Come scegliere un modello AI

Scegliere un modello AI non significa trovare "il migliore" e adottarlo ovunque: significa scegliere lo strumento giusto per un compito preciso, con i criteri giusti e una verifica sui tuoi dati. Il modello che scrive ottime email può essere mediocre sul codice; quello eccellente in inglese può perdere sfumature in italiano; quello più potente può costare troppo per un uso ad alto volume. Per questo la domanda "qual è il miglior modello AI?" è la domanda sbagliata: quella giusta è "qual è il migliore per il mio caso, in italiano, con il mio budget e i miei vincoli di privacy?".

La buona notizia è che la scelta segue un metodo ripetibile, alla portata di chiunque, anche senza competenze tecniche. Si parte definendo il compito, si elencano i criteri che contano davvero, si fa un piccolo test interno con dati reali su due o tre candidati e si decide guardando i risultati, non il marketing. Questa guida è l'hub decisionale che mette in fila quel metodo: criteri, matrice di scelta, cloud contro locale, modello generico contro fine-tuning contro RAG, ed errori da evitare.

Se ti serve prima un quadro dei nomi in gioco, parti dalla guida ai principali modelli AI; se vuoi confronti orientati al lavoro, vedi i migliori modelli AI per aziende. Qui ci concentriamo sul come decidere.

Perché non esiste "il modello AI migliore"

La domanda più frequente — "qual è il modello AI migliore?" — non ha una risposta utile, perché un modello non è bravo in tutto allo stesso modo. La sua qualità dipende da come è stato addestrato, dai dati che ha visto e dal compito su cui lo metti. Lo stesso modello può comportarsi in modo diverso se gli chiedi di scrivere un testo persuasivo, di estrarre dati da una fattura o di scrivere una funzione in Python.

Ci sono almeno quattro motivi per cui "il migliore" cambia continuamente:

• Dipende dal compito. Esistono modelli più forti sulla scrittura, altri più precisi sul codice, altri pensati per la ricerca con fonti citate. Un articolo come migliori modelli AI per scrivere e uno come migliori modelli AI per programmare arrivano a conclusioni diverse proprio perché il compito è diverso.
• Dipende dalla lingua. Molti benchmark sono in inglese. Un modello primo in classifica in inglese può essere meno preciso in italiano su tono, terminologia e sfumature legali o tecniche.
• Dipende dai vincoli. Privacy, residenza dei dati, costo per richiesta e velocità di risposta possono escludere un modello "tecnicamente migliore" perché non è adatto al tuo contesto.
• Dipende dal momento. Le versioni cambiano ogni pochi mesi. Un confronto di oggi può essere superato domani.

La conseguenza pratica è semplice: smetti di cercare la classifica perfetta e costruisci un metodo per scegliere. È più lento da spiegare, ma molto più affidabile da applicare.

Il metodo in 4 passi per scegliere un modello AI

Tutta la scelta si riduce a quattro passi. Funziona per una PMI, uno studio professionale o un team interno, e non richiede competenze da data scientist.

1. Definisci il compito. Scrivi in una frase cosa deve fare il modello e in che contesto: "scrivere bozze di risposta alle email dei clienti in italiano", "estrarre dati da fatture PDF", "rispondere alle domande sui nostri manuali interni". Un compito vago porta a una scelta vaga.
2. Elenca i criteri. Decidi cosa conta davvero per quel compito e dai un peso a ciascun criterio: qualità sul compito, italiano, contesto, privacy/GDPR, costo, integrazioni, latenza. Non tutti pesano uguale: per un'assistenza clienti la latenza conta molto; per un report mensile quasi nulla.
3. Fai un test interno con i tuoi dati. Scegli 2-3 candidati e dagli da fare lo stesso lavoro reale (10-20 casi presi dalla tua attività). Confronta i risultati con chi conosce il dominio. Questo passo vale più di qualsiasi benchmark esterno.
4. Decidi e tieni aperta la porta. Scegli il vincitore sul tuo caso, ma progetta il sistema in modo da poter cambiare modello in futuro. I modelli evolvono: la flessibilità è parte della scelta.

Il cuore del metodo è il terzo passo. Il test interno è ciò che separa una scelta basata sui fatti da una scelta basata sulle promesse del fornitore. Bastano una mezza giornata e alcuni casi reali per evitare mesi spesi sullo strumento sbagliato.

I criteri che contano davvero

Questi sono i sette criteri da valutare. Non devono pesare tutti uguale: assegna a ciascuno un'importanza alta, media o bassa in base al tuo compito.

