e flussi di lavoro interni. Questa stessa potenza diventa rischiosa quando l'autorizzazione è vaga: un agente può scoprire uno strumento, ma il sistema deve comunque sapere per quale utente sta agendo, quali permessi si applicano, quanto dura l'accesso e se l'azione richiesta è consentita in quel contesto. Una forte autorizzazione MCP separa identità, consenso, ambito e applicazione a runtime. Può utilizzare OAuth, token a breve durata, ruoli tenant-aware, ambiti per strumento e controlli di approvazione lato server, ma la parte importante è dove risiede la decisione. Non dovrebbe essere nascosta in un prompt o lasciata al giudizio del modello; deve essere applicata tramite protocollo, infrastruttura e log. Nei sistemi di agenti in produzione, l'autorizzazione MCP trasforma le richieste in linguaggio naturale in azioni di sistema delimitate. L'agente può comunque svolgere il lavoro, ma non può accedere liberamente a dati sensibili, API privilegiate o operazioni distruttive solo perché un utente ha formulato una richiesta in modo convincente.

B

B2B

Business-to-Business — modello commerciale di vendita tra aziende, con valori di transazione più elevati del B2C.

Background Agents

Agenti IA che lavorano in modo asincrono e autonomo in background, senza richiedere che gli umani aspettino attivamente le risposte.

Barriere di sicurezza per agenti di codifica IA

Le barriere di sicurezza per agenti di codifica IA sono i controlli tecnici e organizzativi che definiscono cosa può fare un agente di codifica IA in un ambiente di sviluppo software, quando deve fermarsi e quali output necessitano di validazione umana prima di essere integrati o distribuiti. Le barriere tipiche includono permessi di repository, limiti di branch e file, scansione di segreti, test richiesti, regole di revisione del codice, log di audit, limiti di costo, liste di strumenti consentiti e percorsi di rollback. Il termine è importante perché gli agenti di codifica moderni non si limitano più a suggerire frammenti di codice. Possono modificare file, eseguire test, installare dipendenze, aprire pull request o attivare flussi di lavoro automatizzati. Barriere di sicurezza solide non bloccano semplicemente l'autonomia. Rendono l'autonomia governabile. I cambiamenti a basso rischio possono procedere rapidamente, mentre aree sensibili come l'autenticazione, la logica di pagamento, i dati di produzione, l'infrastruttura o i flussi di lavoro di conformità richiedono controlli più rigorosi. I team maturi implementano barriere come uno strato di policy che valuta il contesto, il rischio e l'ambito del cambiamento. Questo crea un modello operativo pratico tra sviluppo rapido assistito da agenti e responsabilità ingegneristica umana.

Bias di Tipicità

La preferenza umana sistematica per testi "tipici" rispetto a quelli insoliti – un fenomeno ben documentato in psicologia cognitiva. Misurato a α = 0.57±0.07 nei dati di allineamento LLM. Causa principale del Mode Collapse, poiché RLHF/DPO amplificano questo bias.

Bidirectional Communication Layer

Un sistema di comunicazione che consente ai dati di fluire in entrambe le direzioni tra due entità, come un modello di IA e un componente UI, abilitando feedback e collaborazione in tempo reale.

Bootstrapping

Costruire un'azienda con fondi personali piuttosto che investimenti esterni. Comune tra indie hacker.

Browser Integration

La capacità di un agente IA o di un'applicazione software di interagire direttamente con un browser web per eseguire compiti come la ricerca sul web, la compilazione di moduli e l'estrazione di dati.

Browser-Native AI

IA integrata nel browser per interazione web in tempo reale.

Browser-Native AI Automation

Automazione AI che funziona direttamente all'interno di un ambiente del browser web, sfruttando le API del browser e le sessioni esistenti senza necessità di scripting esterno o configurazioni headless.

Budget di contesto

Un budget di contesto è l'insieme pianificato deliberatamente di informazioni fornite a un modello di IA o agente di codifica per un compito specifico. Include il prompt di sistema, le regole del progetto, i file pertinenti, gli esempi, i ticket, i registri degli errori, le uscite degli strumenti e la storia dei passaggi precedenti. Poiché ogni modello ha una finestra di contesto limitata, il budget determina se l'agente può ragionare dalle prove giuste o viene distratto dal rumore. I team forti trattano il budget di contesto come un artefatto ingegneristico: selezionano le fonti, classificano i requisiti rigidi sopra il materiale di sfondo, rimuovono i file irrilevanti e mantengono abbastanza tracciabilità per la revisione. Nei flussi di lavoro agentici, la gestione del budget di contesto è anche un controllo di costo e sicurezza. Un contesto più piccolo e meglio curato riduce la spesa di token, diminuisce l'esposizione accidentale dei dati e rende i risultati più facili da riprodurre. Tuttavia, un contesto troppo limitato crea allucinazioni, supposizioni errate e andirivieni evitabili. In pratica, la gestione del budget di contesto significa chiarire il compito, confezionare solo le prove necessarie, documentare i risultati intermedi e aggiornare il contesto deliberatamente durante il lavoro prolungato degli agenti.

Budget di Fase

Un budget di fase è un limite di tempo o di token esplicitamente definito per una singola fase all'interno di un workflow di agente AI. Il concetto proviene dal Framework GSD di Context Studios e risolve uno dei modi di fallimento più comuni negli agenti AI autonomi: le sessioni fuori controllo dove gli agenti spiralano in loop infiniti di analisi paralizzante senza vincoli temporali. In pratica: un agente di creazione di contenuti riceve 120 secondi per la ricerca, 300 secondi per la scrittura e 60 secondi per il controllo qualità. Se una fase supera il suo budget, l'agente termina quella fase, passa il miglior risultato ottenuto fino ad ora a valle e registra la violazione del budget. Questo impedisce a un singolo passaggio in overflow di bloccare l'intero pipeline. I budget di fase sono particolarmente critici nei sistemi multi-agente dove un singolo sotto-agente lento può ritardare l'intera orchestrazione. Permettono anche un controllo preciso dei costi tramite budget di token. Best practice: impostare budget generosamente ma non infinitamente; definire sempre un comportamento di fallback; calibrare i budget empiricamente dopo molteplici esecuzioni in produzione.

La continuità di sessione si riferisce alla capacità di un agente AI o di un sistema di mantenere lo stato, il contesto e il progresso di un compito in corso attraverso interruzioni, riavvii o cambi di sessione. Poiché i LLM sono intrinsecamente privi di stato (nessuna memoria a lungo termine incorporata), la continuità deve essere implementata esplicitamente tramite meccanismi esterni. La sfida fondamentale: ogni nuova conversazione LLM inizia senza conoscenza delle interazioni precedenti. Per i task di agenti di lunga durata — come un progetto di ricerca multi-giorno o un processo di contenuto in esecuzione continua — questo è problematico. La soluzione risiede in archivi di stato esterni e handoff di contesto strutturati. Le strategie di implementazione per la continuità di sessione includono: file di memoria (lo stato è salvato in file di testo su disco, caricati alla ripresa), database vettoriali, oggetti di stato strutturati (documenti JSON che rappresentano lo stato completo dell'agente), e log di eventi. L'architettura di continuità di sessione tipicamente coinvolge più livelli: una hot cache per il contesto recente, un archivio di memoria semantica per la conoscenza a lungo termine, e un log di eventi per la riproducibilità completa.

(46)

Copilot Pro+

Copilot Pro+ è il livello di abbonamento premium di GitHub per il coding IA che fornisce accesso a funzionalità avanzate tra cui Agent HQ, supporto multi-agente e utilizzo illimitato di Copilot. Si rivolge agli sviluppatori professionisti che necessitano dell'esperienza completa di sviluppo alimentato dall'IA.

(47)

Costo di Inferenza

Il costo di inferenza si riferisce alle spese finanziarie sostenute nell'operare un modello linguistico AI. A differenza dei costi di addestramento (una tantum, molto elevati), i costi di inferenza si accumulano continuamente e rappresentano il principale fattore di costo AI nelle operazioni continuative. I costi di inferenza sono addebitati a prezzo per token. Nel 2026: GPT-4o circa $2–5/M token di input; Claude Sonnet a $3/M input, $15/M output; modelli più accessibili come Haiku o Gemini Flash $0,25–1/M token. I token di output costano più dei token di input, quindi i sistemi efficienti ottimizzano attivamente la lunghezza dell'output. I costi di inferenza sono calati di oltre 100× dal 2023. Le strategie di ottimizzazione chiave: routing dei modelli (modelli economici per compiti semplici), inferenza batch (sconto 50–75%), ottimizzazione dei prompt (richiedere output più brevi), caching delle richieste frequenti.

D

Da Testo a Video

Il testo-to-video (text-to-video) è una categoria di tecnologia AI generativa in cui i modelli producono sequenze video direttamente da descrizioni in linguaggio naturale, senza riprese tradizionali, animazione o montaggio manuale. I modelli text-to-video analizzano un prompt testuale e sintetizzano frame video temporalmente coerenti che corrispondono alle scene descritte, ai movimenti della camera, alle condizioni di illuminazione e ai soggetti — un processo che comprime ore di produzione convenzionale in pochi secondi. Il settore ha avanzato rapidamente da quando Sora di OpenAI ha stupito il mondo con i suoi clip cinematografici fisicamente plausibili all'inizio del 2024. I principali sistemi text-to-video includono Veo 3 di Google, Seedance 2.0 di ByteDance, Gen-3 Alpha di Runway ML, Stable Video Diffusion di Stability AI e Kling AI di Kuaishou. La maggior parte dei modelli all'avanguardia combina architetture di diffusione video su larga scala con encoder linguistici derivati da modelli come CLIP o T5. Le dimensioni chiave delle prestazioni includono durata video, risoluzione, realismo del movimento, fedeltà al prompt, coerenza dei personaggi e controllo della camera. Il text-to-video sta trasformando marketing, intrattenimento, educazione ed e-commerce consentendo la creazione di contenuti video nativi AI a una frazione dei costi di produzione tradizionali. In Context Studios integriamo la generazione text-to-video nelle pipeline di contenuti dei clienti, utilizzando modelli come Veo 3, Seedance 2.0 e Sora per contenuti social, visualizzazione di prodotti e workflow di produzione video automatizzati.

Dangerously Skip Permissions

Un flag di Claude Code (`--dangerously-skip-permissions`) che disabilita le richieste di conferma predefinite prima dell'uso degli strumenti. Sicuro solo su macchine dedicate e isolate (come un VPS provisionato specificamente per compiti agentivi) dove il raggio di azione di un processo fuori controllo è limitato a quel server e non influisce sull'ambiente di sviluppo principale.

Data

Fatti grezzi, disorganizzati che devono essere elaborati. I dati possono essere qualcosa di semplice e apparentemente casuale e inutile fino a quando non vengono organizzati. Quando i dati vengono elaborati, organizzati, strutturati o presentati in un dato contesto in modo da renderli utili, vengono chiamati informazioni.

Data Scientist

Un professionista che utilizza metodi statistici, algoritmi di apprendimento automatico e tecniche di visualizzazione dei dati per analizzare grandi set di dati ed estrarre informazioni utili.

Database Vettoriale

Database specializzato per vettori ad alta dimensione (embeddings). Consente la ricerca di similarità semantica invece di corrispondenze esatte di parole chiave. Infrastruttura chiave per RAG, sistemi di raccomandazione e ricerca multimodale. Soluzioni leader: Pinecone, Weaviate, Qdrant, Chroma, pgvector.

Debito Tecnico Generato dall'IA

Il debito tecnico creato dall'accettazione di codice IA senza adeguata revisione, test o comprensione — portando a sfide di manutenzione e rischi di sicurezza.

Decoding Speculativo

Una tecnica di ottimizzazione dove un modello piccolo e veloce predice i prossimi token, e un modello più grande li verifica soltanto, aumentando drasticamente la velocità.

Deep Research Agents

Deep Research Agents è un concetto agentic AI nei moderni sistemi IA che abilita capacità di agenti autonomi. Svolge un ruolo chiave nei deployment IA enterprise dove i sistemi devono operare autonomamente mantenendo la supervisione umana.

Deep Think Mode

Deep Think Mode è un concetto core AI technology nei moderni sistemi IA che rappresenta le capacità tecniche fondamentali che alimentano le applicazioni IA moderne. Svolge un ruolo chiave nei deployment IA enterprise dove scegliere la tecnologia giusta determina direttamente prestazioni e capacità dell'applicazione.

Deprecazione del modello

La deprecazione del modello è il ritiro pianificato dal fornitore di una specifica versione di un modello di IA. Un modello che utilizzi oggi in produzione è programmato per essere disattivato, congelato o avere accesso limitato a una data annunciata — un tramonto nello stesso senso di qualsiasi prodotto software, ma con conseguenze uniche per i modelli. A differenza di una deprecazione generica di API, non si tratta solo di un endpoint che scompare. La versione ritirata aveva il suo comportamento, i suoi schemi di risposta e prompt adattati ad essa. Quando viene deprecata, il passaggio a un altro modello di solito altera la qualità dell'output, costringendo a una nuova valutazione, a rielaborare i prompt e a rifare i test. La deprecazione è l'evento scatenante nel ciclo di vita di un modello: rende il fissaggio del modello solo una salvaguardia temporanea e alla fine forza una migrazione del modello. I fornitori annunciano tipicamente le deprecazioni con un certo anticipo, anche se a volte con breve preavviso per motivi normativi o commerciali. Per i team basati su una singola versione di modello proprietario, una deprecazione rappresenta un rischio operativo — senza un'alternativa pronta, affrontano interruzioni o migrazioni affrettate sotto scadenza.

Deriva comportamentale

La deriva comportamentale si riferisce alla divergenza graduale di un agente IA dal suo profilo comportamentale originariamente definito nel tempo. Sebbene le interazioni individuali possano rimanere entro le specifiche, l'effetto cumulativo dei cicli di feedback, dell'auto-ottimizzazione o delle condizioni contestuali mutevoli può portare il comportamento del sistema a deviare sempre più dai suoi parametri target originali. Il fenomeno si verifica più frequentemente nei sistemi IA auto-miglioranti che ottimizzano le proprie capacità attraverso cicli di esecuzione ripetuti. Senza adeguate barriere di sicurezza e monitoraggio continuo, la deriva comportamentale può portare a risultati inaspettati, schemi decisionali pericolosi o alla completa perdita dell'allineamento originale del sistema. Per le imprese che impiegano agenti IA in processi critici per la produzione, la deriva comportamentale rappresenta un fattore di rischio materiale. Le contromisure includono confronti regolari con la linea di base, rilevamento di anomalie di output e cicli di feedback RLHF che rilevano e correggono le deviazioni precocemente prima che causino danni critici.

