Enkk ha ragione: capire come funziona un LLM — che non cerca la risposta vera ma quella più verosimile dato il contesto — è la differenza tra trattare un chatbot come un oracolo e sapere quando non fidarsi. Il suo video prova a spiegare proprio questo, in modo semplice ma corretto.
Il video si intitola "Non è mai troppo tardi: 50 minuti per capire l'AI", pubblicato il 27 luglio 2026 sul canale di Enkk — Enrico, ricercatore universitario — in collaborazione con il canale Decodifica, con cui firma da mesi la serie "AI in pillole". Le animazioni sono curate dal motion designer Aiven (@aiven.gram) e il video dura 51 minuti e 48 secondi. Sette capitoli in tutto (contando l'introduzione), l'ultimo dei quali sugli agenti, per raccontare da zero cosa è davvero un LLM. Quello che segue distingue cosa dice il video da cosa ci aggiungo io.
Cos'è un LLM: non una novità, ma la stessa storia da settant'anni
Un LLM (large language model) è una rete neurale addestrata a fare una sola cosa: prevedere il token — un pezzo di parola — più probabile dato tutto il contesto scritto fino a quel momento. Non capisce, non verifica, non ragiona nel senso umano del termine: calcola una probabilità e la trasforma in testo. È un dettaglio tecnico che cambia tutto: spiega perché un LLM può sbagliare con la stessa sicurezza con cui indovina.
Enkk apre il video ricordando che l'intelligenza artificiale non nasce con ChatGPT. La data fondativa è il workshop di Dartmouth, tenuto a partire dal 18 giugno 1956 per circa sei-otto settimane e organizzato da John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon. Fu McCarthy a coniare il termine "artificial intelligence" nella proposta del 1955. Diciassette anni dopo, nel 1973, il Lighthill Report frena i finanziamenti pubblici alla ricerca AI nel Regno Unito. C'è un dibattito dal vivo alla Royal Institution di Londra il 9 maggio 1973 tra James Lighthill e i sostenitori del campo — Donald Michie, lo stesso McCarthy, Richard Gregory — poi trasmesso in TV dalla BBC nel giugno 1973 (serie "Controversy"): è quella che poi viene chiamata "AI winter" britannica.
Nel 1989 Yann LeCun e il suo team, nei laboratori AT&T Bell, addestrano LeNet, la prima rete convoluzionale via backpropagation capace di leggere cifre scritte a mano — verrà poi usata per leggere codici postali e assegni bancari negli Stati Uniti. Tre episodi che reggono al controllo esterno delle fonti. Nel frattempo l'AI è entrata ovunque senza clamore — filtro spam, raccomandazioni di TikTok e Spotify, diagnostica per immagini in ambito medico — e la vera novità del 2022-2023 riguarda la versione conversazionale e generativa dell'intelligenza artificiale, non l'intelligenza artificiale in sé. Anche il World Economic Forum, a luglio 2025, definisce cruciale per chiunque — non solo per gli addetti ai lavori — saper riconoscere quando l'AI è in uso e valutarne criticamente limiti e benefici: esattamente il terreno su cui si muove Enkk.
Iscriviti alla newsletter per ricevere i migliori articoli direttamente nella tua inbox.
Intelligenza Artificiale
Agenti AI self-hosted vs cloud: il cervello è lo stesso, cambia solo chi tiene le chiavi
Claude Code vs Hermes di Nous Research: stesso modello cloud, corpo diverso. Perché su una RTX 2070 SUPER 8GB il vero nodo è privacy e lock-in, non la potenza.
Come funziona un LLM: addestramento e predizione dentro la scatola nera
Tre generazioni di sistemi separano il filtro spam compilato a mano dagli LLM di oggi, e ognuna risolve il limite della precedente creandone uno nuovo. I sistemi esperti — regole scritte a mano da un esperto di dominio e un programmatore, e l'esempio classico è proprio il filtro spam — non generalizzano e non scalano; il machine learning lascia che sia l'algoritmo a estrarre le regole da dati annotati, in due fasi, apprendimento e poi inferenza; le reti neurali vincono in accuratezza ma introducono un problema nuovo, l'opacità. Enkk le descrive come mega matasse di numeri illeggibili, e non è un'esagerazione retorica.
Una rete neurale, spiega il video, è in fondo una funzione matematica enorme. I suoi parametri sono come le manopole di un mixer audio: durante il training vengono impostati automaticamente, per prova-sbaglia-correggi su milioni di esempi, e poi vengono congelati. Il modello che risponde alle tue domande non impara più nulla mentre lo usi — resta esattamente quello che era alla fine dell'addestramento, sessione dopo sessione.
