Tuo figlio usa ChatGPT per i compiti, e tu ti ritrovi a fissare uno schermo che risponde con sicurezza disarmante a qualsiasi domanda. Capire cos'è un LLM — un large language model, in italiano modello linguistico di grandi dimensioni — non è un esercizio da informatici: è il modo più rapido per smettere di temere questi strumenti e cominciare a guardarli con occhio critico. La Treccani lo definisce, nel suo vocabolario dei neologismi, come un algoritmo che processa enormi quantità di dati per comprendere, tradurre e generare linguaggio. Detto in modo ancora più semplice: un LLM prevede quale parola ha più probabilità di venire dopo, esattamente come fai tu quando completi mentalmente la frase di un amico.
In questo articolo ti spiego, senza tecnicismi, come funziona davvero un modello linguistico, perché a volte "inventa", cosa significa il nome che porta e come trasformare questa conoscenza in regole pratiche per la famiglia. Non per spaventare, ma per darti il vocabolario che ti serve per parlarne con tuo figlio da pari a pari.
Cos'è un LLM, spiegato come a un genitore
Un LLM è un programma statistico che ha letto una quantità di testo impossibile da immaginare — libri, articoli, pagine web, codice — e da quella lettura ha imparato a indovinare, parola dopo parola, come prosegue un discorso. La Treccani usa un'immagine perfetta: chiunque padroneggi la propria lingua sa indovinare con buona probabilità quale parola conclude una frase, e un LLM "non fa che replicare questa operazione per via informatica". Non c'è un piccolo cervello dentro la macchina: c'è un calcolo di probabilità ripetuto miliardi di volte al secondo. Quando ChatGPT ti risponde, non sta consultando una verità: sta scegliendo la sequenza di parole statisticamente più plausibile dato quello che hai scritto. Questa distinzione — plausibile non significa vero — è la cosa più importante che tu e tuo figlio possiate portare a casa da questo articolo.
Perché si chiama "grande": parametri e dati
L'aggettivo "grande" nel nome non è marketing: si riferisce al numero di parametri, cioè le manopole interne che il modello regola durante l'addestramento per fare previsioni sempre più accurate. Secondo la voce di Wikipedia in italiano, i modelli moderni hanno parametri nell'ordine dei miliardi, appresi consumando risorse di calcolo enormi. Per darti una misura concreta: addestrare un modello di punta richiede settimane di calcolo su migliaia di processori specializzati e costi nell'ordine di milioni di euro. Questo spiega perché solo poche aziende al mondo li costruiscono. Per un genitore la conseguenza pratica è semplice: dietro a un'app gratuita c'è sempre un'infrastruttura costosissima, e qualcuno la sta pagando — spesso, come vedremo, con i dati di chi la usa.
Come "impara" un modello linguistico
L'addestramento di un LLM avviene in due fasi. Nella prima, il modello legge montagne di testo e impara a prevedere la parola mancante, regolando i suoi parametri ogni volta che sbaglia: è un processo automatico, senza nessuno che gli insegni esplicitamente la grammatica o la storia. Nella seconda fase, persone in carne e ossa valutano le risposte del modello e lo "raffinano" perché risulti utile e meno tossico. L'architettura che ha reso possibile tutto questo si chiama transformer, introdotta nel 2017 dai ricercatori di Google nel paper Attention Is All You Need. La sua intuizione chiave è il meccanismo di attenzione: il modello pesa quanto ogni parola di una frase sia rilevante rispetto alle altre, cogliendo i legami a distanza. È questa idea, e non una scintilla di coscienza, ad aver acceso l'esplosione dell'AI generativa che vediamo oggi.
Una cosa che sorprende molti genitori è che il modello, una volta addestrato, è "congelato": ha imparato dai testi disponibili fino a una certa data e non aggiorna da solo le sue conoscenze in tempo reale. Se chiedi a un LLM un evento successivo al suo addestramento, o non lo conosce o lo inventa. Per questo molte app collegano il modello a un motore di ricerca o a una base di documenti: non perché il modello "sappia" di più, ma perché gli si forniscono al momento i testi giusti da cui pescare. Sapere questo ti aiuta a capire perché la stessa AI a volte è precisissima e altre volte clamorosamente fuori bersaglio: tutto dipende da cosa aveva sotto gli occhi mentre rispondeva.