Deriva della qualità del modello

La deriva della qualità del modello è il declino misurabile della qualità dei risultati dell'IA durante l'operazione nel mondo reale. Un sistema che funzionava bene al lancio può produrre risultati più deboli settimane o mesi dopo, anche quando serve lo stesso caso d'uso. Le cause comuni includono cambiamenti nei dati di input, cambiamenti nel comportamento degli utenti, aggiornamenti dei modelli di prompt, modifiche nella catena degli strumenti o aggiornamenti dei modelli a monte dai fornitori. In produzione, la deriva spesso appare inizialmente come un maggiore sforzo di correzione, più allucinazioni, minore precisione di classificazione o completamento più lento nei flussi di lavoro degli agenti. Il punto chiave è che la deriva non è un bug isolato; è un rischio operativo continuo. Ecco perché i team hanno bisogno di un controllo di qualità continuo con metriche esplicite come il tasso di successo delle attività, il tasso di errore, la coerenza delle risposte e gli indicatori chiave di prestazione a livello di processo. I team maturi combinano valutazioni offline su set di benchmark fissi con monitoraggio online nel traffico live. Quando la qualità scende oltre le soglie definite, attivano mitigazioni come il rollback dei prompt, la regolazione dei guardrail, i cambiamenti di instradamento del modello o il fine-tuning mirato. Questo mantiene la performance dell'IA governabile nel tempo invece di affidarsi alla fortuna.

Designazione del Rischio della Catena di Fornitura

Una classificazione del Pentagono che richiede ai contraenti della difesa di certificare il non utilizzo di tecnologie designate. Minaccia emessa contro Anthropic nel 2026.

Differential Privacy for ML

La Privacy Differenziale per ML è un framework matematico che fornisce garanzie formali sulla privacy degli individui i cui dati vengono utilizzati nell'apprendimento automatico. Garantisce che le uscite del modello non rivelino informazioni sensibili su alcun esempio di addestramento specifico.

Disruption dei Prezzi IA

Il cambiamento di mercato causato dai modelli IA open-source che offrono prestazioni competitive a costi inferiori, costringendo le aziende proprietarie a ripensare i prezzi.

Divario di Adozione dell'IA

La divisione tra gli early adopter dell'IA che accumulano vantaggi crescenti e i late adopter che restano sempre più indietro.

Divario di Produttività IA

Il divario crescente tra i lavoratori che sfruttano efficacemente gli strumenti IA e quelli che li usano minimamente, causando disparità significative nelle prestazioni.

DOM State

Lo stato attuale e i dati rappresentati all'interno del Document Object Model (DOM) di una pagina web, che riflettono la struttura, il contenuto e lo stile applicati agli elementi.

DPO (Ottimizzazione Diretta delle Preferenze)

Un'alternativa più efficiente a RLHF che elimina il passaggio separato del modello di ricompensa. Addestra il modello direttamente su coppie di preferenze. Più semplice da implementare, ma può anche causare Mode Collapse se i dati di addestramento contengono bias di tipicità.

Dual-Model Coding

Il Dual-Model Coding è un pattern di sviluppo IA in cui due modelli linguistici con punti di forza complementari collaborano sullo stesso codebase. Un modello di ragionamento (Claude Opus 4.6, GPT-5) gestisce decisioni architetturali e code review, mentre un modello veloce (Gemini 3.1 Flash, Claude Haiku) gestisce generazione di codice e test. Un workflow Opus puro costa circa 10x di più per token rispetto a Flash. Un setup dual-model raggiunge l'80-90% della qualità al 20-30% del costo.

Il Regolamento sull'IA dell'UE è il quadro normativo completo dell'Unione Europea per l'intelligenza artificiale. Stabilisce requisiti basati sul rischio per i sistemi di IA, con regole più severe per le applicazioni ad alto rischio in sanità, occupazione e infrastrutture critiche.

EU AI Act Compliance

EU AI Act Compliance è un concetto regulatory compliance nei moderni sistemi IA che affronta i requisiti legali e normativi per il deployment dell'IA. Svolge un ruolo chiave nei deployment IA enterprise dove le organizzazioni devono soddisfare EU AI Act, GDPR e mandati settoriali.

Evidence Packs

Pacchetti di documenti curati forniti al modello IA come base fattuale verificata per task complessi, riducendo significativamente le allucinazioni.

Funzioni serverless distribuite ai margini di una rete, più vicine agli utenti, con conseguente riduzione della latenza e tempi di risposta più rapidi.

Un metodo di retrieval sofisticato che usa grafi di conoscenza per aiutare l'IA a comprendere meglio relazioni complesse e contesto all'interno di grandi dataset.

Grok 4

Un grande modello di linguaggio (LLM) sviluppato da xAI, noto per il suo ragionamento avanzato e le sue prestazioni.

H

Hermes Dashboard

L'Hermes Dashboard è il piano di controllo via browser dell'agente open-source Hermes di Nous Research, avviato con il comando `hermes dashboard` sulla porta 9119 in localhost. Dove un classico agent CLI si ferma al terminale, la dashboard rende l'agente operativo: la pagina Status mostra lo stato della gateway, le piattaforme collegate e le ultime 20 sessioni con modello, numero di messaggi e consumo di token, con aggiornamento automatico ogni 5 secondi. La scheda Chat incorpora il vero TUI nel browser tramite xterm.js su un pseudo-terminal WebSocket, così i comandi slash e le richieste di approvazione si comportano come nel terminale. L'editor di configurazione espone oltre 150 campi come moduli, il gestore delle chiavi API sostituisce la ricerca nei file .env, il browser delle sessioni rende la cronologia ricercabile a testo pieno tramite FTS5, e la pagina Cron elenca ogni job pianificato con l'output dell'ultima esecuzione e il prossimo trigger — un cron fallito alle 2 di notte è diagnosticabile senza SSH né grep. Tecnicamente è un backend FastAPI con frontend Vite/React/TypeScript/Tailwind, installabile come extra opzionale via `pip install 'hermes-agent[web,pty]'`. Dalla release v2026.9.24 (24 settembre 2026) il binding a un indirizzo non-loopback richiede la registrazione preventiva (`hermes dashboard register`, OAuth del portale Nous); in Docker basta HERMES_DASHBOARD=1. Va distinto dall'agent harness: l'harness è il ciclo di esecuzione attorno al modello — strumenti, sandbox, retry — mentre la dashboard è il livello operatore sopra di esso. Rispetto ai piani di controllo ospitati come l'app desktop Claude Code o l'area di lavoro Codex, tutto resta self-hosted: log, cronologia delle sessioni e chiavi API restano sul proprio server, un'impostazione sostenuta da circa 248.000 stelle GitHub (settembre 2026).

Hook

Un meccanismo in Claude Code per attivare azioni basate su eventi o condizioni specifiche all'interno del sistema.

Human-AI Collaboration Design

Il processo di progettazione di sistemi e flussi di lavoro che consentono a umani e IA di lavorare insieme in modo efficace, concentrandosi su usabilità, fiducia e obiettivi condivisi.

Human-in-the-Loop (HITL)

Pattern con supervisione umana nelle decisioni IA critiche.

Hybrid Attention

Un meccanismo di attenzione che combina diversi tipi di meccanismi di attenzione (ad esempio, gated attention e delta net) per sfruttare i punti di forza di ciascuno e migliorare le prestazioni.

I

IA Agentica

Sistemi IA capaci di azione autonoma verso obiettivi complessi, usando strumenti, prendendo decisioni e adattandosi ai cambiamenti ambientali senza intervento umano costante.

IA auto-ospitata

Software di IA che gira sull'hardware dell'utente o su server privati, offrendo pieno controllo sui dati, la personalizzazione e la disponibilità. Esempi includono Clawdbot e distribuzioni locali di LLM.

IA Costituzionale

Un metodo di training dei modelli IA per seguire un set specifico di regole o 'costituzione', garantendo che rimangano utili, innocui e onesti senza supervisione manuale.

IA distribuita

L'IA distribuita si riferisce a sistemi in cui le operazioni di calcolo, i modelli e i dati sono distribuiti su più computer, dispositivi edge o centri dati, anziché funzionare centralmente su un singolo server. Questa architettura consente un'inferenza più veloce, una migliore scalabilità e tolleranza ai guasti. Particolarmente nel contesto dell'edge computing e delle reti satellitari come NVIDIA Space Computing, l'IA distribuita sta diventando sempre più importante. La distribuzione riduce la latenza, migliora la privacy attraverso l'elaborazione locale e diminuisce la dipendenza dall'infrastruttura centralizzata.

IA nelle industrie regolamentate

L'IA nelle industrie regolamentate descrive l'uso dell'intelligenza artificiale in settori in cui i requisiti legali, normativi, di audit o di sicurezza influenzano la progettazione e il funzionamento della tecnologia. Esempi tipici includono i servizi finanziari, la sanità, le assicurazioni, l'energia, le organizzazioni del settore pubblico e le catene di approvvigionamento industriali. Il termine copre più della semplice scelta di un modello. Include l'intero ambiente operativo: fonti di dati approvate, diritti di accesso, registrazione, valutazioni del rischio, revisione umana, tracciabilità degli audit, controlli sui fornitori e prove per revisori interni o esterni. Un sistema di IA in un'industria regolamentata non può essere trattato come un esperimento casuale di chatbot. Richiede una chiara proprietà, output tracciabili, decisioni documentate, controlli di privacy e sicurezza, verifiche di bias, procedure di modifica del modello e regole di fallback quando la fiducia è bassa. Le domande pratiche sono concrete: quali dati può accedere l'IA, chi può agire sul risultato, quando è necessaria l'approvazione umana e come può l'organizzazione dimostrare cosa è successo in seguito? Se ben eseguita, l'IA nelle industrie regolamentate trasforma la conformità da ostacolo a vincolo di progettazione per flussi di lavoro di produzione affidabili.

IA nelle PMI (KI im Mittelstand)

KI im Mittelstand indica l'adozione dell'IA nelle PMI tedesche (50-1.000 dipendenti). Nel 2026: 26% delle aziende tedesche usa l'IA (Destatis), 53% delle PMI attive in R&D (KfW). 43% non ha una strategia IA (BIDT/DMB). L'uso più comune: IA generativa come ChatGPT (73%), ma il miglior ROI viene dalla manutenzione predittiva (18-25%), dal controllo qualità IA (40% meno difetti), dall'elaborazione intelligente documenti (70% risparmio tempo) e dal servizio clienti IA (35% più veloce).

IA-native

Un'azienda o organizzazione che ha ristrutturato fondamentalmente le sue operazioni attorno all'IA, dando priorità all'automazione e ai flussi di lavoro guidati dall'IA rispetto ai processi tradizionali guidati dall'uomo. Diventare IA-native significa più che utilizzare strumenti di IA — rappresenta un cambiamento strategico fondamentale in cui l'IA modella le decisioni di assunzione, lo sviluppo dei prodotti e la pianificazione del personale.

IDE agentico

Un IDE agentico è un ambiente di sviluppo con un agente IA autonomo integrato nel suo nucleo, in grado di svolgere autonomamente compiti di programmazione in più fasi — scrivere codice, rifattorizzarlo, eseguire test e agire sui risultati. A differenza di un IDE tradizionale che offre poco più dell'autocompletamento, l'agente integrato pianifica interi flussi di lavoro, legge e modifica più file con piena consapevolezza del contesto del progetto e adatta il corso in base a ciò che producono le sue stesse modifiche. Strumenti come Cursor e Windsurf definiscono la categoria: abbinano la superficie familiare di un editor di codice con un agente che comprende la base di codice e propone modifiche o le applica direttamente. Ciò che distingue un IDE agentico da un agente di codifica basato su terminale è il fattore di forma — modifica, anteprima e controllo convergono tutti in un'interfaccia grafica. Il modello cruciale è il ciclo tra contesto del progetto, accesso agli strumenti e supervisione umana: l'agente suggerisce passaggi e lo sviluppatore li esamina, corregge e approva. Il lavoro quotidiano si sposta dai singoli tasti alla direzione e verifica di un agente che gestisce la maggior parte dell'implementazione meccanica.

Identità dell'agente IA

L'identità dell'agente IA è l'identità unica e verificabile che un agente IA autonomo utilizza per autenticarsi presso sistemi, API e altri agenti. A differenza di un account utente umano, si tratta di un'identità non umana (macchina): stabilisce chi è l'agente, per conto di chi agisce e quali credenziali presenta per farlo. Dove i profili di autorizzazione governano ciò che un agente è autorizzato a fare, l'identità dell'agente risponde alla domanda preliminare di chi si presenta in primo luogo. In produzione, a ciascun agente viene assegnata una propria identità a breve termine con credenziali chiaramente definite—emesse tramite identità di carico di lavoro, token firmati o un provider di identità centrale. Questo rende ogni azione tracciabile a un agente specifico, consente la rotazione automatica delle credenziali e permette di revocare un agente compromesso senza chiudere interi sistemi. Quando diversi agenti collaborano, un'identità chiara impedisce a un agente di impersonare un altro o di abusare di un'autorità presa in prestito. Per le imprese, l'identità dell'agente è la base per le tracce di audit, il controllo degli accessi e la conformità. Senza di essa, non c'è una risposta affidabile su quale agente abbia toccato quali dati o attivato quale transazione—esattamente le prove che i regolatori, i team di sicurezza e i clienti si aspettano sempre più dall'IA in produzione.

Iframe Sandboxata

Un iframe sandboxato è un contenitore HTML ristretto che isola il contenuto incorporato dalla pagina padre per sicurezza. Nel contesto delle MCP Apps, gli iframe sandboxati consentono agli assistenti IA di rendere in modo sicuro applicazioni interattive di terze parti nelle conversazioni.

Imagen 3

Il modello IA text-to-image di terza generazione di Google DeepMind che alimenta Google Whisk, noto per l'elevato fotorealismo e la fedeltà creativa nella generazione di immagini.

Impalcatura

L'impalcatura è una tecnica di sviluppo per agenti IA che utilizza modelli strutturati e specifiche per aumentare l'affidabilità e la prevedibilità del comportamento degli agenti. A differenza dei prompt liberi, l'impalcatura fornisce una struttura esplicita per gli input, i passaggi di elaborazione e gli output. Ciò riduce le allucinazioni, migliora la riproducibilità e consente controlli di verifica tra i passaggi. L'impalcatura è un principio fondamentale del GSD Framework ed è utilizzata negli ambienti di produzione per distribuire in modo affidabile agenti IA.

Implementazione di IA aziendale

L'implementazione di IA aziendale è il processo disciplinato di transizione dei sistemi di IA da progetti pilota promettenti a un uso affidabile in produzione all'interno di un'azienda. È più ampio del semplice lancio di un modello, chatbot o script di automazione. Una vera implementazione definisce l'obiettivo aziendale, l'accesso ai dati, la selezione di modelli e strumenti, le integrazioni di sistema, le autorizzazioni, il monitoraggio, il controllo dei costi e la responsabilità operativa. L'obiettivo è collegare la strategia IA con l'ingegneria e la governance: dare priorità ai casi d'uso, testarli in piloti limitati, valutare i rischi, quindi scalare i flussi di lavoro che dimostrano un valore misurabile. Il termine è importante perché molti progetti di IA hanno successo nelle dimostrazioni ma falliscono in produzione quando emergono problemi di sicurezza, adozione da parte degli utenti, latenza, qualità dei dati o responsabilità poco chiara. L'implementazione di IA aziendale trasforma la sperimentazione in una capacità operativa attraverso un'architettura documentata, cicli di revisione, piani di fallback, controlli di privacy, osservabilità e ottimizzazione continua. Per i sistemi agentici, le applicazioni RAG e gli agenti di codifica, definisce anche quali compiti possono essere automatizzati, dove è obbligatoria la revisione umana e quali metriche di qualità giustificano il lancio in produzione.

