Scrivi al servizio clienti: «Il prodotto non è affatto male, la consegna è stata un disastro». Il giorno dopo, nella dashboard, la tua mail risulta neutra. Non arrabbiata, non contenta: neutra. Oppure detti all’assistente vocale «non mandare il promemoria a Marta», e il promemoria a Marta parte lo stesso. In tutti e due i casi la macchina ha letto le tue parole, ha fatto un conto, e il conto ha prodotto un risultato che a te sembra il contrario di quello che avevi detto. Non è un bug e non è distrazione: è esattamente quello che quel meccanismo fa quando la frase è fatta in un certo modo. Qui sotto c’è il meccanismo del natural language processing, con i numeri.
In questo articolo scoprirai:
- Che cos'è il modello NLP, detto senza gergo
- Come funziona il natural language processing, dal testo che entra ai numeri che escono
- NLP esempi con il conto: la recensione che risulta neutra e non lo è
- Qual è la differenza tra NLP e LLM, e fra AI, ML e LLM
- NLP esempi al lavoro: dalla medicina ai contratti al customer care
- Quanto costa l'italiano in token, e cos'è davvero un LLM italiano (token fertility e Minerva)
- Quando questa spiegazione non vale: NLP simbolico, errori a monte, comportamenti emergenti
Che cos’è il modello NLP, detto senza gergo
Il natural language processing, NLP, in italiano «elaborazione del linguaggio naturale», non è un singolo programma: è il mestiere di trasformare del testo (o del parlato trascritto) in numeri su cui una macchina possa fare statistica, e poi rifare il percorso all’incontrario per produrre un’etichetta, una risposta o una traduzione. IBM lo definisce così: «Il natural language processing (NLP) è un sottocampo dell’informatica e dell’intelligenza artificiale che usa il machine learning per permettere ai computer di comprendere il linguaggio umano e comunicare con esso» (IBM, 11 agosto 2024).
Quando si parla di «modello NLP» si intende una cosa più stretta: il pezzo addestrato che, dentro quel percorso, fa la previsione. Un classificatore di spam è un modello NLP. Un riconoscitore di nomi propri dentro un referto medico è un modello NLP. Anche GPT-5 o Gemini sono modelli NLP, solo enormemente più grandi e generalisti. La differenza fra i tre non è di natura, è di taglia e di compito: tutti prendono in ingresso testo spezzettato in unità, tutti producono in uscita una distribuzione di probabilità su qualcosa.
Il punto che fa saltare il lettore alla prima lettura è questo: nessuno di questi sistemi «capisce» la frase nel senso in cui la capisci tu. L’idea che una macchina possa capire nasce da un parallelismo vecchio di sessant’anni fra cervello e modelli artificiali, e resta un’analogia, non una descrizione. Il sistema che ti ha marcato «neutro» non ha sbagliato a interpretare il tuo malumore. Ha calcolato due numeri, e il numero che porta la tua rabbia non era quello che la dashboard mostrava.
Come funziona il natural language processing, dal testo che entra ai numeri che escono
Il natural language processing funziona in tre passaggi obbligati: il testo viene spezzato in unità discrete chiamate token (pezzi di parola, non parole), ogni token viene sostituito da un vettore di numeri che ne codifica la posizione rispetto agli altri token della lingua, e un modello statistico legge quella sequenza di vettori per produrre un’uscita, un’etichetta, un punteggio, o il token successivo. Nessuno dei tre passaggi lavora su significati: lavorano tutti su posizioni in uno spazio numerico, e la «comprensione» che vedi è il risultato di quelle posizioni messe in relazione.
Perché la tokenizzazione decide già mezza partita
Il primo passaggio è quello che i profani saltano, ed è quello che spiega metà degli errori. Il testo non viene spezzato in parole: viene spezzato in pezzi ricorrenti imparati dai dati. «Consegna» può diventare due token, «affatto» può diventare tre, e la negazione «non» diventa un token minuscolo che deve farsi valere contro tutti gli altri. È qui che nasce il problema della frase negata: il «non» non cancella nulla, deve solo pesare abbastanza nel calcolo che segue.