Due note pratiche su questa tabella. La qualità sul tuo compito non si legge da una scheda tecnica: si misura con il test interno. E privacy e GDPR non sono un dettaglio legale da rimandare: se inserisci dati personali, il criterio può da solo escludere alcuni modelli o importi un piano business specifico. Approfondisci entrambi gli aspetti più avanti.

Qualità sul compito: si misura, non si legge

La qualità "in astratto" non esiste. Per il tuo compito conta come il modello si comporta su input simili ai tuoi. Un modello può scrivere benissimo testi di marketing e fare confusione su un linguaggio normativo; può generare codice elegante ma sbagliare un calcolo. Il modo serio per saperlo è dargli i tuoi casi reali e far valutare l'output da una persona competente. Tieni anche conto delle allucinazioni AI: nessun modello è immune, e su numeri, norme e dati clienti serve sempre un controllo umano.

Italiano: i benchmark in inglese ingannano

Molti confronti pubblici misurano l'inglese. Se il tuo lavoro è in italiano, quei numeri ti dicono poco. La differenza si vede sulle sfumature: un registro formale per uno studio legale, la terminologia tecnica di un'officina, il tono giusto verso un cliente. Metti i candidati alla prova sui tuoi testi e scegli chi suona italiano davvero, non tradotto.

Privacy e GDPR: spesso il criterio decisivo

Per un'azienda europea questo criterio pesa più di quanto si pensi. Le domande da farsi: i dati vengono usati per addestrare il modello? Dove sono ospitati (UE o extra-UE)? Esiste un piano business con clausole di non addestramento e un accordo sul trattamento (DPA) firmato? Strumenti consumer gratuiti spesso non offrono queste garanzie. Quando i dati sono sensibili, valuta un piano business con residenza UE oppure un modello AI locale self-hosted, dove i dati non escono mai dalla tua infrastruttura. Su questo tema una consulenza AI aiuta a impostare regole chiare su cosa si può e non si può condividere.

Cloud o locale: come decidere

Una delle scelte più importanti è dove gira il modello. Le due strade hanno profili molto diversi.

I modelli in cloud (ChatGPT, Claude, Gemini e simili, usati via app o tramite API AI) sono pronti all'uso, sempre aggiornati e non richiedono infrastruttura. Sono la scelta naturale per la maggior parte delle PMI. Il limite: i dati passano dai server del fornitore, quindi serve scegliere il piano giusto e leggere bene le condizioni su privacy e addestramento.

I modelli locali o self-hosted (per esempio della famiglia Llama, o altri modelli open source) girano su hardware tuo o su un server che controlli tu. Il vantaggio è il controllo totale dei dati e, su grandi volumi, costi più prevedibili. Lo svantaggio è che servono competenze, hardware e manutenzione: per chi inizia è spesso un peso che non vale la pena.

Per quasi tutti, il punto di partenza ragionevole è il cloud con un piano adeguato alla privacy. Il locale è una scelta da fare quando un vincolo preciso lo richiede, non per principio. Se vuoi approfondire i casi in cui conviene, vedi quando convengono i modelli AI locali.

Generico, RAG o fine-tuning: cosa serve davvero

Un altro bivio frequente: usare il modello "così com'è", collegarlo ai tuoi documenti o riaddestrarlo. La regola è partire dal più semplice e salire solo se serve.

La sequenza corretta è quasi sempre: prima un prompt ben fatto, poi il RAG se serve conoscenza tua, e solo alla fine il fine-tuning se restano esigenze di stile o comportamento non risolte. Saltare direttamente al fine-tuning è uno degli errori più costosi e meno necessari.

La matrice decisionale: scegli il tuo caso

Per orientarti rapidamente, parti dal tuo compito principale e usa gli articoli di confronto specifici per il dettaglio. Questa non è una classifica: è una mappa per andare alla risorsa giusta, dove troverai i criteri applicati a quel caso.

Esempi pratici

Tre scenari realistici di PMI e professionisti italiani, per vedere il metodo all'opera.

1. Studio legale — riservatezza prima di tutto. Lo studio vuole un assistente che riassuma atti e prepari bozze in italiano giuridico. Il compito richiede ottimo italiano e contesto lungo, ma il criterio che domina è la privacy: i documenti contengono dati sensibili dei clienti. La scelta non parte dal modello "più bravo", ma dai vincoli: piano business con clausole di non addestramento e residenza UE, oppure valutazione di una soluzione self-hosted. Il test interno usa atti reali (anonimizzati) per confrontare due candidati conformi. Vince quello che unisce italiano credibile e garanzie sui dati. Tema approfondito in AI per studi legali.