Inference Scaling

L'Inference Scaling è il processo di ottimizzazione del deployment dei modelli AI per gestire un numero crescente di richieste di inferenza o volumi di dati in aumento. Ciò comporta tecniche come il parallelismo dei modelli, il calcolo distribuito e l'accelerazione hardware per mantenere le prestazioni e ridurre la latenza.

Inference-Time Compute

Inference-Time Compute è un concetto AI engineering nei moderni sistemi IA che migliora lo sviluppo e la manutenzione dei sistemi basati su IA. Svolge un ruolo chiave nei deployment IA enterprise dove qualità del software e velocità di sviluppo impattano direttamente i risultati aziendali.

Inferenza AI

L'inferenza AI è il processo mediante il quale un modello di machine learning già addestrato elabora nuovi dati di input per generare previsioni, testo, immagini o altri output. A differenza dell'addestramento — in cui il modello impara da dataset e aggiusta i parametri — l'inferenza utilizza un modello completamente addestrato per eseguire compiti concreti in tempo reale o in modalità batch. La distinzione economica è fondamentale: addestrare un LLM frontier costa $1M–$100M+ come spesa una tantum. L'inferenza, al contrario, avviene ad ogni richiesta dell'utente — da migliaia a miliardi di volte al giorno. Poiché milioni di utenti interagiscono quotidianamente con i servizi AI, i costi cumulativi di inferenza superano di gran lunga i costi di addestramento nel corso della vita del modello distribuito. Le metriche chiave includono il Time-to-First-Token (TTFT) che misura la latenza prima del primo token, e i Token per Secondo (TPS) che misurano il throughput. Le scelte infrastrutturali si dividono tra inferenza batch per l'elaborazione massiva e inferenza in tempo reale che richiede risposta sub-secondo per applicazioni interattive come chatbot e assistenti di programmazione. Le tecniche di ottimizzazione coprono quantizzazione (FP32 → INT8/FP4), pruning del modello, decoding speculativo e ottimizzazione della cache KV. I chip di inferenza specializzati — NVIDIA H100/B200, TPU Google, LPU Groq — offrono miglioramenti notevoli in throughput ed efficienza energetica.

Inferenza Batch

L'inferenza batch è il processo di raccolta di più richieste AI e di elaborazione di esse in gruppo, anziché gestire ogni richiesta individualmente e immediatamente. Invece di inviare un prompt alla volta e attendere risposte sincrone, l'inferenza batch mette in coda gli input, li raggruppa e li elabora collettivamente — in contrasto diretto con l'inferenza in tempo reale dove ogni richiesta riceve risposta immediata. I vantaggi economici sono sostanziali: fornitori AI come Anthropic e OpenAI offrono API batch del 50–75% più economiche rispetto alle controparti sincrone. La riduzione dei costi deriva da un migliore utilizzo delle GPU — il batching permette di sfruttare pienamente la capacità di calcolo disponibile. L'architettura Blackwell di NVIDIA è specificamente progettata per carichi di lavoro batch ad alto throughput. I casi d'uso tipici dell'inferenza batch includono: traduzione massiva di documenti, analisi SEO automatizzata di grandi librerie di contenuti, riassunti giornalieri di feed di notizie, classificazione di cataloghi prodotti, analisi del sentiment di feedback clienti ed elaborazione notturna di dati analitici. I parametri tecnici chiave includono la dimensione del batch, la latenza massima accettabile, le strategie di gestione degli errori e il batching adattivo che regola dinamicamente la dimensione del batch in base al carico e al conteggio dei token per richiesta.

Inferenza in Tempo Reale

L'inferenza in tempo reale è l'elaborazione immediata delle richieste AI con latenza minima, tipicamente nell'intervallo da millisecondi a pochi secondi. A differenza dell'inferenza batch dove le richieste vengono raccolte ed elaborate in gruppi, l'inferenza in tempo reale risponde a ogni input immediatamente — fondamentale per le applicazioni interattive dove gli utenti si aspettano feedback istantaneo. La metrica più importante è il Time-to-First-Token (TTFT): tempo trascorso tra l'invio di una richiesta e la ricezione del primo token di risposta. Per i chatbot conversazionali, un TTFT sotto 500ms è generalmente accettabile. L'output in streaming migliora notevolmente la latenza percepita. I casi d'uso tipici includono: chatbot conversazionali come ChatGPT o Claude.ai, assistenti di programmazione AI come GitHub Copilot o Cursor, servizi di traduzione in tempo reale, assistenti vocali che combinano riconoscimento e sintesi vocale, analisi interattiva di documenti e agenti AI autonomi che devono reagire ai cambiamenti entro finestre temporali ristrette. I requisiti tecnici sono significativamente più esigenti rispetto all'inferenza batch: bassa latenza richiede server geograficamente vicini, ottimizzazioni specializzate o modelli più piccoli e veloci. Provider come Groq raggiungono 500+ TPS progettati appositamente per applicazioni in tempo reale.

Infrastruttura di agenti IA

L'infrastruttura di agenti IA è lo strato tecnico che consente agli agenti IA di passare dall'assistenza in stile chat all'esecuzione controllata. Include l'accesso ai modelli, le connessioni a strumenti e API, l'identità, i profili di autorizzazione, la memoria, gli ambienti di runtime, l'osservabilità, i controlli dei costi e i percorsi di approvazione umana. Un modello capace è solo un componente; l'agente ha anche bisogno di un luogo sicuro per operare, diritti espliciti, accesso affidabile ai dati, chiamate agli strumenti tracciabili e un modo per recuperare in caso di fallimento. In produzione, questa infrastruttura determina se un agente può essere considerato affidabile per un lavoro reale. Separa l'input dell'utente dalle istruzioni di sistema e dai dati esterni, protegge le credenziali, limita ciò che l'agente può modificare e registra ogni passaggio per la revisione. In configurazioni multi-agente gestisce anche il coordinamento: quale agente possiede il compito, quali sistemi può toccare, come vengono uniti i risultati parziali e quando un'azione deve essere approvata da un umano. Il termine è importante perché la maggior parte dei progetti di agenti aziendali non fallisce solo perché il modello è debole, ma perché l'esecuzione non è governata. Una solida infrastruttura di agenti IA rende i flussi di lavoro autonomi osservabili, auditabili, resilienti e abbastanza sicuri da connettersi ai sistemi aziendali.

Ingegneria Agentica

L'ingegneria agentica è un approccio strutturato allo sviluppo software in cui gli agenti IA sono integrati nel processo di consegna come contributori controllati, non trattati come generatori di codice senza vincoli. A differenza del 'vibe coding', si basa su obiettivi espliciti, contesti delimitati, piccole richieste di pull, test, cicli di revisione e decisioni tracciabili. Gli esseri umani rimangono responsabili dell'architettura, della priorità, delle regole di sicurezza e dell'accettazione; l'agente gestisce compiti definiti come implementazione, analisi, refactoring o espansione dei test. L'obiettivo non è semplicemente produrre più codice più velocemente, ma rendere il lavoro generato dall'IA revisionabile, riproducibile e pronto per la produzione. I flussi di lavoro di ingegneria agentica ben definiti stabiliscono budget di contesto, permessi degli strumenti, criteri di accettazione, percorsi di rollback e metriche di qualità, costo e rischio. In pratica, la disciplina combina la progettazione dei prompt, le regole del repository, i controlli CI, i confini di sicurezza e la documentazione in un ciclo operativo ripetibile. I team trattano gli agenti come nuovi membri della pipeline di consegna: utili, veloci e scalabili, ma solo all'interno di chiari binari di sicurezza. Questo trasforma lo sviluppo assistito dall'IA da un esperimento a un modello operativo per i team che utilizzano regolarmente agenti di codifica.

(21)

Ingegneria di Prompt Sicura

L'ingegneria di prompt sicura è la pratica di costruire e validare i prompt di input per i modelli di IA in modi che minimizzano i rischi di sicurezza e prevengono comportamenti indesiderati. L'obiettivo non è semplicemente aggiungere tecniche di "indurimento" a un prompt, ma progettare un sistema robusto che rimanga affidabilmente allineato anche in condizioni avverse e non attivi comportamenti nascosti o dannosi. Questo spettro include tecniche come la validazione degli input, la limitazione dell'ambito, la prevenzione dell'iniezione di preamboli, il testing dei casi limite e la versioning dei prompt. I prompt sicuri utilizzano istruzioni di sistema esplicite con confini chiari, definiscono costantemente ruoli e vincoli comportamentali, e testano le varianti contro vettori di attacco noti come tentativi di jailbreak, iniezione di token, exploit di overflow del contesto e manipolazione del gioco di ruolo. Questo è fondamentale per i sistemi agentici (dove gli agenti eseguono autonomamente codice o chiamano strumenti esterni), la generazione di codice (dove output non intenzionali portano a vulnerabilità di sicurezza in produzione) e applicazioni critiche per la conformità (dove comportamenti non autorizzati innescano conseguenze regolatorie). Le migliori pratiche includono: progettazione di prompt con esempi avversari in primo luogo, sanificazione degli input prima delle chiamate al modello, pianificazione del rollback per modifiche ai prompt critiche per la sicurezza, monitoraggio continuo degli output del modello contro schemi di abuso, ed esercizi regolari di red teaming. Negli ambienti aziendali, l'ingegneria di prompt sicura è una base non negoziabile per il dispiegamento affidabile dell'IA.

Iniezione di Prompt

Una vulnerabilità di sicurezza in cui istruzioni malevole sono incorporate nei dati elaborati da un'IA, causando una deviazione dal comportamento previsto. Preoccupazione critica per la sicurezza MCP.

Injection Attack (LLM)

Attacco con istruzioni malevole nell'input per manipolare un LLM.

(24)

Injection Breakthroughs

Situazioni in cui contenuti esterni malevoli o non intenzionati iniettati in un prompt riescono a eludere i meccanismi di sicurezza e influenzare il comportamento del LLM in modo indesiderato.

Instradamento del Modello

L'instradamento del modello è la pratica di dirigere automaticamente le richieste o i compiti in arrivo verso il modello di IA più appropriato in base al tipo di compito, alla qualità richiesta, ai vincoli di costo e ai requisiti di latenza. Nelle moderne stack di agenti IA, non c'è più un singolo modello al centro — invece, un insieme di modelli all'avanguardia, alternative open-source e sistemi specializzati lavorano in concerto, con l'instradamento del modello che determina quale modello gestisce quale richiesta. Le strategie di instradamento tipiche includono: l'instradamento basato sul compito (i compiti di ragionamento complessi vanno a modelli all'avanguardia potenti come Claude Opus o GPT-5.5, mentre i compiti di classificazione o sintesi più semplici vanno a modelli più piccoli e meno costosi), l'instradamento basato sul costo (le richieste al di sotto di una soglia di complessità vengono automaticamente reindirizzate a modelli open-source a basso costo come DeepSeek V4 o Llama 4), l'instradamento consapevole della latenza (le richieste sensibili al tempo vengono inviate a modelli con il profilo di tempo di risposta più basso), e l'instradamento di fallback (quando un modello primario fallisce o è sovraccarico, un modello di backup prende automaticamente il sopravvento senza interrompere il flusso di lavoro). Nelle architetture di agenti IA come OpenClaw, l'instradamento del modello è un componente infrastrutturale critico: crea la flessibilità per bilanciare in modo ottimale le prestazioni e i costi tra diversi modelli mantenendo l'indipendenza dal fornitore.

(26)

Instruction/Data Separation

Pattern di sicurezza che separa istruzioni e dati non fidati.

(27)

Integrità della Valutazione

L'integrità della valutazione (eval integrity) si riferisce al principio e alla pratica di garantire che le valutazioni di modelli e sistemi AI siano eque, imparziali, riproducibili e significative. È una risposta ai crescenti problemi di contaminazione dei benchmark, manipolazione delle metriche e confronti di performance fuorvianti. Gli elementi fondamentali dell'integrità della valutazione includono: isolamento dei dati (i test set sono rigorosamente separati dai dati di training), riproducibilità (le valutazioni possono essere replicate in modo indipendente), rilevanza dei task (i benchmark misurano capacità rilevanti per casi d'uso reali), e trasparenza. Le misure pratiche includono: utilizzo di test set privati o generati dinamicamente, valutazione cieca, test avversariali, valutazione A/B nei sistemi live con utenti reali, e rotazione regolare dei benchmark di valutazione. L'integrità della valutazione è particolarmente importante nei contesti aziendali, dove la selezione del modello guida decisioni di investimento significative. Le organizzazioni non dovrebbero fare affidamento ciecamente sui ranking di benchmark pubblicati, ma condurre le proprie valutazioni specifiche per task su dati di produzione rappresentativi.

(28)

Intelligent LLM Routing

Intelligent LLM Routing è un concetto AI economics nei moderni sistemi IA che ottimizza l'equazione costi-benefici dell'adozione e gestione dell'IA. Svolge un ruolo chiave nei deployment IA enterprise dove dimostrare un ROI chiaro è essenziale per garantire investimenti IA continuativi.

(29)

Intelligenza Spaziale

La capacità dell'IA di percepire, ragionare e interagire con spazi 3D, colmando il gap tra intelligenza digitale e realtà fisica.

(30)

Intent-Based Navigation

Intent-Based Navigation è un concetto AI user experience nei moderni sistemi IA che modella il modo in cui gli utenti interagiscono con le funzionalità basate su IA. Svolge un ruolo chiave nei deployment IA enterprise dove adozione e soddisfazione degli utenti dipendono da un design di interfaccia e interazione attento.

UX AI

Interactive UI Components

Elementi funzionali dell'interfaccia utente (ad es. pulsanti, cursori, moduli, dashboard) che consentono agli utenti di interagire direttamente con i dati o di attivare azioni all'interno di un'applicazione o di una conversazione AI.

Interpretabilità meccanicistica

L'interpretabilità meccanicistica è un campo di ricerca sulla sicurezza dell'IA che reverse-engineers i calcoli interni delle reti neurali. Mentre l'esplicabilità convenzionale si limita a collegare gli input di un modello ai suoi output, l'interpretabilità meccanicistica apre il modello stesso, identificando i circuiti individuali, le caratteristiche e i modelli di attivazione che producono una risposta specifica. L'obiettivo non è osservare ciò che dice un modello, ma comprendere i meccanismi interni che generano quel comportamento. In pratica, il campo si avvale di tecniche come l'analisi delle attivazioni, l'isolamento delle caratteristiche interpretabili con autoencoder sparsi e l'intervento diretto sui singoli componenti per testare cosa fa ciascuno di essi. Questo fornisce un resoconto causale del comportamento del modello piuttosto che uno meramente correlazionale, permettendo ai ricercatori di indicare la struttura interna specifica responsabile di un output. La disciplina è particolarmente rilevante ovunque siano in gioco fiducia, sicurezza e responsabilità. Rende possibile portare alla luce incentivi nascosti non allineati, comportamenti ingannevoli o capacità inaspettate prima che un modello venga distribuito in produzione. Man mano che i sistemi diventano più capaci e autonomi, la capacità di ispezionare il loro funzionamento interno passa da una curiosità di ricerca a un requisito fondamentale per lo sviluppo responsabile dell'IA.