Il terzo passaggio, nei sistemi moderni, è quasi sempre un Transformer: l’architettura presentata nel 2017 in Attention Is All You Need, dove ogni token viene confrontato con tutti gli altri della sequenza. Il paper riporta 28,4 BLEU sulla traduzione inglese-tedesco e 41,8 sull’inglese-francese di WMT 2014, ottenuti «dopo un addestramento di tre giorni e mezzo su otto GPU» (Vaswani et al., arXiv:1706.03762). Se vuoi vedere quel pezzo da vicino, l’abbiamo smontato in Transformer rispetto a RNN e LSTM, e il percorso completo dal testo alla risposta sta in come funziona un modello di AI.
NLP esempi con il conto: la recensione che risulta neutra e non lo è
Torniamo alla mail. Prendi la documentazione di Google Cloud Natural Language, che è pubblica e verificabile: l’analisi del sentiment non restituisce un numero, ne restituisce due. Lo score va da −1,0 a +1,0 e dice da che parte pende il testo. La magnitude parte da 0,0 e non ha tetto per un documento (per la singola frase sta fra 0,0 e 1,0), e dice quanta carica emotiva c’è dentro, indipendentemente dal segno.
I quattro casi tipici del sentiment NLP
La stessa documentazione mette in tabella quattro casi con i valori tipici (Google Cloud, Natural Language API Basics):
- chiaramente positivo: score 0,8, magnitude 3,0
- chiaramente negativo: score −0,6, magnitude 4,0
- neutro: score 0,1, magnitude 0,0
- emozioni miste: score 0,0, magnitude 4,0
Il conto NLP: 5% di score contro 100% di magnitude
Ora il conto. Fra il caso «neutro» e il caso «emozioni miste» la distanza sullo score è di 0,1 punti su una scala che va da −1,0 a +1,0, cioè 0,1 su 2,0: il 5% dell’escursione possibile. Sulla magnitude, invece, la distanza è di 4,0 su 4,0: il 100%. Tutta l’informazione che distingue «non ho niente da dire» da «sono furioso e contento nello stesso momento» sta nel secondo numero. E il secondo numero è quello che quasi nessuna dashboard mostra, perché lo score sta comodo in una faccina verde/gialla/rossa e la magnitude no.
Il tuo «non è affatto male, la consegna è stata un disastro» è il quarto caso: due cariche opposte nella stessa mail. Lo score le somma e le annulla. Il sistema non ha frainteso: ha fatto esattamente la media che gli è stata chiesta di fare, e chi ha costruito il cruscotto ha buttato via l’altro numero.
Qual è la differenza tra NLP e LLM, e fra AI, ML e LLM
Sono quattro parole che stanno una dentro l’altra, e l’ordine conta. L’intelligenza artificiale (AI) è l’insieme più largo: qualunque sistema che svolga compiti che chiameremmo intelligenti, comprese le vecchie macchine a regole senza una riga di statistica. Il machine learning (ML) è il sottoinsieme in cui il comportamento non è scritto a mano ma ricavato dai dati. Il natural language processing è il ritaglio di questo insieme che lavora sul linguaggio, e può essere fatto con il machine learning, ma anche con regole scritte a mano: una espressione regolare che estrae i codici fiscali da un contratto è NLP a tutti gli effetti. Per la mappa completa dei sistemi che generano testo e immagini, c’è l’AI generativa spiegata.
Il large language model (LLM) è l’ultimo cerchio, il più stretto: un modello di NLP addestrato con il deep learning su quantità enormi di testo per predire il token successivo. Quindi: ogni LLM è NLP, non ogni NLP è un LLM. La differenza fra ML e LLM è la stessa in versione più larga: l’LLM è una specie particolare di modello di machine learning, con un compito di addestramento preciso. IBM lo mette in fila così: «La ricerca in NLP ha contribuito a rendere possibile l’era dell’AI generativa, dalle capacità comunicative dei large language model alla capacità dei modelli di generazione di immagini di capire le richieste» (IBM, What is natural language processing). Se vuoi il dettaglio dell’ultimo cerchio, sta tutto in LLM: cosa sono e come funzionano.
ChatGPT è un LLM o è NLP
Tutte e due, e non è un gioco di parole. ChatGPT è un prodotto costruito attorno a un LLM (la famiglia GPT), e un LLM è un sistema di natural language processing. Chiamarlo «un NLP» è impreciso come chiamare un’auto «un motore»: l’NLP è la disciplina, l’LLM è il tipo di modello, ChatGPT è il prodotto. La distinzione serve quando devi comprare qualcosa: per estrarre 12 campi da 40.000 fatture non ti serve un LLM generalista, ti serve un modello di estrazione, che costa e sbaglia in modo diverso.