Il cuore del video è la dimostrazione dal vivo che Enkk fa sul suo portatile, con un modello piccolo: alla domanda "Chi canta La terra dei cachi?" il modello genera un token alla volta, mostrando a schermo le probabilità calcolate, e conclude con sicurezza "Edoardo Bennato" — la risposta corretta sarebbe Elio e le Storie Tese. Subito dopo, a tutto schermo, compare una sola parola: VEROSIMILE. Un LLM non dice cose vere, dice cose verosimili: è il meccanismo di token e predizione, non un guasto occasionale, ed è esattamente la radice delle allucinazioni AI di cui si parla tanto.
Un paper di ricerca del settembre 2025 arriva alla stessa conclusione partendo dai numeri: in pre-training, massimizzare la probabilità sui dati premia ciò che è plausibile, non ciò che è accurato, e sui fatti rari il modello genera enunciati falsi ma verosimili; nelle valutazioni standard, poi, indovinare viene premiato più che ammettere incertezza — i modelli sono ottimizzati per essere bravi studenti agli esami, non per essere onesti su quello che non sanno. Un filone separato, ripreso da Nature a marzo 2025, va oltre: l'allucinazione sarebbe strutturale, non un difetto da correggere. Se il 20% dei fatti compare una sola volta nei dati di addestramento, un modello ben calibrato dovrebbe allucinare su almeno il 20% di quei fatti — è la teoria dell'apprendimento, non un bug. C'è però un'obiezione seria a tutto questo, ed è giusto affrontarla prima di andare avanti.
Gary Marcus, critico storico dei LLM, ripete da anni la stessa tesi: anche quando un modello risponde in modo corretto, non sta "ragionando" nel senso pieno del termine — mancano la riflessione, la valutazione controfattuale, la revisione critica delle proprie affermazioni. Capire il meccanismo statistico, per lui, non basta a renderli affidabili.
Il problema è che molte delle sue previsioni specifiche sui limiti dei LLM sono state smentite dai progressi successivi, secondo diversi commentatori indipendenti: resta una critica di principio, non un dato empirico stabile. E non intacca il punto di Enkk. Sapere che un LLM predice il verosimile non richiede risolvere il dibattito su cosa sia il vero ragionamento — basta sapere che la macchina completa pattern, non verifica fatti.
Il video dedica un capitolo agli embedding: ogni parola diventa un vettore in uno spazio semantico dove "cane" e "gatto" finiscono vicini, "democrazia" lontana, e una parola polisemica come "pesca" viene trascinata verso il significato giusto — il pesce o il frutto — dal contesto attorno. Per visualizzarlo, Enkk usa bbycroft.net, progetto open source di Brendan Bycroft che mostra in 3D le reti in stile GPT: si parte da nano-gpt, modello dimostrativo di circa 85.000 parametri, per arrivare, nella scala del progetto, fino a GPT-3.
Poi il video racconta come si allena davvero un LLM moderno, in quattro fasi:
pre-training sul testo grezzo
supervised fine-tuning con esempi curati da persone
alignment: preferenze umane, pollice su o giù su coppie di risposte
reasoning: apprendimento per rinforzo su problemi verificabili automaticamente, il motivo per cui i modelli recenti sono diventati bravi programmatori
È la fase di alignment dell'intelligenza artificiale, però, ad avere gli effetti collaterali più interessanti. Premiare le preferenze umane con il pollice su o giù significa anche premiare ciò che piace di più, non sempre ciò che è corretto. Una ricerca del 2023 sul sycophancy nei modelli linguistici ha analizzato i dati di preferenza usati nel RLHF e trovato che il "matching" delle credenze dell'utente predice fortemente il giudizio umano: cinque assistenti AI allo stato dell'arte mostravano lo stesso schema di compiacenza su quattro task diversi. Sean Goedecke, che segue questi temi sul suo blog, la chiama il primo "dark pattern" degli LLM: alcuni modelli stimano il QI dell'utente in una fascia implausibilmente alta, 130-135, e su Character.ai una parte di utenti passa più di dieci ore al giorno in roleplay — un rischio concreto se non sai che il modello è ottimizzato per piacerti, non per dirti la verità.
L'alignment, in altre parole, non è mai neutro. Il caso più netto, citato anche nel video con uno screenshot reale, è DeepSeek: alla domanda sul massacro di piazza Tienanmen del 1989 il modello risponde "Sorry, that's beyond my current scope. Let's talk about something else", mentre su un evento occidentale comparabile — Kent State, 1970 — risponde in dettaglio. Il test è stato replicato in modo indipendente il 12 febbraio 2025: il dato è riproducibile, non un caso isolato.