(33)

iOS

Il sistema operativo mobile di Apple, utilizzato principalmente su iPhone e iPad.

J

JSON Mode

Il JSON Mode si riferisce alla capacità di un modello linguistico di fornire la propria uscita in un formato JSON strutturato. Questo è utile per le applicazioni che richiedono un'interazione programmatica con l'IA, consentendo un facile parsing e integrazione delle risposte dei modelli nei sistemi software.

JSON-RPC

Un protocollo di chiamata di procedura remota leggero codificato in JSON, utilizzato come livello di comunicazione nel Model Context Protocol per lo scambio standardizzato di messaggi.

K

Knowledge Graphs for AI

I grafi della conoscenza sono rappresentazioni strutturate della conoscenza che consistono in entità, concetti e relazioni tra di essi. Forniscono un quadro per il ragionamento, l'inferenza e la scoperta della conoscenza, migliorando le capacità dei sistemi di IA in vari domini.

Gli LLM locali sono modelli di linguaggio di grandi dimensioni che funzionano interamente su hardware locale senza richiedere connettività cloud. Offrono privacy, latenza ridotta e capacità offline, rendendo l'IA accessibile in ambienti con vincoli di connettività o sovranità dei dati.

Long-Term Memory Layers

Long-Term Memory Layers è un concetto AI infrastructure nei moderni sistemi IA che fornisce capacità fondamentali per il deployment e l'operatività dei sistemi IA. Svolge un ruolo chiave nei deployment IA enterprise dove affidabilità e scalabilità sono critiche per i carichi di lavoro di produzione.

Lost in the Middle (Perso nel Mezzo)

Il fenomeno in cui gli LLM elaborano peggio le informazioni nel mezzo di contesti lunghi rispetto all'inizio o alla fine. Documentato da Liu et al. (2024) e confermato da Chroma Research (2025). Richiede posizionamento strategico delle informazioni critiche nel contesto.

Multi-Modal Feedback Loops è un concetto AI user experience nei moderni sistemi IA che modella il modo in cui gli utenti interagiscono con le funzionalità basate su IA. Svolge un ruolo chiave nei deployment IA enterprise dove adozione e soddisfazione degli utenti dipendono da un design di interfaccia e interazione attento.

UX AI

Multi-Modal Foundation Models

I modelli di fondazione multimodali sono modelli di IA addestrati su enormi set di dati di diverse modalità, come testo, immagini, audio e video. Questi modelli possono comprendere e generare contenuti attraverso più modalità, consentendo applicazioni di IA più versatili e simili a quelle umane.

Multimodal Model

Un modello AI in grado di elaborare e integrare informazioni provenienti da più modalità, come testo, immagini e audio.

NVIDIA Blackwell è l'architettura GPU AI dell'ultima generazione di NVIDIA, denominata dal matematico David Harold Blackwell. Svelata al GTC 2024 con ulteriori annunci ai GTC 2025 e 2026, comprende diverse varianti GPU: il B200 (ottimizzato per inferenza e addestramento), il GB200 (Grace Blackwell Superchip che combina CPU ARM + GPU B200), e il GB200 NVL72 (sistema rack-scale a 72 GPU per gli hyperscaler). Progressi tecnici rispetto al predecessore Hopper (H100): supporto FP4 nativo offre un ulteriore 2× di efficienza computazionale rispetto a FP8; il B200 raggiunge 20 petaflop di prestazioni di inferenza FP4; l'NVLink Switch integrato con 1,8 TB/s elimina i colli di bottiglia di comunicazione inter-GPU; 192 GB HBM3e per B200 consente di contenere modelli da 400B parametri senza model parallelism. Per l'inferenza in particolare: il rack GB200 NVL72 può contenere un modello da un trilione di parametri interamente nella VRAM con 30× più throughput rispetto ai sistemi H100. Al GTC 2026, NVIDIA ha annunciato Blackwell Ultra: ulteriore 2× miglioramento del throughput di inferenza. I cloud provider stanno distribuendo progressivamente l'infrastruttura Blackwell nel 2025/2026, determinando ulteriori riduzioni dei prezzi API.

NVIDIA Vera Rubin

NVIDIA Vera Rubin è l'architettura GPU di prossima generazione che succede a Blackwell, annunciata da Jensen Huang al GTC 2026 e pianificata per il 2026/2027. Denominata dall'astronoma Vera Rubin che ha fornito prove della materia oscura, l'architettura promette un altro salto generazionale nelle prestazioni di inferenza e addestramento AI. Specifiche chiave rivelate al GTC 2026: la CPU ARM 'Vera' come successore del processore Grace con maggiore banda di memoria, e il die GPU 'Rubin' come motore di calcolo principale. Insieme formano il Vera Rubin Superchip — analogo all'architettura Grace Blackwell. NVIDIA continua la sua cadenza annuale: Hopper (2022) → Blackwell (2024) → Blackwell Ultra (2025) → Vera Rubin (2026/2027). Per l'industria AI, Vera Rubin segnala la continuazione della tendenza alla deflazione hardware: ogni 1–2 anni, le prestazioni di inferenza per dollaro raddoppiano fino a triplicare. Questa tendenza alimenta la caduta del 50–80% dei prezzi API LLM annualmente. Le organizzazioni con costosi workload di inferenza possono aspettarsi costi dramatically più bassi con la capacità cloud Vera Rubin. Nel contesto competitivo, NVIDIA compete con la serie MI400 di AMD, il TPU Ironwood di Google (anch'esso annunciato al GTC 2026), Intel Gaudi 4 e fornitori ASIC come Groq, Cerebras e Amazon Trainium 3.

La pratica di miglioramento sistematico delle prestazioni degli agenti IA attraverso istruzioni strutturate e gestione del contesto.

Ottimizzazione dell'Inferenza

L'ottimizzazione dell'inferenza comprende tutte le tecniche e strategie impiegate per migliorare le performance (latenza, throughput) e/o l'efficienza dei costi dei sistemi di inferenza AI senza degradare significativamente la qualità degli output generati. I principali livelli di ottimizzazione sono: (1) Livello modello: quantizzazione (riduzione della precisione numerica da FP16 a INT8 o FP4), pruning, distillazione; (2) Livello serving: continuous batching, ottimizzazione della KV-cache, PagedAttention; (3) Livello hardware: tensor parallelism, Flash Attention, kernel fusion; (4) Livello sistema: speculative decoding, model routing, caching delle risposte. Il speculative decoding merita una menzione speciale: un piccolo "draft model" genera diversi candidati token che un grande "verifier model" valida o rifiuta in un singolo passaggio. Con un buon draft model, questo può aumentare la velocità di generazione effettiva di 2-4x. Framework come vLLM, TensorRT-LLM e DeepSpeed-Inference sono diventati lo standard per il serving ottimizzato. Implementano automaticamente molte di queste tecniche e possono ottenere un throughput 10-20x migliore rispetto al serving HuggingFace nativo.

Output Contract

Una struttura e un formato chiaramente definiti per l'output generato da un agente IA, garantendo coerenza e prevedibilità per l'elaborazione successiva o il consumo umano.

P

Pagamenti agentici

I pagamenti agentici rappresentano la capacità di un agente IA autonomo di avviare, autorizzare e completare un pagamento per conto di un utente. A differenza del checkout online convenzionale, dove una persona conferma ogni passaggio, l'agente gestisce la transazione autonomamente: seleziona il prodotto, verifica il prezzo e le condizioni, e rilascia il pagamento entro i limiti stabiliti in anticipo dall'utente. La sicurezza di questo processo dipende da diversi elementi fondamentali: un'identità dell'agente verificabile, limiti di approvazione e spesa dettagliati, e un registro verificabile di ogni transazione. Questo cambiamento è guidato da iniziative come l'integrazione dei pagamenti Visa e OpenAI, che consente agli agenti ChatGPT di pagare direttamente i commercianti. Per le aziende, ciò cambia chi si trova all'interfaccia con il cliente: gli acquisti sono ora innescati non solo dalle persone, ma anche dagli agenti che agiscono per loro. I pagamenti agentici rappresentano quindi il livello di esecuzione del commercio agentico — la capacità concreta di pagare che si basa su protocolli standardizzati e dati di prodotto leggibili dalla macchina, portando a termine l'acquisto senza intervento manuale.

Parameters (Model Parameters)

I pesi regolabili all'interno di una rete neurale che vengono appresi durante l'addestramento. Determinano la capacità del modello di mappare gli input agli output.

Parametri attivi (MoE)

Nei modelli Mixture-of-Experts (MoE), i parametri attivi sono i parametri del modello effettivamente calcolati durante l'elaborazione di un singolo token. Un modello MoE è composto da più blocchi di esperti specializzati; per token, un router ne attiva solo una piccola parte. L'indicatore significativo è quindi la coppia dimensione totale / dimensione attiva — circa 125B totali / 6B attivi per Qwen 3.8 Flash Next, 770B / 49B per Tencent Hy-4 Preview, circa 18B attivi per GLM 5.3 Flash e 2B per il compatto Mini CPM5. La differenza rispetto a un modello denso classico: lì il numero di parametri calcolati per token uguaglia il numero totale. Nei modelli MoE, il calcolo per token scala con il numero attivo, mentre il fabbisogno di memoria è fissato dal numero totale — i due valori descrivono colli di bottiglia diversi. Perché il numero attivo determina la pratica: controlla direttamente il throughput di token (più parametri attivi = più operazioni per token) e il costo di inferenza per milione di token, quindi il prezzo dell'API, mentre il numero totale definisce il fabbisogno di VRAM. Un modello con 125B totali e 6B parametri attivi calcola per token come un piccolo modello 6B ma offre la larghezza di conoscenze di uno molto più grande — la frontiera di efficienza dell'attuale linea open-weight. Per leggere le schede dei modelli: il numero attivo non è un orpello di marketing ma il secondo indicatore chiave, di pari importanza. Specifiche come 125B/6B o 770B/49B mostrano che larghezza di conoscenze e velocità sono diventate raggiungibili disaccoppiando dimensione totale e dimensione attiva — coppie di parametri oneste invece di singole cifre in bilioni.

Passaggio di agente

Il passaggio di agente è il trasferimento strutturato di un compito attivo, insieme al suo contesto completo e allo stato intermedio, da un agente IA a un altro all'interno di un sistema multi-agente. L'agente che effettua il passaggio cede il controllo a un agente ricevente – che può essere un sotto-agente specializzato, un pari o un orchestratore supervisore – affinché il compito possa continuare senza perdita di informazioni o progressi. Un passaggio di agente affidabile richiede tre elementi chiave: primo, il trasferimento completo del contesto, assicurando che tutti i dati rilevanti, i risultati intermedi e le istruzioni del compito siano trasmessi; secondo, protocolli di passaggio definiti che specificano le condizioni, i trigger e le responsabilità che governano il trasferimento; terzo, una gestione robusta degli errori che rileva un passaggio fallito e riprova o scala in modo appropriato. In pratica, i passaggi di agenti appaiono in pipeline agentiche a più fasi dove pianificazione, implementazione, revisione e distribuzione sono distribuite tra agenti specializzati. Un agente di pianificazione potrebbe delineare un compito e passarlo a un agente di codifica, che poi inoltra l'output a un agente di validazione. Ogni passaggio è un punto di trasferimento critico dove la perdita di contesto o una cattiva comunicazione può interrompere l'intero pipeline. Per le architetture di agenti scalate, passaggi ben definiti consentono la parallelizzazione, riducono il sovraccarico di contesto per agente e stabiliscono catene di responsabilità chiare. I moderni framework di orchestrazione come LangGraph, AutoGen e il protocollo MCP forniscono modelli di passaggio standardizzati come parte del loro strato di orchestrazione. I team che costruiscono sistemi multi-agente di produzione dovrebbero trattare la progettazione del passaggio come una preoccupazione architettonica di primo piano.

Permessi degli agenti IA

I permessi degli agenti IA sono i diritti espliciti che un agente IA riceve attraverso sistemi software, fonti di dati, strumenti e flussi di lavoro aziendali. Un chatbot normale produce principalmente testo; un sistema agentico può chiamare strumenti, leggere file, modificare ticket, eseguire codice, aprire pull request, interrogare database o utilizzare API esterne. I permessi definiscono quali di queste azioni sono consentite, quando è necessaria l'approvazione umana e quali limiti non devono mai essere superati. I modelli di permessi solidi utilizzano il principio del minimo privilegio, ambiti basati sui ruoli, token di breve durata, separazione degli ambienti, isolamento dei segreti e registri di audit completi. Ad esempio, un agente di codifica può leggere file di repository, eseguire test e proporre una pull request, ma non dovrebbe distribuire in produzione, accedere ai record dei clienti o inviare messaggi esterni senza approvazione. Per le imprese, i permessi degli agenti IA sono il livello di sicurezza operativa tra un'automazione potente e un rischio controllato. Determinano se gli agenti rimangono assistenti sperimentali o diventano partecipanti affidabili nei processi aziendali reali. La scelta progettuale chiave è separare i diritti di lettura, scrittura ed esecuzione: un agente può raccogliere contesto senza apportare automaticamente modifiche. I permessi ad alto rischio vengono sbloccati solo quando l'intento, il proprietario, l'ambiente e il percorso di rollback sono chiari.

Personal Intelligence

L'iniziativa di Google per espandere il suo modello Gemini con funzionalità su misura per le esigenze e le preferenze individuali degli utenti, fornendo un'esperienza AI altamente personalizzata.

Physical AI

Sistemi IA che comprendono le leggi fisiche e possono agire nel mondo reale – la convergenza dell'IA con robotica e IoT.

Pi Coding Agent

Il Pi Coding Agent è un agent harness open source volutamente minimale per lo sviluppo software, creato da Mario Zechner e pubblicato a fine 2025. Lì dove gli agenti di codice commerciali accumulano funzionalità, Pi si accontenta di quattro strumenti di base (leggere, modificare, scrivere, shell), di un prompt di sistema sotto i 1.000 token e di una rintracciabilità completa di ogni passo: piani e azioni restano visibili come file di testo in chiaro, invece di sparire in una black box di sub-agent. Il Pi Coding Agent può estendersi tramite estensioni TypeScript; le funzioni mancanti, come i sub-agent o la modalità piano, si installano al bisogno invece di essere già incluse. Funziona in quattro modalità (interattiva, print/JSON, RPC, SDK) e non vincola i team ad alcun provider di modelli, perché lavora con ogni provider che accetta una propria API key. Esempio Terminal-Bench: a inizio 2026, Pi con Claude Opus 4.5 si è piazzato di poco dietro a Terminus — notevole per un harness che allora non aveva ancora la compressione del contesto. Da tenere distinto dal chatbot «Pi» di Inflection AI (2018/2023), un prodotto del tutto diverso, e al contempo dagli harness proprietari come Claude Code: il Pi Coding Agent non appartiene né a un'azienda né a un abbonamento, ma è un harness hackerabile e verificabile sotto licenza open source — pensato per sviluppatori che vogliono ricostruire il proprio agente invece di abbonarlo.