Cos’è un foundation model, e perché il nome è cambiato
Un foundation model è un modello addestrato una volta su dati generalissimi e poi riadattato a molti compiti diversi, invece di essere addestrato da zero per ognuno. Tutti gli LLM sono foundation model; non tutti i foundation model sono testuali (esistono quelli per immagini, audio, codice). Il termine è nato per dire una cosa precisa: il valore sta nel riuso, non nel singolo compito.
NLP esempi al lavoro: dalla medicina ai contratti al customer care
Dove lo vedi succedere, oggi, senza andare a cercarlo. Nel customer care: la classificazione automatica dei ticket in entrata è il caso della mail neutra, moltiplicato per qualche migliaio al mese. Nella ricerca interna: quando cerchi «ferie non godute» nell’intranet e ti esce la circolare sui permessi, stai vedendo un sistema che confronta vettori invece di parole, il meccanismo è quello raccontato in similarità coseno: la ricerca trova la pagina vicina invece di quella giusta.
NLP in medicina: estrarre dati da testo scritto per gli umani
In ambito clinico il natural language processing fa un lavoro molto poco spettacolare e molto utile: prende referti, lettere di dimissione e note infermieristiche, testo scritto da persone per persone, e ne ricava campi strutturati (farmaco, dosaggio, diagnosi, negazione). La negazione, qui, non è un dettaglio accademico: «non si rileva versamento pleurico» e «si rileva versamento pleurico» differiscono di un token, e un errore su quel token cambia la cartella clinica. È il motivo per cui i sistemi clinici usano moduli dedicati al riconoscimento della negazione invece di affidarsi al punteggio complessivo.
NLP e significato giuridico: cosa cambia sui contratti
«NLP» non è un termine con un significato giuridico proprio: nel linguaggio legale indica semplicemente l’applicazione di questi sistemi a contratti, sentenze e normativa, estrazione di clausole, ricerca di precedenti, confronto di versioni. Quello che cambia davvero sul piano legale non è l’acronimo ma l’uso: un sistema che classifica candidature o valuta l’accesso a un servizio ricade in categorie di rischio regolate, e la stessa tecnologia può essere a basso o ad alto rischio a seconda di dove la punti.
Che cos’è un LLM italiano, e quanto costa l’italiano in token
Qui il conto diventa interessante per chi lavora in Italia. I tokenizzatori dei modelli più diffusi sono stati costruiti su corpora a maggioranza inglese: la stessa frase, tradotta, si spezza in più pezzi in italiano che in inglese. Il fenomeno ha un nome tecnico, token fertility, cioè quanti token servono in media per una parola, e un costo diretto: più token significa più passaggi, più memoria, più latenza, e meno testo dentro la stessa finestra di contesto.
Token fertility: quanto costa l’italiano in un modello NLP
Un gruppo di ricerca italiano (Sapienza, CNR-ILC e ISTI-CNR) lo ha misurato e corretto: nel lavoro Optimizing LLMs for Italian la sostituzione mirata del vocabolario ottiene una riduzione del 25% della token fertility su Mistral-7B-v0.1, e su Llama-3.1-8B taglia circa un miliardo di parametri dedicati all’embedding del vocabolario (Moroni et al., arXiv:2504.17025, aprile 2025). Rifai il conto in avanti: se lo stesso documento occupa il 25% di token in meno, in una finestra di contesto fissa ci sta 1 ÷ 0,75 = circa il 33% di testo in più. Non è ottimizzazione da laboratorio: è un terzo di documento in più per chiamata.
Minerva, l’LLM italiano addestrato metà in italiano
Un LLM italiano, in senso proprio, è un modello addestrato con l’italiano dentro fin dall’inizio e non aggiunto alla fine. L’esempio verificabile è Minerva, di Sapienza NLP: la scheda della versione 7B istruita dichiara 2.480 miliardi di token di addestramento, di cui 1.140 miliardi in italiano e 1.140 miliardi in inglese, più 200 miliardi di codice, con un vocabolario da 51.200 token e una finestra di contesto da 4.096 (model card su Hugging Face). Metà del bilancio di addestramento speso sulla nostra lingua: è quello che vuol dire «italiano» in una sigla, non l’interfaccia tradotta.