2. E-commerce — alto volume, costo sotto controllo. Un negozio online con 2.000 prodotti vuole generare descrizioni e rispondere alle domande frequenti. Qui il compito è semplice, ma i volumi sono alti: il criterio che pesa è il costo per richiesta, insieme alla latenza per l'assistenza in chat. Il test interno confronta due modelli su 30 schede reali e su 20 domande tipiche dei clienti. Spesso un modello "medio" più economico e veloce batte uno "premium" perché la qualità è già sufficiente e il risparmio sul volume è enorme.

3. Studio commercialista — risposte sui propri documenti. Lo studio vuole che il personale trovi in fretta risposte basate sulle proprie circolari e procedure interne. Qui non serve il modello più potente né il fine-tuning: serve un sistema RAG che recuperi le informazioni dai documenti dello studio e risponda citandole. La scelta del modello generico è secondaria; ciò che conta è collegarlo bene alla base documentale. Caso tipico raccontato in AI per commercialisti.

In tutti e tre i casi nessuno ha cercato "il modello migliore": hanno definito il compito, hanno capito quale criterio dominava e hanno testato con i propri dati. È sempre lo stesso metodo.

Errori da evitare

• Cercare il modello migliore in assoluto. Non esiste. Inseguire la classifica del mese porta a cambiare strumento di continuo senza mai misurare il risultato sul tuo caso.
• Fidarsi dei benchmark in inglese. Se lavori in italiano, un primato in inglese dice poco. L'unica prova valida è il test sui tuoi testi reali.
• Ignorare privacy e GDPR fino alla fine. Scegliere il modello e accorgersi dopo che i dati non possono uscire dall'azienda fa buttare il lavoro. La privacy è un criterio iniziale, non un controllo finale.
• Saltare al fine-tuning troppo presto. Costoso e quasi mai necessario all'inizio. Prima un buon prompt, poi il RAG, e solo dopo, se serve davvero, il fine-tuning.
• Legarsi a un solo fornitore senza via d'uscita. I modelli cambiano e i prezzi pure. Se costruisci un flusso che funziona solo con un modello specifico, il giorno che cambia versione o prezzo sei in difficoltà. Progetta per poter cambiare modello con poco attrito.

Come applicarlo in azienda

Tradurre il metodo in pratica richiede un percorso breve e ripetibile, non un grande progetto. Ecco i passi concreti.

• Scrivi il compito in una frase, con lingua e contesto: cosa deve fare il modello e per chi.
• Pesa i criteri (alto/medio/basso) usando la tabella sopra: di solito uno o due dominano.
• Prepara 10-20 casi reali presi dalla tua attività, anonimizzando i dati sensibili.
• Testa 2-3 candidati sullo stesso set e fai valutare l'output da chi conosce il dominio.
• Verifica versioni e prezzi sulle pagine ufficiali prima di firmare un piano.
• Definisci le regole sui dati: cosa si può condividere, su quale strumento, con quale piano.
• Progetta per il cambio: tieni separato il flusso dal modello, così cambiarlo costa poco.

Questo è esattamente il tipo di decisione dove una guida esterna evita errori costosi: scegliere il modello, il piano e l'architettura (cloud, locale, RAG) in funzione del tuo caso reale e dei tuoi vincoli, non delle mode. È il lavoro tipico di una consulenza che porta l'AI dentro i processi aziendali, dove la scelta del modello è solo un tassello del flusso complessivo. Se vuoi sperimentare prima di impegnarti, dai un'occhiata agli esperimenti del The Lab.

Conclusione

Scegliere un modello AI è una decisione di metodo, non di classifica. Definisci il compito, pesa i criteri che contano per te — qualità sul tuo lavoro, italiano, contesto, privacy, costo, integrazioni, latenza — fai un test interno con i tuoi dati reali e decidi guardando i risultati. Parti dal cloud salvo vincoli precisi che impongano il locale; parti dal modello generico e sali a RAG e fine-tuning solo se il caso lo richiede. E ricorda che i modelli cambiano in fretta: progetta il sistema per poterli sostituire e verifica sempre versioni e prezzi sulle pagine ufficiali. Da qui puoi proseguire con la guida ai principali modelli AI e con i migliori modelli AI per aziende per applicare i criteri ai singoli strumenti.

Vuoi capire quali processi della tua azienda possono essere automatizzati con l'AI? Giallo Studio può aiutarti a trasformare il problema in un workflow reale.