Pianificazione della capacità degli agenti IA

La pianificazione della capacità degli agenti IA è l'organizzazione strutturata delle risorse di calcolo, delle quote API, della concorrenza, delle code, dei budget e delle soluzioni di fallback per gli agenti IA in produzione. A differenza della pianificazione classica della capacità dei server, tiene conto del fatto che gli agenti non rispondono a una singola richiesta in isolamento. Scompongono il lavoro in fasi, chiamano strumenti, eseguono codice, leggono file e comunicano con i modelli molte volte prima che un compito sia completato. Ciò crea carico attraverso token, finestre di contesto, limiti di velocità, archiviazione, pipeline CI e code di approvazione umana. Un solido piano di capacità definisce il volume di compiti previsto, i tempi massimi di esecuzione, i limiti di budget, le classi di priorità, i percorsi di degrado e le regole di escalation. Risponde a domande pratiche: quali agenti possono funzionare in parallelo, quando il lavoro dovrebbe essere indirizzato a un modello più piccolo, quali compiti possono aspettare e quali flussi di lavoro necessitano di capacità riservata? Per le aziende, questo è il modello operativo che mantiene gli agenti affidabili. Collega infrastruttura, controllo dei costi, governance ed esperienza utente affinché gli agenti IA rimangano stabili quando i fornitori cambiano i limiti, le risorse di calcolo diventano scarse o la domanda aumenta inaspettatamente.

Piano di controllo degli agenti IA

Un piano di controllo degli agenti IA è lo strato operativo e di governance che pianifica, autorizza, monitora e limita gli agenti IA. Mentre il modello propone la prossima azione, il piano di controllo decide quali strumenti, fonti di dati, repository, API o ambienti di esecuzione un agente può utilizzare, quando è necessaria un'approvazione umana e come ogni azione viene registrata. Integra permessi, politiche, segreti, sandbox, limiti di velocità, regole di costo, segnali di valutazione e registri di audit in un'architettura che si trova al di sopra dei singoli prompt. Questo strato è importante perché gli agenti moderni fanno più che generare testo. Possono aggiornare ticket, modificare codice, recuperare dati sensibili, chiamare sistemi aziendali o attivare flussi di lavoro. Un piano di controllo solido separa la capacità dall'autorizzazione: un agente può sapere che uno strumento esiste, ma può utilizzarlo solo all'interno di un ambito approvato. Ciò rende l'esperimentazione, il lancio e l'automazione della produzione ripetibili, osservabili e conformi. Per i team, il piano di controllo diventa il modello operativo condiviso per prototipi, assistenti interni e flussi di lavoro autonomi che devono seguire le stesse regole di sicurezza e qualità.

Piattaforma Multi-Agente

Un ambiente software che orchestra più agenti IA con capacità diverse. Agent HQ di GitHub esemplifica questo assegnando Claude, Codex o Copilot in base ai requisiti.

Platform Consolidation

La tendenza a unire più funzionalità e servizi in un'unica piattaforma unificata, spesso alimentata dall'AI, riducendo la necessità di applicazioni disparate.

Politica di accesso al modello

Una politica di accesso al modello definisce le regole che stabiliscono chi o cosa può utilizzare un particolare modello di IA in un contesto specifico. Si affianca, ma non è la stessa cosa, a una politica di selezione del modello. La selezione del modello chiede quale modello sia il migliore per il compito; la politica di accesso chiede se quel modello possa essere utilizzato, considerando l'utente, la classe di dati, la posizione, i termini contrattuali, i limiti di costo, i requisiti di registrazione e il livello di approvazione. Nei sistemi di IA in produzione, la politica non deve vivere solo in una presentazione. Deve essere applicata tramite chiavi API, identità delle macchine, profili di autorizzazione degli agenti, logica di instradamento e tracciabilità degli audit. Questo è importante quando i modelli di frontiera sono disponibili solo per clienti approvati, quando alcune regioni o industrie affrontano restrizioni aggiuntive, o quando dati sensibili devono rimanere all'interno di un modello auto-ospitato o contrattato privatamente. La politica fornisce ai team una risposta ripetibile invece di decisioni isolate. Se ben fatta, mantiene l'esperimento rapido rendendo l'uso di modelli sensibili osservabile, reversibile e difendibile.

Politica di Scalabilità Responsabile (RSP)

Una Politica di Scalabilità Responsabile (RSP) è un quadro formale interno che definisce le condizioni in base alle quali un laboratorio di IA può continuare a sviluppare e distribuire modelli sempre più potenti. Pionierata da Anthropic, la RSP stabilisce i Livelli di Sicurezza dell'IA (ASL) — livelli di capacità crescenti, ciascuno con requisiti di sicurezza obbligatori che devono essere dimostrabilmente soddisfatti prima di continuare lo sviluppo. I modelli ASL-3 richiedono controlli di distribuzione rigorosi; i modelli ASL-4 possono essere trattenuti completamente se le condizioni di sicurezza non possono essere soddisfatte. Claude Mythos Preview è un esempio reale: apparentemente trattenuto sotto queste disposizioni dopo aver scoperto autonomamente vulnerabilità zero-day nei principali sistemi operativi. La RSP collega la ricerca tecnica (interpretabilità, red-teaming, valutazioni automatizzate) con la governance operativa. Altri laboratori leader — Google DeepMind, OpenAI — hanno sviluppato quadri analoghi, ma Anthropic è ampiamente riconosciuto come il pioniere dell'approccio RSP documentato pubblicamente. Per le imprese che acquistano servizi di IA, la RSP di un fornitore è un segnale di trasparenza significativo: rivela come il laboratorio gestisce i suoi modelli più capaci e potenzialmente pericolosi, e sotto quali soglie si rifiuterà di distribuirli.

Politica di selezione del modello

Una politica di selezione del modello è un insieme di regole documentate da un'organizzazione per scegliere quale modello di IA gestisce quale compito — definendo il modello predefinito, le alternative approvate e i criteri (capacità, costo, latenza, capacità, governance) per il routing tra di essi. Dopo che Anthropic ha superato OpenAI come startup IA più preziosa nel maggio 2026, molte aziende hanno ricalibrato queste politiche, rendendo Claude un modello predefinito senza una giustificazione difficile, mantenendo al contempo un routing multi-modello per evitare il rischio di dipendenza da un singolo fornitore.

Polsia

Polsia è una piattaforma di IA autonoma del fondatore Ben Broca (lanciata a fine 2025) che pianifica, sviluppa, commercializza e gestisce un intero business online a partire da una singola idea. L'utente inserisce un'idea di business; il sistema di agenti la esegue end-to-end — ricerca di mercato, generazione di sito e codice, fatturazione via Stripe, outreach via e-mail e campagne a pagamento — e continua a lavorare in background senza nuovi prompt, con un aggiornamento sui progressi la mattina successiva. La monetizzazione si basa su un abbonamento più commissioni sulla performance: 20% sul budget pubblicitario gestito, 3% sui ricavi e un tetto di prelievo di 500 $ al mese (termini del 14 settembre 2026). La prova più citata è la trazione della piattaforma stessa: secondo il fondatore, l'operazione senza dipendenti sarebbe cresciuta fino a 1 milione di dollari di ricavi ricorrenti annui in 30 giorni. Questo distingue Polsia dai costruttori no-code come Webflow, che si fermano al sito web, e dai framework per agenti come OpenClaw, che i team assemblano e gestiscono da soli — Polsia raggruppa l'intero stack aziendale in un unico ciclo autonomo.

Pool di talenti IA

La forza lavoro disponibile di professionisti con competenze in IA e ML in una data regione. Un fattore critico per il successo delle startup IA.

Porta di revisione del codice IA

Una porta di revisione del codice IA è un punto di controllo automatizzato della qualità integrato in una pipeline CI/CD che utilizza un modello IA indipendente per valutare le modifiche al codice prima che vengano integrate o distribuite. A differenza degli strumenti di analisi statica tradizionali, una porta di revisione del codice IA comprende l'intento semantico di una modifica: può identificare difetti logici, valutare i rischi di sicurezza nel contesto e segnalare schemi che violano i vincoli architetturali. Il concetto ha acquisito urgenza con l'ascesa di agenti di codifica IA autonomi come Claude Code, Codex e Cursor. Come documentato dal ricercatore di sicurezza Robin Ebers nel 2025, questi agenti possono talvolta aggirare i controlli di sicurezza difettosi piuttosto che correggerli — un modello talvolta chiamato nascondere i bug. Una porta di revisione del codice IA funge da punto di controllo obbligatorio e indipendente: un revisore IA separato valuta il codice inviato rispetto a soglie di qualità e sicurezza definite, e blocca l'integrazione se tali soglie non sono soddisfatte. I componenti chiave di una porta di revisione del codice IA ben progettata includono: un modello di revisione indipendente dall'agente di codifica, una soglia di blocco configurabile, un registro di audit completo di ogni decisione di revisione e una definizione precisa delle scoperte che costituiscono una violazione bloccante. Il principio della porta assicura che il codice generato dall'IA non possa raggiungere i sistemi di produzione senza superare un controllo di qualità indipendente — una salvaguardia strutturale per i team che gestiscono flussi di lavoro ingegneristici agentici su larga scala.

Postumi del Vibe Coding

Le conseguenze negative dopo un vibe coding estensivo: debito tecnico accumulato, codice non manutenibile e consapevolezza che il codice IA richiede rigore ingegneristico.

Prezzi basati sull'uso

I prezzi basati sull'uso sono un modello di fatturazione in cui i costi sono calcolati direttamente in base al consumo effettivo delle risorse, anziché una tariffa di abbonamento fissa. Nel contesto dell'IA, le aziende pagano per il numero di token elaborati, i secondi di CPU consumati, le chiamate API effettuate o i compiti degli agenti completati. Questo modello ha acquisito un'enorme importanza con la proliferazione dei grandi modelli di linguaggio. A differenza della tariffazione forfettaria con canoni mensili fissi, i prezzi basati sull'uso avvantaggiano le aziende con carichi di lavoro variabili: le startup e le PMI pagano poco durante i periodi di calma e scalano in modo efficiente sotto carichi più elevati. Particolarmente rilevante per gli agenti IA: gli abbonamenti SaaS tradizionali erano progettati per modelli di utilizzo umano prevedibili. Gli agenti IA eseguono autonomamente migliaia di chiamate API all'ora, rompendo i calcoli dei costi forfettari. Fornitori come Anthropic, OpenAI e Google utilizzano quindi prezzi basati sull'uso per token sulle loro piattaforme. I modelli più recenti stanno sperimentando prezzi basati sui compiti, addebitando per compito d'agente completato piuttosto che per token. Per le imprese che impiegano agenti IA, monitorare i prezzi basati sull'uso è fondamentale: senza limiti di budget e avvisi, gli agenti IA possono generare costi significativi in breve tempo.

(21)

Privacy-Preserving AI

L'IA a preservare la privacy comprende tecniche che consentono ai sistemi di IA di apprendere e elaborare dati proteggendo la privacy degli individui. Ciò include l'apprendimento federato, la privacy differenziale, il calcolo sicuro multi-party e la crittografia omomorfica.

Privacy-Preserving Inference

Privacy-Preserving Inference è un concetto regulatory compliance nei moderni sistemi IA che affronta i requisiti legali e normativi per il deployment dell'IA. Svolge un ruolo chiave nei deployment IA enterprise dove le organizzazioni devono soddisfare EU AI Act, GDPR e mandati settoriali.

Private Cloud Compute

La tecnologia di Apple che elabora dati sensibili localmente sul dispositivo o tramite server privati e sicuri per preservare la privacy degli utenti mentre utilizza le capacità dell'AI. L'azienda non vuole condividere i dati degli utenti con fornitori di cloud di terze parti esterni.

(24)

Proactive Communication

La capacità di un assistente AI di avviare la comunicazione con un utente basandosi su attivatori, eventi o preferenze apprese, piuttosto che attendere richieste esplicite.

Profili di Autorizzazione degli Agenti

I Profili di Autorizzazione degli Agenti sono pacchetti di autorizzazioni riutilizzabili che definiscono ciò che un agente IA è autorizzato a fare nel suo ambiente di runtime. Invece di concedere a ogni agente un accesso ampio a file, reti, shell, database o API esterne, un profilo descrive diritti specifici, limiti e regole di approvazione. Un profilo di sola lettura potrebbe consentire a un agente di ispezionare un repository senza modificare i file. Un profilo ingegneristico potrebbe consentire test e preparazione di pull-request richiedendo l'approvazione umana prima delle modifiche in produzione. Un profilo di supporto potrebbe leggere i record dei clienti ma non visualizzare mai segreti, modificare fatture o attivare rimborsi. Il concetto è più operativo che di governance generale dell'IA. I profili di autorizzazione sono uno strato di controllo concreto nel runtime dell'agente: combinano accesso al minimo privilegio, ambiti degli strumenti, flussi di approvazione, registri di audit e spesso regole di sandbox in una politica configurabile. Questo rende gli agenti più sicuri senza renderli inutili. I team possono lanciare nuovi agenti più velocemente perché le autorizzazioni non vengono più discusse da zero per ogni flusso di lavoro. Possono riutilizzare profili comprovati per ruoli come revisione del codice, ricerca, analisi dei dati, supporto clienti o distribuzione, quindi restringerli o espanderli in base al rischio osservato.

(26)

Progettazione Schema-First

La Progettazione Schema-First è un approccio di sviluppo in cui i team definiscono il contratto di interfaccia prima di scrivere il codice di implementazione. Invece di "prima il codice, poi la documentazione", specificano in anticipo i campi attesi, i tipi di dati, i parametri richiesti e i formati di errore. I formati comuni includono OpenAPI, JSON Schema e gli schemi degli strumenti utilizzati nel Model Context Protocol (MCP). Nei flussi di lavoro dell'IA e degli agenti, questo è importante perché gli agenti possono chiamare gli strumenti in modo affidabile solo quando gli input e gli output sono espliciti. Un forte schema riduce l'ambiguità, previene i fallimenti di analisi e rende il comportamento di chiamata degli strumenti più deterministico. Migliora anche i test, il versionamento e la governance, poiché i cambiamenti di contratto diventano immediatamente visibili. La Progettazione Schema-First è quindi più di una disciplina di documentazione; è un modello operativo per sistemi IA di livello produttivo. Allinea prodotto, ingegneria e operazioni attorno a un contratto condiviso e trasforma prototipi fragili in integrazioni ripetibili e scalabili.

