Fine-tuning di Claude in azienda: la lezione dei 100 milioni di SK Telecom

Cento milioni di dollari per insegnare a un modello linguistico il gergo di un operatore telefonico sembrano tanti. Eppure è esattamente quello che ha fatto SK Telecom, il maggiore operatore mobile coreano, investendo quella cifra in Anthropic e firmando un accordo per costruire un Claude tarato sul settore telco. La notizia è del 13 agosto 2023, e se ne parla ancora oggi per un motivo preciso: a tre anni di distanza resta la prova sul campo più documentata di fine-tuning enterprise, il caso in cui un’azienda e chi costruisce il modello hanno pubblicato numeri verificabili invece di aneddoti. Poco più di un anno dopo l’accordo, il 1° novembre 2024, Anthropic ha diffuso i risultati di quel lavoro, e sono numeri che spiegano meglio di qualsiasi slide cosa vuol dire davvero fare fine-tuning di Claude per un’azienda. Vale la pena capirli, perché la stessa logica si applica a un’azienda italiana da cinquanta persone.

In questo articolo scoprirai:

• Cosa ha comprato davvero SK Telecom con 100 milioni in Anthropic
• Cosa significa fare fine-tuning di un modello AI, in pratica
• Quando il fine-tuning batte il RAG e quando è solo un costo in più
• Cosa serve davvero per addestrare Claude sui dati della tua azienda
• Perché una PMI italiana da sola non chiude il ciclo (e cosa può fare un partner)

Cosa ha comprato davvero SK Telecom con 100 milioni in Anthropic

L’accordo annunciato da Anthropic prevede due cose distinte che spesso vengono confuse: un investimento finanziario e una partnership tecnica. La parte tecnica è quella interessante. SKT e Anthropic hanno sviluppato insieme un modello multilingue, coreano, inglese, giapponese, spagnolo, specializzato su casi d’uso telco: customer service, marketing, vendite, applicazioni consumer interattive. Il contributo di SKT non erano i soldi, erano i suoi esperti di dominio, che hanno fornito il feedback per orientare il comportamento del modello.

Nel comunicato di SK Telecom, il CEO Ryu Young-sang parla di combinare un LLM in lingua coreana con le capacità AI di Anthropic per «guadagnare leadership nell’ecosistema AI» insieme ai partner telco globali. Dario Amodei, dal canto suo, ha inquadrato l’operazione come unione fra l’expertise AI di Anthropic e la conoscenza industriale di SKT. Tradotto: nessuna delle due parti aveva da sola ciò che serviva.

Il seguito è la parte che conta. Quando Anthropic ha reso generalmente disponibile il fine-tuning di Claude 3 Haiku, il 1° novembre 2024, ha citato SKT come caso reale: un aumento del 73% nei feedback positivi sulle risposte degli agenti e un miglioramento del 37% sugli indicatori di performance chiave del supporto clienti (Claude.com). Non è un investimento in ricerca pura: è un progetto di customer service che ha spostato metriche operative.

Cosa significa fare fine-tuning di un modello AI, in pratica

Il fine-tuning di Claude per aziende non è «dare i propri documenti all’AI». È un addestramento aggiuntivo su un modello già pre-addestrato, fatto con coppie prompt-risposta: gli input reali e gli output ideali che vuoi ottenere. Anthropic lo descrive proprio così, servono «coppie prompt-completion di alta qualità, gli output ideali che si desidera che Claude fornisca per un dato compito». Il modello non impara fatti nuovi: impara un comportamento. Formato, tono, terminologia, struttura della risposta. Se non hai chiaro come deve rispondere il modello, non hai il dataset, e senza dataset non c’è fine-tuning. Per il quadro generale su cosa sia un modello linguistico e come venga addestrato, la nostra guida agli LLM copre i fondamentali.

C’è un vincolo che sorprende molti: Anthropic non offre fine-tuning tramite la propria API pubblica, era vero all’epoca dell’accordo con SKT ed è ancora così oggi. La strada supportata passa da AWS, con paletti tecnici precisi che conviene datare: alla data dell’annuncio di disponibilità generale (novembre 2024), il fine-tuning di Claude passava da Amazon Bedrock su Claude 3 Haiku, regione US West (Oregon), contesto 32K token. Per relazioni enterprise di scala maggiore esistono percorsi custom con i team di Anthropic, come nel caso SKT. Chi cerca un pulsante «personalizza Claude» nel proprio account resterà deluso: il piano Enterprise, secondo la documentazione ufficiale, porta audit log, SCIM, chiavi di cifratura gestite dal cliente e connettori, sicurezza e governance, non addestramento. Se ti interessa il confronto economico fra abbonamento e chiamate API, ne abbiamo scritto nella guida ai costi delle API di Claude.

Quando il fine-tuning batte il RAG e quando è solo un costo in più

Questa è la domanda che separa i progetti che chiudono da quelli che si arenano. La regola operativa è netta: il RAG serve per la conoscenza che cambia, il fine-tuning per il comportamento che non deve cambiare. Il framework di Winder.ai lo mette in una frase difficile da fraintendere: «il fine-tuning cuoce i dati nei pesi e diventa obsoleto nel momento esatto in cui i dati si aggiornano». Listini, policy, specifiche di prodotto, ticket: tutta roba da recupero documentale, non da addestramento. Se non hai presente come funziona il recupero, parti dalla nostra guida su cos’è il RAG e perché è fondamentale.