I token: l'unità con cui un'AI "legge"
Per essere precisi, un LLM non lavora esattamente con le parole, ma con i token: frammenti di testo che possono essere una parola intera, una sillaba o anche solo un segno di punteggiatura. Una parola lunga o rara può valere due o tre token, mentre parole comuni ne occupano uno solo. Il modello prevede un token alla volta, lo aggiunge alla frase, poi ricomincia: è per questo che, se osservi ChatGPT mentre risponde, vedi il testo comparire a pezzetti. Capire i token spiega anche due cose pratiche. La prima: ogni modello ha un limite di token che può tenere "in mente" in una sola conversazione, ed è il motivo per cui un'AI a volte sembra dimenticare quello che le hai detto all'inizio di una chat lunga. La seconda: i servizi a pagamento si misurano spesso in token consumati, perché ogni token elaborato costa risorse di calcolo reali. Non serve che tuo figlio diventi un esperto, ma sapere che l'AI "ragiona" un frammento alla volta aiuta a non attribuirle una memoria e una continuità che non possiede.
Perché un'AI a volte "inventa": le allucinazioni
Se hai mai colto ChatGPT a citare un libro inesistente o una sentenza mai emessa, hai incontrato quella che gli esperti chiamano allucinazione. Un'allucinazione dell'AI è un'affermazione fluente e sicura ma factualmente falsa, e nasce direttamente dal modo in cui funziona un LLM: il modello cerca la continuazione più plausibile, non quella più vera. Quando i dati su un argomento scarseggiano, "riempie i buchi" generando testo verosimile ma inventato. Non è un bug occasionale, è una proprietà strutturale: nessun modello, per quanto avanzato, ne è del tutto immune. Per questo l'abilità più importante da insegnare a tuo figlio non è scrivere prompt furbi, ma verificare sempre le fonti — un principio che ritroviamo in quello che la ricerca dice sull'apprendimento, come raccontiamo nell'articolo su neuroeducazione e intelligenza artificiale. Una risposta sicura non è una risposta corretta.
"Pappagalli stocastici": cosa capiscono davvero
Nel 2021 le ricercatrici Emily Bender, Timnit Gebru e colleghe pubblicarono un saggio diventato celebre, On the Dangers of Stochastic Parrots, in cui definirono questi modelli "pappagalli stocastici": sistemi che ricuciono insieme sequenze di parole già viste, senza alcuna comprensione del loro significato. È un'immagine onesta e utile. Quando un LLM produce un tema sul pessimismo di Leopardi che suona convincente, non ha letto Leopardi né provato emozioni: ha riconosciuto schemi statistici nei milioni di testi su cui è stato addestrato. Questo non rende lo strumento inutile — un pappagallo molto bravo resta sorprendente — ma ridimensiona la mitologia dell'"AI che pensa". La differenza tra riconoscere schemi e capire è esattamente la differenza tra una risposta copiata e un apprendimento reale, come spieghiamo nell'articolo su perché uno strumento che dà risposte non insegna un metodo.
Cosa succede ai dati che tuo figlio inserisce
Ogni volta che si scrive qualcosa in un'AI generica, quel testo viaggia verso i server dell'azienda e, salvo impostazioni specifiche, può essere usato per addestrare versioni future del modello. Per un adolescente che incolla compiti, pensieri personali o domande imbarazzanti, questo è un punto delicato. Il nuovo regolamento europeo lo riconosce: l'articolo 50 dell'AI Act introduce l'obbligo di trasparenza per i contenuti generati dall'AI, con marcatura e indicazione chiara, e l'applicazione delle sanzioni parte dal 2 agosto 2026, come spiega un'analisi di Agenda Digitale. Anche il Garante per la protezione dei dati personali dedica una sezione ai rischi dell'AI per la privacy. La regola pratica per la famiglia è semplice: prima di usare un'app, chiediti dove finiscono i dati. Un servizio pensato per minori dovrebbe trattare i dati degli studenti in modo anonimo e non riutilizzarli per addestrare modelli commerciali. Se cerchi indicazioni concrete su come gestire ChatGPT in casa, abbiamo raccolto tre regole d'oro per i genitori che valgono per qualsiasi LLM.