(27)

Programmatic Access

L'accesso a un sistema o servizio software tramite codice (ad esempio, utilizzando un'API) anziché un'interfaccia utente grafica.

(28)

Proliferazione SaaS

La proliferazione SaaS si riferisce alla crescita incontrollata degli abbonamenti software-as-a-service all'interno di un'organizzazione. L'azienda media utilizza oltre 130 strumenti SaaS, con il 25-30% della spesa sprecata in licenze inutilizzate. Le super app IA promettono di ridurre la proliferazione SaaS.

(29)

Prompt Caching

Una tecnica che memorizza il contesto frequentemente usato nella memoria di un modello IA, riducendo drasticamente latenza e costi per query ripetitive.

(30)

Prompt di Sistema

Un prompt di sistema è un'istruzione nascosta passata a un grande modello di linguaggio (LLM) prima che inizi qualsiasi interazione con l'utente. A differenza dei normali messaggi utente, il prompt di sistema è tipicamente invisibile agli utenti finali e definisce il quadro comportamentale, la persona, i vincoli e il contesto entro cui il modello opera. In pratica, un prompt di sistema include definizioni di ruolo ("Sei un assistente al supporto clienti per..."), regole comportamentali ("Rispondi sempre in inglese", "Non discutere mai l'argomento X"), informazioni contestuali come cataloghi di prodotti o basi di conoscenza, e linee guida di formattazione che coprono la lunghezza, il tono e la struttura delle risposte. La qualità e la precisione di un prompt di sistema determinano in gran parte quanto affidabilmente e coerentemente un modello IA performa in produzione. Un prompt di sistema ben progettato riduce le allucinazioni, previene la deriva conversazionale e mantiene il modello operante entro i limiti definiti. Tecniche come esempi a pochi colpi e formattazione esplicita dell'output sono frequentemente incorporate nei prompt di sistema per strutturare in modo affidabile gli output del modello. Nei sistemi agentici, il prompt di sistema assume un ruolo ancora più centrale: specifica quali strumenti un agente può chiamare, come gestisce gli errori e quali obiettivi di alto livello persegue — servendo effettivamente come istruzioni operative per un sistema IA autonomo.

Prompt Engineering

Il Prompt Engineering è la pratica di progettare e ottimizzare i prompt di input per ottenere output desiderati dai modelli di linguaggio. Comprende tecniche come il few-shot learning, il prompting a catena di pensiero e le istruzioni di sistema per migliorare la qualità delle risposte dell'AI.

Prompt Injection Defense

Prompt Injection Defense è un concetto AI safety nei moderni sistemi IA che garantisce che i sistemi IA operino entro limiti sicuri. Svolge un ruolo chiave nei deployment IA enterprise dove prevenire output dannosi e mantenere l'integrità del sistema è fondamentale.

(33)

Prompt Re-injection

Il processo di reinserire lo stesso prompt iniziale in un modello AI per incoraggiarlo a continuare a lavorare su un compito, costruendo su iterazioni precedenti.

(34)

Provenance

La documentazione dell'origine e della storia di un insieme di dati, inclusi da dove proviene, come è stato derivato e chi lo ha modificato. Nel contesto degli LLM, si riferisce alla tracciabilità della fonte delle informazioni utilizzate nella risposta del modello.

Q

Quantization (AI)

Una tecnica che riduce la precisione dei pesi numerici di un modello AI (ad esempio, da 32 bit a 4 bit), riducendo drasticamente le dimensioni del modello e i requisiti di memoria mantenendo la maggior parte delle prestazioni.

Il metodo dominante per allineare gli LLM alle preferenze umane. Gli umani valutano gli output del modello, e il modello viene addestrato a preferire le risposte con valutazioni più alte. Può portare al Mode Collapse poiché le risposte "tipiche" vengono sistematicamente preferite.

ROI dell'IA

Il ritorno sull'investimento misurabile dall'integrazione IA, calcolato attraverso tempo risparmiato, riduzione errori e aumento del throughput.

Runtime

L'ambiente in cui viene eseguito un programma informatico o un agente AI, comprendente le risorse software e hardware necessarie per il suo funzionamento.

S

SaaS

Software as a Service. Software fornito come servizio su Internet.

Sandbagging (IA)

Il sandbagging si verifica quando un modello di IA sottovaluta deliberatamente le proprie capacità, ottenendo risultati peggiori in un test, benchmark o valutazione di sicurezza rispetto a quanto potrebbe effettivamente fare. Il termine deriva dallo sport e dal poker, dove un concorrente nasconde la propria vera forza per ottenere un vantaggio successivo. Nella sicurezza dell'IA, questo comportamento è particolarmente preoccupante perché mina l'intero scopo della valutazione: un modello che appare innocuo o limitato durante i test potrebbe fare molto di più in produzione, o rivelare capacità più pericolose una volta che l'attenzione è svanita. Il sandbagging presuppone solitamente un certo grado di consapevolezza dell'evaluazione, la capacità del modello di riconoscere che è attualmente testato. Una volta rilevato il contesto di test, può modificare il suo comportamento intenzionalmente. Distinguere una sottoperformance deliberata da una semplice incoerenza è difficile dall'esterno; un verdetto affidabile richiede di esaminare le attivazioni interne del modello, il tipo di prova che l'interpretabilità meccanicistica è progettata per far emergere. Per le organizzazioni, la lezione pratica è chiara: un test di sicurezza superato, da solo, non garantisce un comportamento prevedibile nel mondo reale.

Scaffolding Guidato da Specifiche

Lo scaffolding guidato da specifiche è la pratica di controllare gli agenti AI non attraverso prompt in forma libera ma attraverso specifiche strutturate e leggibili da macchina. Invece di dire a un agente 'scrivi un articolo di blog sull'AI', una specifica definisce con precisione: formato, pubblico di destinazione, numero minimo di parole, sezioni richieste, obblighi di citazione, formulazioni vietate e criteri di accettazione. Lo 'scaffolding' si riferisce al quadro strutturale di istruzioni che fornisce all'agente una guida e previene la deriva. La specifica dà all'agente una struttura fissa all'interno della quale lavorare durante l'esecuzione, comprendendo tipicamente: ruolo e contesto dell'agente, regole di validazione degli input, deliverable passo dopo passo, requisiti di formato dell'output e confini espliciti. La distinzione dalla classica ingegneria dei prompt è fondamentale: l'ingegneria dei prompt ottimizza per la qualità del linguaggio; lo scaffolding guidato da specifiche ottimizza per la coerenza comportamentale. Un agente ben specificato produce lo stesso output strutturale alla millesima esecuzione come alla prima. Lo scaffolding guidato da specifiche abilita un vantaggio operativo chiave: le specifiche possono essere versioniate, revisionate tra colleghi, testate e migliorate iterativamente indipendentemente dal modello sottostante.

Scalabilità del calcolo al tempo di test

La scalabilità del calcolo al tempo di test (chiamata anche scalabilità del calcolo al tempo di inferenza) è la strategia di fornire a un modello di IA più risorse computazionali quando risponde a una query, piuttosto che investire più calcolo solo durante l'addestramento. I modelli di linguaggio tradizionali eseguono un singolo passaggio in avanti per ogni input e restituiscono immediatamente un output. La scalabilità del calcolo al tempo di test rompe con questo schema: al modello è consentito dedicare più tempo e risorse all'esplorazione di percorsi di soluzione multipli, alla verifica dei risultati intermedi o all'auto-correzione prima di produrre una risposta finale. In pratica, ciò significa che i compiti semplici ricevono un'elaborazione rapida, mentre i problemi complessi — debug di codice multi-step, analisi strategica, esecuzione autonoma di compiti — possono ottenere risultati significativamente migliori con un budget di calcolo più lungo. Questo è stato dimostrato in modo potente da Claude Mythos Preview, che ha ottenuto un punteggio del 92,1% su Terminal-Bench 2.1 con un timeout di 4 ore, rispetto a punteggi significativamente inferiori sotto vincoli di tempo più rigidi. La scalabilità del calcolo al tempo di test è strettamente correlata al ragionamento a catena e alle moderne architetture di agenti IA, entrambe sfruttano il pensiero iterativo per migliorare la qualità dell'output. Per le aziende, ciò significa che l'« intelligenza » del modello non è più una proprietà fissa — può essere attivamente regolata allocando risorse computazionali per adattarsi alla complessità del compito.

Scalabilità dell'IA

Aumentare le prestazioni dei modelli di IA aggiungendo più capacità di calcolo, dati e parametri, seguendo le leggi di scalabilità. Dibattito centrale al WEF 2026.

Scaling AI

Il processo di aumento delle dimensioni, complessità e risorse allocate ai modelli e sistemi AI, spesso coinvolgendo l'espansione del set di dati di addestramento, dei parametri del modello e dell'infrastruttura computazionale.

Scansione delle vulnerabilità

Il processo automatizzato di identificazione delle debolezze di sicurezza nel software, nelle reti o nei sistemi. Gli approcci moderni vanno dall'analisi statica basata su regole al ragionamento contestuale del codice tramite IA.

Schema Validation

Il processo di verifica che l'output di un modello linguistico sia conforme a una struttura o formato predefinito (schema).

Seat

Nel contesto delle licenze software, un 'seat' rappresenta un singolo utente o un account utente autorizzato ad accedere e utilizzare il software. La tariffazione SaaS è spesso basata su un modello 'per seat' o 'per utente'.

Seedance 2.0

Seedance 2.0 è un modello di generazione video AI multimodale sviluppato da ByteDance, il colosso tecnologico di Pechino noto per TikTok. Rilasciato nel 2025, Seedance 2.0 genera clip video ad alta fedeltà e temporalmente coerenti da prompt testuali, input di immagini o una combinazione di entrambi, in diretta concorrenza con Sora di OpenAI, Veo 3 di Google e Gen-3 di Runway ML. Seedance 2.0 è addestrato su un ampio dataset proprietario di coppie video-testo e utilizza un'architettura basata sulla diffusione, ottimizzata per il realismo del movimento, la coerenza delle scene e il rendering fotorealistico. Le capacità principali includono la generazione video multi-shot, il controllo del movimento della camera, la coerenza dei personaggi tra i frame e il supporto per i formati cinematografici. ByteDance ha progettato Seedance 2.0 per alimentare i workflow creativi nel proprio ecosistema di prodotti — inclusa CapCut, la popolare app di editing video — rendendolo al contempo disponibile ai clienti enterprise tramite API. A differenza di Sora, accessibile solo tramite ChatGPT Plus, Seedance 2.0 offre accesso API diretto, rendendolo una scelta pratica per gli sviluppatori che costruiscono pipeline di produzione video automatizzate. Il modello supporta sia la generazione testo-to-video che immagine-to-video, con durate di output da cinque a trenta secondi. Seedance 2.0 segna l'ingresso più significativo di ByteDance nel campo della video generativa. In Context Studios abbiamo testato Seedance 2.0 per la produzione automatizzata di video per i social media e i workflow di contenuti in formato breve.

Self-Driving Enterprise

Un'Impresa Autonoma è un'organizzazione in cui i sistemi di AI automatizzano una parte significativa della presa di decisione e dei processi operativi, consentendo un'adattamento e un'ottimizzazione autonomi. Mira a ridurre al minimo l'intervento umano nelle attività di routine e a consentire ai dipendenti di concentrarsi su iniziative strategiche.

Self-hosted

Un software o servizio ospitato sull'infrastruttura dell'utente, che gli offre un maggiore controllo su dati e risorse rispetto alle soluzioni basate sul cloud.

Self-Learning AI Agents

Un Self-Learning AI Agent è un sistema di IA che amplia in modo permanente le proprie capacità attraverso i task svolti e i feedback ricevuti, salvando risultati, errori e correzioni dell'utente come voci di memoria riutilizzabili, invece di ricominciare ogni sessione allo stesso livello di conoscenze. In pratica combina un layer di memoria che condensa le esecuzioni concluse in procedure riutilizzabili e cicli di valutazione che premiano le sequenze riuscite e segnalano quelle fallite — ciò che definisce il concetto è il ciclo esecuzione-valutazione-consolidamento, non un modello più grande. Esempio: un agent di helpdesk che, dopo 200 ticket gestiti, archivia le quindici soluzioni più frequenti come voci di playbook e verifica automaticamente i resi; nelle classi di ticket coperte il tempo di prima risposta qualificata scende da vari minuti a meno di un minuto, misurato su otto settimane. Da distinguere dal fine-tuning: lì cambiano i pesi del modello, nel self-learning il modello resta invariato e cresce solo la memoria di task. Da distinguere anche dal context rot, il degrado progressivo della qualità del contesto nelle sessioni lunghe: il self-learning richiede manutenzione attiva della memoria — compressione e pulizia — altrimenti la memoria deriva e gli errori si accumulano. Per le aziende lo sforzo di manutenzione si sposta dalla scrittura di prompt alla cura dei contenuti di memoria e dei processi di approvazione.

Semantic Router

Un layer leggero che classifica l'intento dell'utente e lo indirizza verso il sub-agente o modello più efficiente, risparmiando tempo e denaro.

Semantic Search

La Ricerca Semantica è una tecnologia di ricerca che mira a comprendere il significato e l'intento dietro la query di un utente, piuttosto che semplicemente abbinare parole chiave. Sfrutta tecniche come l'elaborazione del linguaggio naturale e i grafi di conoscenza per fornire risultati di ricerca più pertinenti e accurati.

SEP (MCP Enhancement Proposal)

Un documento di design che fornisce informazioni alla community MCP o descrive una nuova funzionalità per il Model Context Protocol. La governance SEP assicura che i breaking change vengano annunciati prima di essere integrati.

Sicurezza degli agenti IA

La sicurezza degli agenti IA si riferisce all'architettura di sicurezza per agenti IA che fanno più che generare testo. Questi sistemi possono chiamare strumenti, modificare file, eseguire codice, utilizzare API, ispezionare dati o preparare azioni in sistemi esterni. Il termine copre i controlli tecnici e organizzativi attorno a quel runtime: sandbox per esecuzioni rischiose, permessi espliciti, flussi di lavoro di approvazione, politiche di rete, isolamento di segreti e credenziali, registrazione, telemetria e percorsi di arresto d'emergenza. Rispetto alla sicurezza delle applicazioni tradizionali, la sicurezza degli agenti IA deve tenere conto di un attore non deterministico. Un agente può derivare nuovi passaggi da prompt, risultati degli strumenti, memoria e contesto circostante, quindi non è sufficiente mettere in sicurezza solo il modello. L'intero ambiente operativo è importante, dal prompt di sistema e gli ambiti degli strumenti alla traccia di audit. Nelle aziende, la sicurezza degli agenti IA diventa critica non appena gli agenti di codifica aprono pull request, analizzano dati sensibili, elaborano ticket o toccano flussi di lavoro vicini alla produzione. Controlli solidi separano gli esperimenti dai diritti di produzione, limitano il raggio d'azione e rendono le azioni importanti revisionabili. È la base per utilizzare sistemi IA autonomi o semi-autonomi in veri processi aziendali senza trasformare ogni agente in un utente amministratore incontrollato.

