Glossario dell'AI agentica: i termini chiave

L'AI agentica porta con sé un vocabolario tecnico che è utile padroneggiare per valutare gli strumenti e parlare la stessa lingua dei fornitori. Questo glossario raccoglie i termini chiave dell'AI agentica applicata a banche e istituzioni finanziarie, spiegati in modo chiaro. Per il quadro d'insieme, parti dalla guida Cos'è l'AI agentica.

Concetti di base

Intelligenza artificiale (AI)

L'intelligenza artificiale è l'insieme di tecnologie che permettono a un sistema di svolgere compiti che richiederebbero capacità cognitive umane, come comprendere il linguaggio, riconoscere schemi o prendere decisioni.

Modello linguistico (LLM)

Un LLM (Large Language Model) è un modello di AI addestrato su grandi quantità di testo, capace di comprendere e generare linguaggio naturale. È il "motore" di ragionamento e linguaggio su cui si costruiscono gli agenti AI.

AI generativa

L'AI generativa è la categoria di AI che produce nuovi contenuti — testo, immagini, codice — a partire da un'istruzione (prompt). Genera output plausibili, ma da sola non verifica i fatti né agisce sui dati dell'organizzazione.

Prompt

Il prompt è l'istruzione, in linguaggio naturale, che si fornisce a un modello di AI per ottenere una risposta o l'esecuzione di un compito.

Inferenza

L'inferenza è il processo con cui un modello già addestrato elabora un input e produce un output. È la fase di "utilizzo" del modello, distinta dall'addestramento.

AI agentica e agenti

AI agentica (agentic AI)

L'AI agentica è un approccio in cui uno o più agenti AI perseguono un obiettivo in autonomia: scompongono il problema in passi, usano strumenti e iterano fino al risultato. A differenza dell'AI generativa, non si limita a rispondere: agisce.

Agente AI

Un agente AI è un sistema costruito attorno a un LLM che riceve un obiettivo, ragiona su come raggiungerlo, esegue azioni tramite strumenti e valuta i risultati. È il componente operativo dell'AI agentica.

Sistema multi-agente

Un sistema multi-agente coordina più agenti AI specializzati che collaborano: ad esempio uno recupera le informazioni, uno le verifica e uno redige l'output.

Orchestrazione

L'orchestrazione è la logica che scompone un obiettivo in passi e coordina agenti e strumenti per portarlo a termine in modo ordinato e ripetibile.

Uso di strumenti (tool use)

Il tool use è la capacità di un agente di utilizzare strumenti esterni — basi dati, fogli di calcolo, API, documenti — per recuperare informazioni o compiere azioni, invece di affidarsi solo alla conoscenza interna del modello.

Conoscenza e dati

RAG (Retrieval-Augmented Generation)

Il RAG è la tecnica con cui un sistema recupera i documenti pertinenti prima di rispondere, così la risposta nasce da fonti reali e non dalla memoria del modello. Riduce le allucinazioni e rende le risposte verificabili.

RAG privato

Il RAG privato è un RAG in cui la knowledge base resta isolata dal web pubblico, i dati sono trattati in UE e conformi al GDPR, e ogni risposta è calcolata sulle fonti dell'istituzione con citazione tracciabile. È il modello adatto ai contesti regolamentati.

Knowledge base

La knowledge base è l'insieme strutturato di documenti e dati su cui un sistema di AI recupera le informazioni per rispondere. Nel RAG privato è isolata e controllata.

Strato semantico (semantic layer)

Lo strato semantico collega documenti, dati numerici e regole in una conoscenza coerente, così un agente può interpretare correttamente anche bilanci e dati strutturati, non solo testo.

Embedding

Gli embedding sono rappresentazioni numeriche (vettori) di testi o dati, usate per misurare la somiglianza semantica e recuperare i contenuti più pertinenti in un sistema RAG.

Affidabilità e sicurezza

Grounding (ancoraggio ai dati)

Il grounding è l'ancoraggio delle risposte a fonti reali e verificabili. Una risposta "grounded" deriva da documenti concreti, non dalla generazione libera del modello.

Allucinazione

Un'allucinazione è una risposta dell'AI che appare plausibile ma è errata o inventata, perché non fondata su una fonte reale. Grounding e citazioni verificabili servono proprio a prevenirla.

Citazioni verificabili

Le citazioni verificabili sono i riferimenti che collegano ogni affermazione di una risposta alla fonte esatta — fino al documento e alla riga — così un revisore umano può controllarla. Sono il requisito che rende l'AI utilizzabile in un audit.

Human-in-the-loop (controllo umano)

Il human-in-the-loop è il principio per cui la decisione finale resta a una persona: l'AI accelera il lavoro e prepara le evidenze, ma la responsabilità rimane delle funzioni di controllo.

Residenza dei dati (data residency)

La residenza dei dati indica il luogo in cui i dati sono trattati e conservati. Per le istituzioni finanziarie europee è cruciale che il trattamento avvenga in UE e in conformità al GDPR.

Domande frequenti

Qual è la differenza tra RAG e RAG privato?

Il RAG recupera documenti pertinenti prima di rispondere. Il RAG privato aggiunge l'isolamento dei dati dal web pubblico, il trattamento in UE conforme al GDPR e la tracciabilità delle citazioni: è il RAG pensato per i dati sensibili di banche e istituzioni finanziarie.

Perché le citazioni verificabili sono così importanti?

Perché in un contesto vigilato un'affermazione vale solo se può essere controllata. Le citazioni collegano ogni risposta alla fonte da cui deriva, rendendo l'output una prova utilizzabile invece di un testo da verificare a mano.

Da dove conviene iniziare per capire l'AI agentica?

Dalla guida Cos'è l'AI agentica, che spiega come funziona e perché conta per le banche, e dalla pagina sul RAG privato per la parte di sicurezza dei dati.