Chi usa ChatGPT, Claude o Gemini per lavoro sente ogni giorno parole come token, contesto, allucinazioni, agenti, MCP. Spesso si annuisce e si va avanti. Non serve diventare tecnici per usare bene l’intelligenza artificiale, ma conoscere queste parole cambia il modo in cui la si usa: si scrivono richieste migliori, si capisce perché a volte sbaglia e si scelgono con più criterio gli strumenti per l’azienda.
Qui trovi dieci parole, divise in due gruppi. Le prime cinque spiegano come “ragiona” un modello di intelligenza artificiale. Le altre cinque spiegano come l’AI sta passando dal rispondere alle domande al lavorare insieme a noi. Per ognuna c’è cosa significa, un esempio e cosa cambia per chi lavora.
Cosa sono i token?
Un modello di intelligenza artificiale non legge parole intere, e nemmeno lettere: legge token, piccoli pezzi di testo. Un token può essere una parola breve, una parte di parola, un segno di punteggiatura. Come spiega il glossario di Anthropic, quanti caratteri vale un token dipende dal modello e dalla lingua: per lo stesso contenuto, una lingua può richiedere più token di un’altra.
Perché è utile saperlo? Perché tutto, nell’intelligenza artificiale, si misura in token. I limiti di quanto puoi scrivere in una conversazione, quanto lunga può essere una risposta e, per chi usa i modelli tramite le API, anche i costi: i listini oggi indicano il prezzo per milione di token, distinguendo quelli inviati da quelli generati. Un documento lungo, incollato per intero in ogni richiesta, consuma molti più token di un riassunto ben fatto.
Cos’è la finestra di contesto?
È tutto quello che il modello riesce a “vedere” nello stesso momento: le tue istruzioni, la conversazione fin lì, i documenti che hai allegato e la risposta che sta scrivendo. Anthropic la descrive come la sua memoria di lavoro, diversa da tutto ciò che il modello ha imparato durante l’addestramento.
Immagina una lavagna. Puoi scriverci quello che vuoi, ma lo spazio è quello. Nel novembre 2023 Claude 2.1 arrivava a 200.000 token, circa 150.000 parole. Pochi mesi dopo Google ha presentato Gemini 1.5, con un’anteprima fino a un milione di token. Oggi i modelli più recenti di Claude arrivano a un milione.
Cosa succede quando la lavagna è piena? Dipende da dove usi il modello. Le app di chat possono far scorrere la conversazione, lasciando fuori la parte più vecchia: è il motivo per cui, in una chat lunghissima, l’AI sembra “dimenticare” quello che le avevi detto all’inizio. Chi usa direttamente il modello riceve invece un errore. Il consiglio pratico: quando cambi argomento, apri una conversazione nuova, e quando lavori su un documento importante, ripeti le istruzioni chiave invece di darle per scontate.
Cos’è la temperatura?
È una manopola che regola quanto il modello resta sul sicuro o si prende dei rischi nella scelta delle parole. Con una temperatura bassa sceglie le parole più probabili: risposte prevedibili, coerenti, un po’ piatte. Con una temperatura alta esplora scelte meno ovvie: più varietà e creatività, ma anche più possibilità di uscire dal seminato.
Un dettaglio che molti non sanno, e che Anthropic precisa nel suo glossario: anche con la temperatura a zero le risposte non sono del tutto identiche ogni volta. È uno dei motivi per cui la stessa domanda, fatta due volte, può dare due risposte diverse.
Nelle app di chat di solito questa manopola non si vede. Diventa importante quando qualcuno configura un assistente per la tua azienda: per estrarre dati da fatture o rispondere con le procedure interne serve precisione; per proporre idee per una campagna serve più varietà. È una delle prime domande da fare a chi lo prepara.
Perché l’intelligenza artificiale ha le allucinazioni?
Si chiama allucinazione una risposta plausibile ma falsa, data con la stessa sicurezza di una risposta corretta. Un titolo di libro che non esiste, una sentenza mai pronunciata, un dato inventato con tanto di decimali.
Succede perché un modello linguistico non consulta un archivio di fatti: genera il testo più probabile sulla base di ciò che ha imparato. OpenAI, in un approfondimento disponibile anche in italiano, aggiunge un motivo meno intuitivo: le procedure con cui i modelli vengono addestrati e valutati premiano il tirare a indovinare più che l’ammettere di non sapere. Come uno studente che, a un test a crocette, risponde comunque perché lasciare in bianco vale zero.
Cosa cambia per chi lavora: numeri, norme, nomi, date e citazioni vanno sempre verificati, soprattutto se finiscono in un documento per un cliente. È utile chiedere all’AI le fonti, e controllarle. E se un lavoro affidato all’AI esce dall’azienda, serve una persona che ne risponda, come in qualsiasi delega ben fatta, anche all’intelligenza artificiale.