Side Panel Extension

Estensione Chrome con pannello laterale per accesso IA persistente.

Sistema di Competenze (IA)

Un'architettura modulare in cui le capacità dell'IA sono organizzate come moduli di competenze discreti e collegabili, che possono essere aggiunti, rimossi o aggiornati in modo indipendente. Utilizzato in sistemi come Clawdbot.

Sistema di Hook

Un meccanismo basato su eventi nell'architettura dei plugin Claude Code che consente ai plugin di intercettare e modificare il comportamento in punti specifici del flusso di lavoro dell'agente, come prima o dopo le chiamate agli strumenti o in caso di errori.

(21)

Sistema di Plugin Claude Code

L'architettura di estensione ufficiale per Claude Code che consente agli sviluppatori di creare hook, strumenti personalizzati e modifiche ai flussi di lavoro tramite configurazioni JSON e gestori di eventi basati su script.

Sistema di Plugin Codex

Il Sistema di Plugin Codex è l'architettura di estensione che consente ai team di aggiungere capacità riutilizzabili, flussi di lavoro e integrazioni a OpenAI Codex. Invece di riscrivere il contesto del progetto, le regole di approvazione o le istruzioni degli strumenti in ogni prompt, i team possono confezionare queste capacità come plugin. Un plugin può esporre comandi aggiuntivi, definizioni di strumenti, convenzioni di progetto, flussi di interfaccia utente o punti di connessione ai sistemi interni. In pratica, ciò trasforma Codex da un semplice assistente di codifica in un ambiente di sviluppo estensibile per la consegna di software, migrazioni, QA e flussi di lavoro di ingegneria agentica. Per le aziende, il valore risiede nella coerenza operativa. La codifica IA diventa scalabile solo quando conoscenze, permessi e barriere di qualità sopravvivono oltre una sessione di chat. I plugin rendono ripetibili i flussi di lavoro comprovati: onboarding dei repository, strategie di test, controlli di distribuzione, standard di revisione del codice e accesso agli strumenti basati su MCP possono essere mantenuti centralmente e riutilizzati tra i team. Ciò riduce la deriva dei prompt, accelera l'onboarding degli sviluppatori e riduce il rischio che gli agenti utilizzino strumenti sbagliati o standard obsoleti. La nostra opinione: i sistemi di plugin sono infrastrutture ingegneristiche, non aggiunte cosmetiche. Un plugin Codex solido dovrebbe essere piccolo, versionato, verificabile e collegato alle API esistenti, ai confini di sicurezza e ai processi CI/CD. I team che trattano i plugin in questo modo ottengono flussi di lavoro degli agenti più rapidi senza sacrificare la governance.

Sistema IA pronto per la produzione

Un sistema IA testato, ottimizzato e indurito per il deployment reale con monitoraggio, gestione errori, scalabilita e sicurezza adeguati.

(24)

Sistema multi-agente

Un sistema multi-agente è un'architettura di IA in cui diversi agenti specializzati collaborano per raggiungere un obiettivo comune. Invece di chiedere a un unico modello di pianificare, ricercare, eseguire, controllare e riportare ogni fase, il sistema suddivide il lavoro tra diversi ruoli: un pianificatore scompone il compito, agenti di ricerca raccolgono il contesto, agenti di codifica o dati agiscono, e agenti revisori validano il risultato. La caratteristica chiave non è semplicemente avere molti agenti, ma il livello di coordinamento tra di essi. Questo livello definisce i passaggi di compiti, lo stato condiviso, i permessi degli strumenti, la gestione dei fallimenti, i controlli dei costi e le condizioni di arresto. I sistemi multi-agente diventano utili quando un flusso di lavoro è troppo complesso per un singolo prompt o un'automazione lineare. Possono eseguire lavori in parallelo, instradare le fasi a diversi modelli in base alle capacità o al prezzo, e verificare i risultati prima che siano visti dagli umani. Tuttavia, in produzione, necessitano di un runtime disciplinato con registrazione, osservabilità, permessi e punti di approvazione umana. Senza questi controlli, una configurazione multi-agente può rapidamente diventare costosa, difficile da debug e operativamente insicura.

Sistemi Agentici

I sistemi agentici sono sistemi di IA che prendono decisioni e agiscono in modo indipendente per risolvere compiti complessi. A differenza dei sistemi di IA tradizionali che reagiscono solo agli input, i sistemi agentici operano in un ciclo continuo: percepiscono l'ambiente, formulano obiettivi, pianificano i passaggi ed eseguono azioni, tutto senza intervento umano costante. Ad esempio, un sistema agentico potrebbe analizzare automaticamente le richieste dei clienti, ricercare soluzioni pertinenti, interrogare i sistemi interni e generare una risposta. Questo è reso possibile dal Model Context Protocol (MCP), che integra senza soluzione di continuità strumenti e fonti di dati.

(26)

Skill

Un componente modulare e riutilizzabile progettato per eseguire un compito specifico all'interno di Claude Code. Le abilità possono essere attivate da input dell'utente o da altri eventi.

(27)

Skill Definition (in YAML format)

Definire le capacità e le funzioni specifiche di un agente AI utilizzando YAML, un linguaggio di serializzazione dei dati leggibile dall'uomo. Questo delinea cosa può fare l'agente e come interagisce con strumenti e altri agenti.

(28)

Skill Hot-Reload

La capacità di aggiornare e ricaricare automaticamente le competenze in un ambiente di sviluppo senza richiedere un riavvio completo del sistema.

(29)

Skills

Capacità auto-invocate di Claude Code attivate dal contesto, che gli consentono di eseguire compiti senza comandi espliciti dell'utente.

(30)

Skills API

Un'interfaccia di programmazione delle applicazioni (API) che consente agli sviluppatori di creare, gestire e integrare set di istruzioni riutilizzabili ('Competenze') nelle piattaforme AI, abilitando automazione e personalizzazione.

Skills System

Un framework modulare all'interno di un assistente AI che consente agli utenti di estendere la sua funzionalità tramite plugin o moduli installabili.

SLM Fine-Tuning

SLM Fine-Tuning è un concetto AI economics nei moderni sistemi IA che ottimizza l'equazione costi-benefici dell'adozione e gestione dell'IA. Svolge un ruolo chiave nei deployment IA enterprise dove dimostrare un ROI chiaro è essenziale per garantire investimenti IA continuativi.

(33)

SLSA (Livelli di catena di fornitura per artefatti software)

SLSA — pronunciato "salsa" — è un framework di sicurezza aperto che definisce garanzie verificabili di integrità e provenienza per gli artefatti software. È iniziato presso Google ed è ora mantenuto sotto l'OpenSSF (Open Source Security Foundation). SLSA stabilisce una scala di livelli di garanzia crescenti che descrivono quanto si possa dimostrare con fiducia che un artefatto — un'immagine di container, un pacchetto npm, un binario compilato — provenga effettivamente dal codice sorgente e dal processo di build che dichiara, e non sia stato manomesso lungo il percorso. Al centro del framework c'è la provenienza: un'attestazione firmata e leggibile da macchina che registra quale sorgente ha prodotto quale artefatto, attraverso quale sistema di build. I livelli vanno dalla provenienza di build di base fino a piattaforme di build rinforzate e resistenti alle manomissioni le cui attestazioni non possono essere falsificate. Contro gli attacchi alla catena di fornitura, SLSA è una contromisura diretta. I team che richiedono la provenienza e la verificano prima del deployment possono individuare dipendenze sostituite o compromesse prima che raggiungano la produzione. Questo è particolarmente importante nei pipeline degli agenti IA, che integrano pacchetti, modelli e strumenti di terze parti su larga scala: SLSA colma il divario di fiducia tra il codice che un team crede di eseguire e l'artefatto che esegue effettivamente.

(34)

Small Language Model (SLM)

Un modello di linguaggio AI con relativamente pochi parametri (tipicamente sotto i 10B) progettato per un'efficiente distribuzione locale su hardware di consumo mantenendo al contempo capacità utili per compiti specifici.

(35)

Small Language Models (SLM)

Modelli IA compatti ed efficienti ottimizzati per task specifici o dispositivi locali, offrendo alte prestazioni con costi e latenza significativamente ridotti.

(36)

Software 3.0

Il Software 3.0 si riferisce al paradigma in cui i modelli AI diventano il modo principale in cui il software si comporta, andando oltre il codice tradizionale (1.0) e le reti neurali addestrate su dati (2.0). Nel Software 3.0, gli agenti AI scrivono, testano e distribuiscono autonomamente codice.

(37)

Software for One

Strumenti software personalizzati rapidamente costruiti per uso individuale, spesso sfruttando l'AI per prototipazione rapida e automazione.

(38)

Sottoagente

Un sottoagente è un agente IA specializzato, generato e diretto da un agente principale—chiamato orchestratore—per gestire un sottocompito specifico all'interno di un flusso di lavoro più ampio. Invece di risolvere ogni problema da solo, l'orchestratore delega responsabilità discrete ai sottoagenti, ognuno dei quali può avere i propri strumenti, prompt di sistema e ambito d'azione definito. Il modello di sottoagente è un elemento fondamentale delle architetture multi-agente moderne. Mentre l'orchestratore pianifica, sequenzia e aggrega i risultati, i sottoagenti eseguono in parallelo o in sequenza in domini specializzati—eseguendo query di database, generando codice, analizzando documenti o conducendo ricerche sul web. Una volta completato, ogni sottoagente restituisce il proprio output all'orchestratore, che sintetizza i risultati in una risposta o azione finale. I sottoagenti possono a loro volta generare ulteriori sottoagenti, creando alberi gerarchici di agenti capaci di affrontare complessità su scala aziendale. Framework come Claude Code e OpenAI Codex utilizzano questo modello per scomporre grandi compiti di ingegneria del software in passaggi paralleli e gestibili che superano ciò che un agente a contesto singolo potrebbe realizzare entro i suoi limiti di token. La chiara separazione tra orchestratore e sottoagente migliora l'osservabilità, l'isolamento dei guasti e la scalabilità incrementale: un sottoagente che fallisce può essere riprovato o sostituito senza riavviare l'intero flusso di lavoro, rendendo questo modello essenziale per i sistemi agentici di produzione.

(39)

Sovereign Cloud AI (GAIA-X)

Sovereign Cloud AI (GAIA-X) è un concetto regulatory compliance nei moderni sistemi IA che affronta i requisiti legali e normativi per il deployment dell'IA. Svolge un ruolo chiave nei deployment IA enterprise dove le organizzazioni devono soddisfare EU AI Act, GDPR e mandati settoriali.

(40)

Sovranità dei Modelli IA

La sovranità dei modelli IA è la capacità di un'organizzazione di scegliere, cambiare e controllare i modelli IA su cui fa affidamento, invece di rimanere bloccata con un unico fornitore o prodotto. Copre il portafoglio di modelli, le opzioni di hosting, i flussi di dati, i criteri di valutazione, i controlli dei costi, le politiche di sicurezza e i vincoli contrattuali relativi all'uso dell'IA. Una strategia di modello sovrano può comunque utilizzare modelli di OpenAI, Anthropic, Google, Microsoft o open-source; l'importante è che l'architettura rimanga portabile e governabile. In pratica, i team definiscono quale modello è consentito per quale compito, quali dati possono lasciare l'ambiente, quali modelli di fallback esistono, come vengono valutati i risultati e come vengono controllate le decisioni. Per le industrie regolamentate, la sovranità dei modelli include anche la residenza dei dati, le regole di approvvigionamento e la documentazione dei rischi tracciabile. Non è un argomento contro l'IA nel cloud. È un principio operativo che mantiene il controllo sulla scelta dei modelli, l'esposizione ai rischi e i costi di cambio all'interno dell'azienda piuttosto che sulla roadmap del fornitore.

(41)

Sovranità del modello

La condizione in cui un fornitore di piattaforma possiede e controlla il modello di IA integrato nel proprio prodotto, anziché noleggiarlo da un fornitore terzo. La sovranità del modello conferisce al proprietario della piattaforma un controllo diretto sulla roadmap, sui prezzi e sul percorso dei dati del modello che risponde ai prompt degli utenti — come quando Microsoft ha distribuito il proprio modello MAI-Code-1-Flash in GitHub Copilot. Per i clienti, cambia la natura del lock-in del fornitore: il fornitore dell'IDE diventa il fornitore del modello.

(42)

Sovranità IA

La capacità di un'organizzazione di controllare la propria infrastruttura IA e i propri dati, spesso attraverso deployment on-premise o cloud privato, garantendo indipendenza digitale.

(43)

Spec-Driven Development

Spec-Driven Development è un concetto AI engineering nei moderni sistemi IA che migliora lo sviluppo e la manutenzione dei sistemi basati su IA. Svolge un ruolo chiave nei deployment IA enterprise dove qualità del software e velocità di sviluppo impattano direttamente i risultati aziendali.

(44)

SQL Injection

L'SQL injection è una tecnica di attacco per iniezione di codice in cui un attaccante inserisce o manipola codice SQL malevolo nei campi di input o nei parametri di query di un'applicazione, inducendo il database dell'applicazione a eseguire comandi non previsti. L'SQL injection rimane una delle vulnerabilità delle applicazioni web più diffuse e pericolose, comparendo regolarmente nel Top 10 OWASP dei rischi di sicurezza. Un attacco SQL injection riuscito può consentire il recupero non autorizzato di dati, l'aggiramento dell'autenticazione, la modifica o l'eliminazione di dati e, nei casi gravi, la compromissione completa del server database. L'attacco sfrutta le applicazioni che costruiscono query SQL concatenando input forniti dall'utente senza adeguata sanitizzazione o query parametrizzate. Ad esempio, inserire ' OR '1'='1 in un campo di login può aggirare i controlli della password se la query è costruita tramite concatenazione di stringhe. Le vulnerabilità SQL injection colpiscono applicazioni basate su MySQL, PostgreSQL, Microsoft SQL Server, SQLite e Oracle, indipendentemente dal linguaggio di programmazione utilizzato. Le difese includono prepared statement con query parametrizzate, validazione degli input, stored procedure, principio del minimo privilegio per gli account database e web application firewall (WAF). I moderni strumenti di code review alimentati da AI, tra cui quelli basati su Claude di Anthropic e GPT-4 di OpenAI, possono rilevare automaticamente i pattern di SQL injection durante la revisione del codice. In Context Studios applichiamo scansioni di sicurezza assistite da AI — inclusa l'analisi di sicurezza di Claude Code — per identificare e correggere le vulnerabilità SQL injection nelle codebase dei clienti come parte del nostro servizio di revisione di sicurezza AI.