Cosa cambia per chi usa un LLM ogni giorno: agenti AI e limiti reali
Cosa distingue davvero un chatbot da un agente AI? Nell'ultimo capitolo del video, Enkk risponde così: un agente è un LLM che, invece di scrivere solo testo, predice anche "parole speciali" che il software interpreta come chiamate a uno strumento esterno — uno script, una ricerca sul web, un client email. È il salto pratico più rilevante degli ultimi due anni, ed è anche quello che spiega perché conviene capire i limiti prima di dare fiducia in automatico.
Enkk lo dimostra con un esempio semplice: chiedere al modello di scrivere cento volte la lettera "A" contandole — da solo sbaglia il conteggio, ma affiancato da uno script Python il risultato è perfetto. È la logica della "imbracatura agentica": un LLM avvolto in strumenti di calcolo, ricerca web, accesso a servizi esterni, fino al controllo di un browser con clic su coordinate precise. Tra gli strumenti mostrati a schermo c'è Claude Code (lo cito perché lo uso davvero per scrivere questo blog, non perché sia uno sponsor). Si arriva a sistemi multi-agente con un orchestratore e ad agenti pensati per girare in autonomia 24 ore su 24, con tutti gli avvertimenti del caso su sicurezza e costo in token.
I limiti restano quelli descritti sopra: allucinazioni che, secondo la ricerca più recente, non sono del tutto eliminabili; un bias di compiacenza ereditato dall'alignment; un filtro sui contenuti che dipende da chi allena il modello; e una finestra di contesto che, lo dice lo stesso Enkk nel video, resta limitata anche quando il dialogo con l'assistente sembra una conversazione continua.
Su questo ultimo punto ho un'esperienza diretta recente. Sviluppando /monta, il montatore video AI che uso per il mio canale, Whisper large-v3 (uno strumento che uso e cito, non uno sponsor) ha allucinato sui tratti quasi muti del girato, ripetendo "Buongiorno" dieci volte di fila — l'ho dovuto correggere incrociando due trascrizioni con i silenzi rilevati da silero-vad. E per tenere sotto controllo il costo in token delle sessioni AI sul mio vault di note, ho dovuto ristrutturare l'indice che le AI leggono, da circa 61.000 token e 765 righe a un gate d'ingresso di appena 2.277 byte. Nessuno dei due problemi si risolve capendo l'AI in astratto: si risolve sapendo che allucina per natura e che il contesto va gestito attivamente, non è infinito né gratuito.
Enkk chiude il video con un invito all'alfabetizzazione — capire, non temere, non idolatrare — e lascia il materiale libero anche per chi insegna. Difficile dargli torto: un LLM resta uno strumento statistico potente, con limiti precisi e verificabili. L'ultima volta che un chatbot ti ha dato una risposta sicura al cento per cento, hai controllato se fosse vera o solo verosimile?
Domande frequenti
Un LLM impara qualcosa dalle conversazioni che facciamo?
No: i parametri vengono regolati durante l'addestramento e poi congelati. Il modello che ti risponde resta esattamente quello che era alla fine del training, sessione dopo sessione — quella che sembra memoria è la conversazione stessa, che gli viene ripresentata come contesto, non un aggiornamento del modello.
Perché un LLM inventa risposte che sembrano vere?
Perché non verifica i fatti: genera il token più probabile dato il contesto. La ricerca citata nel post mostra che il pre-training premia ciò che è plausibile, non ciò che è accurato, e che le valutazioni standard premiano l'indovinare più dell'ammettere incertezza. L'allucinazione è quindi la natura del meccanismo, non un guasto occasionale: la risposta va sempre verificata.
Che differenza c'è tra un chatbot e un agente AI?
Un agente è un LLM che, oltre al testo, predice "parole speciali" che il software interpreta come chiamate a strumenti esterni: uno script, una ricerca sul web, un client email, fino al controllo di un browser. Da solo il modello sbaglia perfino a contare cento lettere, con gli strumenti giusti diventa affidabile — ma più strumenti significano anche più rischi di sicurezza e più costi in token.
Vale la pena guardare il video di Enkk se parto da zero?
Sì, è pensato esattamente per chi parte da zero: 51 minuti in italiano che coprono storia dell'AI, reti neurali, token, addestramento, alignment e agenti, con animazioni curate e una demo dal vivo. Enkk lascia il materiale libero anche per chi insegna, quindi funziona pure in classe.
