AI, machine learning e deep learning: le differenze spiegate

Ogni volta che un fornitore presenta una soluzione "con AI", usa il termine come se fosse autoesplicativo. Spesso non lo è. Sotto l'etichetta "intelligenza artificiale" si nascondono tecnologie molto diverse, con capacità, costi e rischi diversi. Capire la differenza tra AI, machine learning e deep learning non serve a diventare tecnici: serve a fare domande migliori, valutare le proposte con più spirito critico e non farsi vendere ciò che non serve.

Perché oggi "AI" significa spesso modelli linguistici

Negli ultimi anni l'uso comune del termine è cambiato: nei media e nelle conversazioni, "AI" è diventato quasi sinonimo di modelli linguistici e AI generativa. È l'effetto ChatGPT. Questo crea confusione: un'azienda che da dieci anni usa il machine learning per prevedere la domanda di magazzino "usa l'AI" in senso tecnico, ma non sta usando nulla di simile a ChatGPT, sono tecnologie diverse, con casi d'uso diversi. Quando un collega dice "dobbiamo usare l'AI", conviene chiarire: si parla di AI generativa, cioè modelli linguistici per testi, immagini e conversazioni, o di AI predittiva e analitica, cioè machine learning per previsioni, classificazioni e anomalie? Sono investimenti e percorsi molto diversi. Per capire perché, vale la pena guardare come le tre categorie si annidano una dentro l'altra.

L'AI è un ombrello

Intelligenza artificiale è il termine più ampio: indica qualsiasi sistema che svolge compiti che, fatti da una persona, richiederebbero intelligenza, come ragionare, riconoscere schemi, decidere o comprendere il linguaggio. È un termine così vasto da essere quasi inutile da solo. Comprende i sistemi a regole scritte a mano degli anni Ottanta, gli algoritmi di raccomandazione di Netflix, i modelli che individuano le frodi sulle carte di credito e ChatGPT. Quando un fornitore dice "usiamo l'AI", la domanda giusta è: di che tipo?

Machine learning: imparare dai dati

Il machine learning, o apprendimento automatico, è una parte dell'AI. La differenza rispetto ai sistemi a regole è che il modello non viene programmato per ogni singola decisione: viene addestrato sui dati e impara da solo gli schemi. Un filtro antispam tradizionale può avere regole scritte a mano, se contiene questa parola è spam; un sistema di machine learning viene addestrato su migliaia di email già classificate come spam o no, e impara a distinguerle da solo. Se lo spam cambia stile, il sistema si può riaddestrare; quello a regole va riscritto a mano.

Gli usi più diffusi in azienda sono quattro: la classificazione, per smistare email, ticket e documenti per categoria; la regressione, per prevedere valori numerici, come volumi di vendita o tempi di consegna; l'individuazione di anomalie, per riconoscere transazioni o comportamenti insoliti; e la raccomandazione, per suggerire prodotti, contenuti o azioni. Il machine learning tradizionale lavora bene su dati strutturati in tabelle ed è la tecnologia dietro molti strumenti di business intelligence e CRM evoluti che esistono da anni.

Deep learning: le reti neurali profonde

Il deep learning, o apprendimento profondo, è a sua volta una parte del machine learning. Usa reti neurali con molti strati, da cui il "profondo", e ha reso possibile ciò che il machine learning tradizionale faceva male: riconoscere immagini, comprendere il linguaggio, sintetizzare la voce. I modelli linguistici come GPT, Claude, Gemini, Llama o DeepSeek sono modelli di deep learning: più precisamente usano un'architettura chiamata Transformer, presentata da ricercatori di Google nel 2017, diventata la base della maggior parte dei modelli linguistici moderni e di molti sistemi di AI generativa. "Profondo" non è un giudizio di qualità: indica letteralmente il numero di strati della rete. Più strati e più parametri significano più capacità di cogliere schemi complessi, ma anche più dati e più potenza di calcolo necessari.

La struttura, in sintesi, è a scatole cinesi: l'AI contiene il machine learning, che contiene il deep learning, ognuno più specifico del precedente. Non tutta l'AI usa il deep learning, e non tutto il machine learning usa reti neurali. Ma quando oggi si parla di AI generativa, cioè di modelli che producono testi, immagini o codice, si parla quasi sempre di deep learning.

Le domande che contano, e quelle da fare ai fornitori

Un imprenditore non ha bisogno di sapere come funziona un Transformer. Ha bisogno di sapere cosa può fare un sistema, quanto costa, quanto è affidabile e come si integra nei processi. Le domande utili non sono "è AI o machine learning?", ma su quali dati lavora, se ha bisogno dei dati aziendali o funziona su dati generali; quanto è interpretabile, se si può capire perché ha preso una certa decisione; come viene mantenuto, perché i modelli peggiorano quando i dati cambiano e qualcuno deve controllarli; e cosa succede se sbaglia, se il compito è critico o a basso rischio.

I fornitori chiamano "AI" qualsiasi cosa, anche semplici regole con un'interfaccia moderna, e alcune domande dirette aiutano a capire cosa c'è davvero sotto: "il sistema si addestra sui miei dati o usa un modello già pronto?", che distingue il machine learning su misura dall'AI generativa e dalle regole; "dove vengono trattati i dati?", una questione di privacy e conformità; "come misurate l'accuratezza?", perché un sistema serio ha indicatori di prestazione trasparenti; "cosa cambia se i miei dati cambiano nel tempo?", perché i modelli non sono statici e vanno mantenuti; e "c'è una persona che interviene sulle decisioni importanti?", perché l'automazione totale senza supervisione è raramente la scelta giusta.

La confusione sui termini non è casuale. Tenere distinte le categorie aiuta a comprare meglio e ad avere aspettative realistiche. Se vuoi un parere su una proposta che stai valutando, scrivici.