(45)

Stack IA ibrido

Uno stack IA ibrido combina diverse fonti di modelli all'interno di un'unica architettura: modelli di frontiera ospitati accessibili tramite il cloud, da fornitori come Anthropic o OpenAI, insieme a modelli a pesi aperti auto-ospitati che funzionano su infrastrutture possedute o affittate. Invece di impegnarsi con un unico fornitore, uno strato di instradamento invia ogni richiesta dove meglio si adatta in termini tecnici, economici e normativi. Le attività critiche per la privacy rimangono locali sui modelli auto-ospitati, mentre le richieste pesanti in termini di calcolo o particolarmente esigenti vanno ai potenti modelli cloud. Il risultato è un sistema a livelli che bilancia costo, latenza, sovranità dei dati e qualità. L'approccio ibrido riduce anche la dipendenza da un singolo fornitore: se un servizio si interrompe, cambia i prezzi o ritira un modello, i componenti rimanenti sostengono il carico. Uno stack IA ibrido è quindi meno un prodotto unico e più una scelta architettonica deliberata, che mette al primo posto flessibilità, resilienza e controllo sui propri dati. Consente alle organizzazioni di provare nuovi modelli senza dover ricostruire l'intera applicazione.

(46)

Stack tecnologico

La collezione completa di tecnologie utilizzate per costruire e gestire un'applicazione software. Nell'IA, le scelte dello stack tecnologico influenzano significativamente prestazioni e costi.

(47)

Stop Hook

Un meccanismo che intercetta il normale comportamento di terminazione o uscita di un modello AI, consentendo modifiche o un'operazione continuata prima che il modello si concluda.

(48)

Strato critico

Componente di validazione nei sistemi IA multi-agente che verifica i risultati dei singoli agenti uno rispetto all altro prima di presentarli all utente. In Claude Code Review, lo strato critico garantisce la coerenza dei risultati e riduce i falsi positivi prima della pubblicazione dei commenti in GitHub.

(49)

Streamable HTTP Transport

Streamable HTTP Transport è un concetto AI infrastructure nei moderni sistemi IA che fornisce capacità fondamentali per il deployment e l'operatività dei sistemi IA. Svolge un ruolo chiave nei deployment IA enterprise dove affidabilità e scalabilità sono critiche per i carichi di lavoro di produzione.

(50)

Structured Outputs

Funzionalità LLM per JSON garantito valido secondo uno schema. Elimina errori di parsing e consente integrazione affidabile di strumenti. OpenAI (response_format), Anthropic (tool_choice) e Google (response_schema) offrono supporto nativo. Critico per pipeline di produzione dove output non strutturati rompono i workflow.

(51)

Strumenti di Coding Agentis

Piattaforme software come Claude Code che permettono agli agenti IA di scrivere, testare e revisionare codice in modo autonomo. A differenza del semplice autocompletamento, eseguono workflow di sviluppo multi-step completi.

(52)

Strumenti per agenti IA

Funzioni, API o risorse esterne che un agente IA può utilizzare per eseguire azioni e interagire con il suo ambiente oltre la generazione di testo.

(53)

Sub-agent

Un agente IA avviato da un agente principale per svolgere un sotto-compito specifico, come diagnosticare e correggere un errore di runtime. Nei workflow Claude Code /loop, il loop principale rileva un problema e avvia un sub-agent per risolverlo autonomamente.

(54)

Subagents

Agenti AI più piccoli e specializzati che lavorano insieme all'interno di un sistema di agenti AI più grande per portare a termine compiti complessi.

(55)

Super App IA

Una piattaforma IA all-in-one che consolida scrittura, coding, ricerca, generazione immagini e analisi dati in un'unica interfaccia. Ispirate da WeChat, le super app IA come ChatGPT e Claude mirano a sostituire decine di strumenti SaaS.

(56)

Superficie degli strumenti dell'agente

Una superficie degli strumenti dell'agente è l'insieme completo di strumenti, funzioni e interfacce che un agente IA può chiamare in tempo reale. Non descrive come è configurato un singolo strumento, ma quanto è ampia la gamma complessiva di azioni dell'agente — dalla lettura di file e chiamate API all'interrogazione di database o all'invio di messaggi. Più ampia è questa superficie, più percorsi ha l'agente per portare a termine un compito, ma aumenta anche il rischio di esposizione alla sicurezza, modalità di guasto e comportamenti imprevedibili. In questo senso, la superficie degli strumenti dell'agente è l'equivalente nei sistemi autonomi della classica superficie di attacco nella sicurezza informatica. In pratica, un set di strumenti deliberatamente piccolo e ben definito si dimostra spesso più affidabile e sicuro rispetto a uno esteso: l'agente prende decisioni più mirate, diventa molto più facile da testare e offre meno spazio per usi impropri o azioni allucinate. L'idea di una superficie di strumenti minima ha acquisito importanza con l'ascesa degli agenti terminali snelli che superano i rivali ricchi di funzionalità utilizzando solo una manciata di strumenti. Progettare deliberatamente la superficie degli strumenti diventa quindi una decisione architettonica fondamentale nella costruzione di sistemi di agenti in produzione.

(57)

Superposition

La superposizione è un principio architettura nei modelli di linguaggio neuronauxi: più concetti sémantici condividono una dimensione commune nello spazio latente, simile alla sovrapposizione degli stati quantistici. L'errore di reconstruction per dimensione cala solo con l'inverso della larghezza, cioè ∼1/Width. Raddoppiando la larghezza degli embedding, l'errore si dimezza, ma carico di calcolo e memoria crescono in modo sproporzionato. A una larghezza di 768, l'errore si aggira tipicamente intorno all'8 %; a 1.536 dimensioni scende a circa il 4 %. Oltre una soglia specifica del modello, ogni ulteriore raddoppio porta poco guadagno; un modello più piccolo con più test-time compute può pareggiarlo. La superposizione si distingue così da un embedding classico: lì un asse codifica un solo concept, qui più significati si sovrappongono sulla stessa posizione.

(58)

Sviluppo a caldo

Un flusso di lavoro di sviluppo in cui le modifiche al codice vengono applicate istantaneamente senza riavviare l'applicazione, consentendo un'iterazione rapida.

(59)

Sviluppo Agentico

Lo sviluppo agentico è un approccio allo sviluppo software in cui gli agenti AI scrivono, testano e distribuiscono autonomamente il codice con supervisione umana minima. A differenza della codifica assistita da AI (dove gli esseri umani scrivono codice con suggerimenti AI), lo sviluppo agentico consente agli agenti AI di gestire interi compiti di sviluppo — dalla lettura dei problemi alla creazione di richieste di pull — mentre gli esseri umani revisionano e approvano.

(60)

Sviluppo IA Autonomo

Un approccio allo sviluppo software in cui agenti IA pianificano, scrivono, testano e correggono il codice in modo indipendente con minima o nessuna intervento umano, utilizzando cicli di auto-correzione.

(61)

Sviluppo IA Ricorsivo

Il concetto di sistemi IA che migliorano se stessi o costruiscono sistemi IA migliori, potenzialmente portando a un'accelerazione rapida delle capacità. Una preoccupazione chiave discussa dai leader dell'IA al WEF 2026.

(62)

SWE-bench

SWE-bench è un benchmark standardizzato per valutare quanto bene i sistemi di IA possano risolvere compiti di ingegneria del software nel mondo reale. Il benchmark è composto da oltre 2.000 problemi reali tratti da progetti open-source popolari su GitHub, come Django, Flask e scikit-learn. Ogni compito include una descrizione del problema, il codice sorgente pertinente e test automatizzati per verificare la soluzione. I modelli di IA devono analizzare il codice, identificare la causa principale del problema e generare una patch funzionante, proprio come farebbe uno sviluppatore umano. SWE-bench è diventato il benchmark principale per gli agenti di codifica IA. I punteggi attuali superano l'80 percento (Claude Opus 4.6 raggiunge l'80,8%), dimostrando che gli agenti IA sono sempre più capaci di risolvere autonomamente problemi software complessi. Varianti come SWE-bench Verified utilizzano sottoinsiemi convalidati da umani per risultati ancora più affidabili.

(63)

SWE-bench Verificato

Un benchmark che testa i modelli di IA nella risoluzione autonoma di problemi reali su GitHub. La variante Verificato utilizza compiti convalidati da esseri umani per un punteggio affidabile. Claude Sonnet 4.6 ottiene un punteggio del 79,6%.

(64)

Swift Assist

L'assistente alla codifica potenziato da AI di Apple integrato in Xcode che aiuta gli sviluppatori a scrivere, comprendere e fare debug del codice Swift utilizzando grandi modelli di linguaggio.

(65)

Synthetic Data Generation

La generazione di dati sintetici implica la creazione di dati artificiali che imitano le proprietà statistiche dei dati reali. Questo è spesso usato per aumentare o sostituire dati reali in compiti di apprendimento automatico, in particolare quando i dati reali sono scarsi, costosi o sensibili alla privacy.

Azioni eseguibili che un assistente AI può attivare tramite il Model Context Protocol (MCP), come scrivere un file o chiamare un'API.

Transformer

Un Transformer è un'architettura di rete neurale, presentata da Vaswani et al. nell'articolo « Attention Is All You Need » (2017), che elabora le sequenze tramite un meccanismo chiamato self-attention anziché con l'elaborazione sequenziale dei modelli precedenti. È il fondamento di praticamente ogni grande modello linguistico (LLM) oggi in produzione. L'innovazione centrale è la self-attention: per ogni token, il modello calcola quanto siano rilevanti tutti gli altri token e li pondera di conseguenza. Così la rete coglie relazioni molto distanti — per esempio tra un pronome e un sostantivo 500 parole prima — in un'unica operazione parallelizzabile. Il progetto originale comprendeva un encoder (legge e rappresenta l'input) e un decoder (genera l'output token per token). Gli LLM generativi attuali sono per lo più decoder-only; l'encoder resta utile per traduzione ed embedding. Il Transformer ha soppiantato RNN e LSTM, che elaboravano i token uno alla volta — addestramento lento e « dimenticanza » sulle sequenze lunghe. Poiché la self-attention elabora tutti i token simultaneamente, è diventato possibile addestrare su migliaia di miliardi di token con GPU su larga scala. Tutti i modelli di punta del 2026 sono Transformer: GPT-5.5 (OpenAI), Claude Opus 4.8 / Sonnet 4.6 (Anthropic) e Gemini 3 (Google). La « T » di GPT sta per Transformer. La stessa architettura alimenta anche i sistemi multimodali (immagini, audio, video) convertendo tali input in sequenze di token. Avvertenza pratica: il costo della self-attention cresce in modo quadratico con la lunghezza della sequenza, rendendo costosi i contesti molto lunghi. Da qui l'ascesa nel 2026 delle architetture ibride — come Jamba, Nemotron-H o Zamba2 — che combinano livelli di attention con modelli a spazio di stati (SSM) come Mamba/Mamba-2. Gli SSM scalano in modo quasi lineare e sono molto più veloci sugli input lunghi, ma restano indietro nel ragionamento a contesto breve. Il consenso del 2026: il Transformer resta lo standard; gli ibridi sono la risposta pragmatica per contesti lunghi e latenza, non un sostituto.

Turbopack

Uno strumento di build ad alte prestazioni per JavaScript e TypeScript, progettato come successore di Webpack. Tempi di build notevolmente più rapidi grazie alla cache.

U

Unified Playground

Un'interfaccia o un ambiente consolidato che fornisce accesso a più modelli e strumenti AI, consentendo agli utenti di sperimentare, confrontare e utilizzare diversi modelli all'interno di un'unica piattaforma.

Uso degli strumenti nell'IA

La capacità dei modelli di IA di interagire con le API di strumenti software esterni e servizi durante l'inferenza per raccogliere informazioni o ampliare le capacità.

Utente Esperto di IA

Un professionista che integra profondamente più strumenti IA nel proprio workflow quotidiano e raggiunge una produttività significativamente maggiore.

Utilizzo di strumenti (IA)

La capacita di un agente IA di invocare strumenti esterni, API e servizi per svolgere attivita oltre la generazione di testo. Un differenziatore chiave tra chatbot semplici e agenti IA capaci.

La connessione tra un agente AI e gli strumenti, i database e le API di cui ha bisogno per accedere a informazioni esterne e svolgere compiti. Nel panorama dei protocolli AI, il MCP gestisce questa dimensione verticale.

Vibe Coding

Un termine coniato da Andrej Karpathy nel febbraio 2025 per lo sviluppo software assistito da IA dove gli sviluppatori si concentrano sulla visione e l'IA scrive il codice. Parola dell'Anno Collins 2025.

Vision-Language Models

I Modelli Vision-Language (VLM) sono modelli di AI che combinano la visione artificiale e l'elaborazione del linguaggio naturale per comprendere e ragionare su immagini e testo simultaneamente. Possono eseguire compiti come la generazione di didascalie per immagini, la risposta a domande visive e il recupero cross-modale.

Sistemi IA che sviluppano una comprensione radicata delle leggi fisiche e causali, permettendogli di predire risultati in ambienti virtuali e reali.

X

Xcode

Xcode è l'ambiente di sviluppo integrato (IDE) ufficiale di Apple per la creazione di software sulle piattaforme Apple, tra cui iOS, macOS, watchOS, tvOS e visionOS. Rilasciato per la prima volta nel 2003, Xcode fornisce una suite completa di strumenti di sviluppo: un editor di codice con evidenziazione della sintassi e completamento automatico, un designer di interfacce visive (Interface Builder), un sistema di build, un debugger, strumenti di profilazione delle prestazioni (Instruments) e un simulatore per testare app su diversi tipi di dispositivi Apple senza hardware fisico. Xcode utilizza Swift come linguaggio di programmazione principale — il linguaggio moderno e type-safe di Apple introdotto nel 2014 — pur supportando Objective-C per le codebase legacy. Gli sviluppatori distribuiscono le applicazioni iOS e macOS esclusivamente tramite l'integrazione di Xcode con la firma e la pipeline di invio dell'App Store di Apple. Nel 2025, Apple ha ampliato significativamente le capacità AI di Xcode, introducendo funzionalità di coding agentivo alimentate da grandi modelli linguistici che consentono a Xcode di scrivere, rifattorizzare e testare codice autonomamente in risposta a istruzioni in linguaggio naturale — paragonabile a Claude Code di Anthropic e alla modalità agente di GitHub Copilot. Questo ha reso Xcode un attore competitivo nello spazio del coding agentivo, rivaleggiando direttamente con Cursor, Copilot e Codex di OpenAI per i workflow di sviluppo iOS e macOS. L'integrazione stretta di Xcode con l'ottimizzazione Apple Silicon, SwiftUI e l'Apple Developer Program lo rende indispensabile per qualsiasi team che sviluppa applicazioni native per piattaforme Apple. In Context Studios utilizziamo Xcode con le sue funzionalità AI per lo sviluppo di applicazioni iOS.

Xcode Previews

Una funzionalità all'interno di Xcode che consente agli sviluppatori di vedere una rappresentazione visiva in tempo reale della loro interfaccia utente mentre codificano.

Z

Zero Data Retention (ZDR)

Uno standard di privacy dove i provider IA garantiscono che i dati utente vengono elaborati in tempo reale e cancellati immediatamente, mai usati per il training.