LLM generico contro tutor pensato per studiare
Capire cos'è un LLM aiuta a vedere perché un chatbot generalista e uno strumento educativo non sono la stessa cosa, anche se entrambi "scrivono". Un LLM generico ottimizza una sola cosa: darti la risposta più plausibile, subito. Ma per uno studente la risposta immediata è spesso il problema, non la soluzione: salta il processo che fa imparare. Metod·IA parte dalla stessa tecnologia di base — modelli linguistici avanzati — ma la inserisce in un metodo socratico che guida con domande invece di consegnare soluzioni, ancora il modello al curricolo MIUR per ridurre le allucinazioni, e tratta lo studente come UUID anonimo senza usarne i dati per addestrare nulla. La tecnologia è simile; l'intenzione di progetto è opposta. È la differenza tra un pappagallo molto bravo e un tutor che vuole che tuo figlio impari a fare da solo.
In pratica, questa differenza si vede in tre punti. Primo, l'ancoraggio: un tutor pensato per la scuola lega le risposte a materiali verificati — i programmi ministeriali, libri di testo — invece di pescare da tutto il web, e questo riduce drasticamente la probabilità di allucinazioni su una data storica o una formula. Secondo, il comportamento: invece di consegnare il tema già scritto, un buon tutor si ferma, chiede a tuo figlio cosa ha capito e lo accompagna passo dopo passo, perché l'obiettivo non è la risposta ma l'apprendimento. Terzo, i dati: uno strumento serio per minori non riutilizza i contenuti dello studente per addestrare modelli commerciali, mentre un'app generica spesso lo fa per default. Quando valuti un'AI per tuo figlio, queste sono le tre domande concrete da porre — molto più utili di qualsiasi promessa di marketing.
Domande frequenti
Un LLM "capisce" davvero quello che dice?
No, non nel senso umano. Un LLM riconosce schemi statistici nel linguaggio e prevede la parola più probabile: produce frasi sensate senza comprenderne il significato. Le ricercatrici Bender e Gebru (2021) li hanno definiti "pappagalli stocastici" proprio per questo. È bravissimo a sembrare competente, ma non sa cosa sia vero.
Perché ChatGPT a volte dà risposte sbagliate con tanta sicurezza?
Perché un LLM cerca la continuazione più plausibile, non quella verificata. Quando i dati su un tema scarseggiano, genera testo verosimile ma inventato: si chiama allucinazione ed è una proprietà strutturale, non un errore occasionale. Per questo va sempre verificata ogni informazione importante con una fonte affidabile.
È pericoloso che mio figlio usi un'AI per studiare?
Non in sé, ma dipende da come e da quale strumento. Un'AI generica che dà risposte pronte può sostituire lo studio invece di sostenerlo, e i dati inseriti possono essere riutilizzati. Uno strumento educativo che guida con domande e protegge i dati del minore è un'altra cosa: la differenza sta nel design, non nella tecnologia.
Ora che sai cos'è un LLM, hai la lente giusta per valutare qualsiasi app di intelligenza artificiale entri in casa tua. Se vuoi capire come questi principi si traducono in uno strumento pensato per studiare, scopri come funziona Metod·IA — oppure approfondisci la nostra pagina sulla protezione dei dati per vedere come trattiamo i dati di tuo figlio.
Fonti: Treccani — Modello linguistico di grandi dimensioni; Vaswani et al., "Attention Is All You Need" (2017); Bender, Gebru et al., "On the Dangers of Stochastic Parrots" (2021); AI Act articolo 50 — Agenda Digitale; Garante Privacy — Intelligenza artificiale.