Cos’è il RAG?
La sigla sta per Retrieval-Augmented Generation, generazione aumentata dal recupero. Il nome è complicato, l’idea è semplice: prima di rispondere, il sistema cerca nei documenti giusti i passaggi pertinenti alla domanda, poi li passa al modello insieme alla domanda stessa. Il modello risponde basandosi su quei passaggi. La tecnica è stata descritta in un articolo scientifico del 2020 e oggi è dietro a molti degli assistenti che “conoscono” i documenti di un’azienda.
Un esempio: un assistente interno che risponde ai colleghi sulle procedure per i resi. Non ha imparato a memoria il manuale: ogni volta cerca il paragrafo giusto e lo usa per rispondere. Per questo la qualità delle risposte dipende dalla qualità dei documenti. Se la procedura è vecchia, l’assistente risponderà con la procedura vecchia, e con grande sicurezza.
Lo stesso principio vale fuori dall’azienda: molti assistenti cercano sul web prima di rispondere e citano le pagine che trovano. È uno dei motivi per cui conta avere un sito chiaro e aggiornato, pronto per essere trovato anche da ChatGPT e dagli altri assistenti.
Cos’è un agente AI?
Finora abbiamo parlato di un modello che risponde. Un agente fa un passo in più: riceve un obiettivo, decide da solo i passaggi e gli strumenti da usare, e porta avanti il lavoro. Anthropic, in una guida sulla costruzione degli agenti, distingue i flussi di lavoro, in cui il percorso è scritto prima, dagli agenti, in cui è il modello a dirigere i propri passaggi e l’uso degli strumenti.
La differenza si capisce con un esempio. Un flusso automatico invia sempre la stessa mail di benvenuto a chi si iscrive alla newsletter. Un agente riceve l’obiettivo “prepara il riepilogo delle richieste arrivate questa settimana e segnalami quelle urgenti”: decide dove cercare, cosa leggere, cosa riassumere. Un esempio recente è Claude Duet, l’agente di Anthropic che ti scrive per primo quando qualcosa richiede la tua attenzione. Per le basi, c’è una guida su cosa sono gli agenti AI e come funzionano.
Cos’è l’harness?
È una parola che si sente sempre più spesso e che in italiano si potrebbe rendere con “imbracatura”. Un modello, da solo, è un cervello senza mani: sa ragionare e scrivere, ma non può aprire la posta, consultare un gestionale o sapere quando fermarsi. L’harness è tutto quello che gli sta intorno: le istruzioni di partenza, gli strumenti a cui può accedere, i permessi, le regole su quando riprovare, quando fermarsi e quando chiedere aiuto. Anthropic usa il termine, per esempio, parlando di come far lavorare gli agenti su compiti lunghi.
Perché è utile saperlo? Perché spiega una cosa che sorprende molti: lo stesso modello può comportarsi in modo molto diverso in due prodotti diversi. Il cervello è lo stesso, cambia l’imbracatura. Quando valuti uno strumento di AI per l’azienda, la domanda non è solo “quale modello usa?”, ma anche “cosa può fare, con quali permessi, e quando si ferma?”.
Cos’è MCP?
MCP sta per Model Context Protocol. È uno standard aperto per collegare le applicazioni di intelligenza artificiale a dati e strumenti esterni: il sito ufficiale lo paragona a una porta USB-C per le applicazioni di AI. Prima, ogni collegamento tra un assistente e un programma andava costruito da zero; con uno standard comune, lo stesso collegamento funziona con assistenti diversi.
L’ha presentato Anthropic nel novembre 2024 e a dicembre 2025 l’ha donato all’Agentic AI Foundation, una fondazione sotto la Linux Foundation. I “connettori” che trovi negli assistenti, quelli che collegano l’AI alla posta, al calendario, al CRM o all’archivio documenti, si basano spesso proprio su questo standard.
Cosa cambia per un’azienda: collegare l’AI ai propri strumenti diventa molto più semplice. Proprio per questo conviene decidere prima cosa collegare e cosa no, soprattutto quando ci sono dati di clienti, pazienti o dipendenti. Le regole europee da tenere presenti sono riassunte nella guida all’AI Act per le PMI.
Cosa sono le skill?
Se MCP dà all’AI le mani per usare gli strumenti, le skill le danno il “come si fa”. Una skill è una cartella con le istruzioni per svolgere un compito specifico, ed eventualmente gli script e i materiali di riferimento che servono: per esempio come preparare un preventivo secondo le regole dell’azienda, o come scrivere una scheda prodotto nel formato giusto.