C’è un secondo criterio, spesso decisivo in Europa: la tracciabilità. Un modello fine-tuned non può indicare il documento che giustifica una risposta, mentre un sistema con recupero sì. Se devi superare un audit o citare la fonte, la scelta è già fatta.

I tre terreni dove il fine-tuning vince sul RAG

Il fine-tuning vince invece su tre terreni: formato rigido e output strutturati, coerenza di tono e terminologia, e distillazione, addestrare un modello piccolo sugli output di uno grande per ottenere qualità quasi equivalente su un compito stretto a circa un decimo del costo di inferenza. Databricks aggiunge il criterio economico: il fine-tuning ha costo di setup alto e costo per query basso, quindi si ripaga solo su volumi elevati. Su volumi bassi è overkill. Il consiglio pratico è sempre lo stesso: si parte dal RAG, si misura dove fallisce, e solo dopo si addestra. È la stessa logica che raccontiamo quando spieghiamo perché l’AI generativa non genera ROI quando si sceglie la tecnologia prima del problema.

Cosa serve davvero per addestrare Claude sui dati della tua azienda

I numeri pubblicati da AWS danno la misura del salto possibile: su un compito di question answering finanziario, Claude 3 Haiku fine-tuned è passato da un F1 del 73,2% al 91,2%, superando anche Claude 3.5 Sonnet base (83,0%), con il 35% di token in output in meno. Quel risultato è stato ottenuto con un dataset di addestramento di 10.000 esempi, misurato poi su 3.572 esempi di test: è il dato che dice quanto lavoro c’è dietro il miglioramento. In un caso diverso, la moderazione dei commenti, Anthropic riporta un passaggio dell’accuratezza dall’81,5% al 99,6%. Sono risultati reali, e nessuno di questi arriva senza dati preparati bene.

Ed è lì che sta il costo vero. Non nelle GPU: nei dati. Produrre un training set pulito, etichettato e deduplicato di anche solo mille esempi «richiede spesso a un ingegnere senior una o due settimane», nota Winder.ai. AWS è ancora più diretto: «dataset di alta qualità, anche se più piccoli, danno risultati migliori di uno più grande ma meno raffinato». La qualità batte la quantità, e la qualità la producono le persone che conoscono il mestiere, esattamente il ruolo che SKT ha giocato con i suoi esperti.

Il terzo ingrediente è l’integrazione. Un modello che risponde bene in un notebook non è un servizio: deve stare dentro il CRM, il ticketing, il gestionale, con valutazione continua e un set di test tenuto da parte. Chi vuole capire quanto lavoro c’è fra il modello e il processo può leggere il nostro pezzo sugli agenti AI e cosa sanno fare davvero, o la guida completa a Claude AI in azienda.

Perché una PMI italiana da sola non chiude il ciclo (e cosa può fare un partner)

Rimettiamo insieme i pezzi. Per personalizzare davvero un modello servono tre cose contemporaneamente: dati puliti in quantità sufficiente, expertise di dominio che sappia dire cosa è una risposta giusta, e integrazione tecnica nei sistemi che l’azienda usa ogni giorno. SK Telecom aveva la seconda in abbondanza e ha comprato la prima e la terza con cento milioni di dollari e una partnership diretta con chi il modello lo costruisce. Una PMI italiana ha quasi sempre solo l’expertise di dominio: sa benissimo come si risponde a un cliente, non ha nessuno che trasformi quella conoscenza in un dataset valutabile.

Il partner che rende sostenibile il fine-tuning per una PMI

Il partner sta esattamente lì in mezzo, ed è anche il motivo per cui la risposta corretta, nella maggior parte dei casi, non è il fine-tuning. È un sistema di recupero ben costruito sui documenti aziendali, misurato, e solo dopo, se i volumi lo giustificano e se il problema è di comportamento e non di conoscenza, un modello addestrato su misura. Abbiamo raccontato questa soglia in dettaglio parlando di quando a una PMI serve davvero un partner sul Claude Agent SDK. Vale la pena aggiungere che accordi come quello con PwC confermano la direzione: le grandi organizzazioni non comprano modelli, comprano percorsi di adozione.

È il motivo per cui MIMIR non si limita a fornire un agente AI, ma accompagna l’onboarding: capire quale processo vale la pena automatizzare, preparare i dati, collegare i sistemi e misurare il risultato prima di spendere in addestramento. Se hai un’esigenza aziendale su AI e agenti e non sai se il tuo caso richieda recupero documentale o personalizzazione del modello, quella conversazione si può fare prima di scrivere una riga di codice.

Fonti:

• Anthropic — annuncio della partnership con SK Telecom
• SK Telecom — comunicato stampa ufficiale
• Claude.com — fine-tuning di Claude 3 Haiku e risultati SKT
• Anthropic Support — cosa include il piano Enterprise
• Winder.ai — framework decisionale RAG vs fine-tuning
• Databricks — confronto economico fra RAG e fine-tuning
• AWS — best practice per il fine-tuning di Claude 3 Haiku su Bedrock