Quando questa spiegazione del natural language processing non vale
La nota che una risposta automatica non ti dà. Tutto quello che hai letto qui descrive l’NLP statistico e neurale: tokenizzare, vettorizzare, prevedere. Non vale per l’NLP simbolico, quello a regole e grammatiche, che non ha vettori, non ha score da −1 a +1, e continua a girare in produzione in parecchi posti, un estrattore a espressioni regolari è più stupido e più affidabile di un modello, quando il formato è fisso. Non vale nemmeno quando l’errore che vedi nasce a monte: se l’assistente vocale ha trascritto «Marta» al posto di «Marco», il problema è nel riconoscimento del parlato, e nessuna taratura del modello linguistico lo sistema. E non vale come spiegazione dei comportamenti emergenti degli LLM più grandi, dove la sequenza tokenizza-vettorizza-prevedi resta vera ma smette di essere sufficiente a prevedere cosa uscirà.
Il pezzo che manca: il natural language processing sui tuoi dati
Il pezzo che manca, per usare davvero questa nozione, è il collegamento con i dati tuoi: un modello di NLP generico non sa nulla dei tuoi contratti, del tuo listino, delle tue procedure. Il modo standard per dargliele senza riaddestrarlo è il recupero dei documenti al momento della domanda, ed è il mattone successivo, sta in RAG: cos’è e come funziona.
Un’ultima cosa onesta, visto che di mestiere costruiamo agenti. La parte difficile di un progetto di NLP in azienda non è quasi mai il modello: è decidere quale dei due numeri guardi, quale soglia usi, cosa fai delle mail che restano ambigue e chi le legge. Per questo con MIMIR non consegniamo soltanto l’agente, ma l’accompagnamento iniziale: la fase di onboarding serve esattamente a tarare quelle soglie sui casi reali dell’azienda, prima che diventino errori in produzione, e il perimetro di cosa sappiamo fare è descritto in agenti AI su misura.
Fonti:
- IBM, What is natural language processing (11 agosto 2024)
- Vaswani et al., Attention Is All You Need, arXiv:1706.03762
- Google Cloud, Natural Language API Basics
- Moroni et al., Optimizing LLMs for Italian, arXiv:2504.17025 (aprile 2025)
- Sapienza NLP, model card Minerva-7B-instruct-v1.0 su Hugging Face
Domande frequenti
NLP è l'acronimo di cosa?
Di Natural Language Processing, in italiano elaborazione del linguaggio naturale. Attenzione all'omonimia: in psicologia NLP sta per Neuro-Linguistic Programming, la programmazione neurolinguistica, che con l'informatica non c'entra nulla.
Il natural language processing è un campo di applicazione dell'intelligenza artificiale?
Sì, ed è uno dei più vecchi: precede il deep learning di decenni. La formulazione precisa è che l'NLP è un sottocampo dell'AI e dell'informatica dedicato al linguaggio. Oggi si fa quasi sempre con il machine learning, ma storicamente si è fatto anche con sistemi a regole e grammatiche.
Quali sono i 4 tipi di AI?
La tassonomia che gira nei manuali divulgativi elenca macchine reattive, memoria limitata, teoria della mente e autocoscienza. Vale la pena sapere che solo le prime due esistono davvero: le altre due sono categorie speculative. Gli LLM stanno nella seconda.
Qual è il migliore LLM al momento?
Non esiste una risposta valida per più di qualche mese, e chi te la dà secca ti sta vendendo qualcosa. La domanda utile è un'altra: migliore su quale compito, con quale lingua, con quale budget di token. Un modello che vince sui benchmark di ragionamento in inglese può avere una token fertility pessima sull'italiano e costarti il 30% in più a parità di documento.
Qual è la differenza tra NLP e LLM?
L'NLP è il campo, l'LLM è uno degli strumenti del campo: il più recente e il più costoso, non sempre quello giusto. Ogni LLM è un sistema di natural language processing, ma non ogni sistema NLP è un LLM: anche una espressione regolare che estrae codici fiscali da un contratto è NLP.