Anthropic le ha introdotte nell’ottobre 2025 e a dicembre 2025 le ha pubblicate come standard aperto, oggi integrato in oltre 70 piattaforme di agenti. A ottobre 2026 ha donato anche le Agent Skills alla stessa fondazione di MCP.
Il punto interessante, per chi ha un’azienda, è che una skill assomiglia molto a una procedura scritta bene: scopo, passaggi, esempi, cose da evitare. Chi ha già messo per iscritto il proprio modo di lavorare ha in mano gran parte del materiale per insegnarlo anche all’intelligenza artificiale.
Cos’è l’approvazione umana?
In inglese si dice human in the loop: è il punto in cui l’AI si ferma e chiede il via libera a una persona prima di fare qualcosa che ha conseguenze reali. Inviare una mail a un cliente, fare un pagamento, firmare un documento, cancellare dei file.
È la parola che più conterà nei prossimi anni, perché gli agenti stanno passando dal preparare al fare. I sistemi più seri la mettono al centro: Claude Duet, per esempio, mostra esattamente cosa sta per fare e aspetta l’ok prima di inviare, pagare, firmare o cancellare, e alcune azioni non le compie nemmeno con il permesso.
Per un’azienda significa decidere prima tre cose: cosa l’AI può fare da sola, cosa deve sempre chiederti, cosa non deve fare mai. Sono le stesse regole che servono per delegare a un collaboratore.
Come usare queste parole nel lavoro di tutti i giorni?
Non serve ricordare le definizioni. Bastano cinque abitudini che vengono da qui.
- Una conversazione per argomento. Quando cambi tema, aprine una nuova: la finestra di contesto resta pulita.
- Documenti aggiornati. Un assistente che usa i tuoi documenti è affidabile quanto i documenti che trova.
- Verifica dei dati. Numeri, norme e citazioni si controllano sempre, prima che escano dall’azienda.
- Regole scritte per gli agenti. Cosa possono fare da soli, cosa devono chiedere, cosa non devono fare.
- Una persona responsabile. Ogni lavoro affidato all’AI ha qualcuno che ne guarda i risultati.
Domande frequenti
Devo saper programmare per usare bene l’intelligenza artificiale?
No. Serve capire come funziona a grandi linee, ed è lo scopo di queste dieci parole. La programmazione diventa utile solo se vuoi costruire strumenti su misura; per usare bene gli assistenti contano di più chiarezza nelle richieste e capacità di verificare le risposte.
Perché la stessa domanda dà risposte diverse?
Perché il modello sceglie le parole con una certa variabilità, regolata dalla temperatura, e anche con la temperatura al minimo le risposte non sono sempre identiche. Contano poi la conversazione precedente e i documenti allegati, che cambiano il contesto da cui il modello parte.
Un assistente che usa i documenti aziendali può comunque inventare?
Sì, anche se meno spesso. Se i documenti non contengono la risposta, o la contengono in una versione vecchia, il modello può completare con informazioni sbagliate. Per questo conviene chiedergli di indicare il documento da cui ha preso la risposta e di dire quando non la trova.
Collegare l’AI ai programmi aziendali con MCP è sicuro?
Dipende da cosa colleghi e con quali permessi. Lo standard semplifica il collegamento, ma le scelte restano tue: quali dati, quali azioni consentite, chi controlla. Conviene partire da un collegamento solo, con permessi di sola lettura, e allargare con calma.
Da quale parola conviene partire?
Da allucinazione e approvazione umana. La prima ti protegge dagli errori più costosi, la seconda ti prepara agli agenti che stanno arrivando. Le altre si imparano usandole.
L’intelligenza artificiale cambia in fretta e le parole nuove continueranno ad arrivare. Ma chi ha capito queste dieci ha gli strumenti per orientarsi anche tra le prossime, e per usarle con più consapevolezza nel lavoro di ogni giorno.
Se vuoi capire come portare queste idee nella tua azienda, trovi come lavoro nella pagina intelligenza artificiale per il business. Partiamo da come lavorate oggi: scrivimi.
Fonti: Anthropic, Glossario e documentazione sulla finestra di contesto; annunci di Claude 2.1 (novembre 2023), del Model Context Protocol (novembre 2024), della donazione di MCP (dicembre 2025) e delle Agent Skills (ottobre 2026); “Building effective AI agents” (dicembre 2024) ed “Effective harnesses for long-running agents” (novembre 2025); Google, annuncio di Gemini 1.5 (febbraio 2024); OpenAI, “Perché i modelli linguistici hanno allucinazioni” (settembre 2025); Lewis e altri, “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks” (2020); modelcontextprotocol.io. Verificate a novembre 2026.
