Che cos’è un large language model (LLM)?
Un large language model (LLM) è un modello di IA addestrato su una quantità enorme di testo per prevedere e scrivere linguaggio, ed è la parte di un assistente di IA che scrive la risposta. ChatGPT, Claude, Gemini e il modello dietro le risposte di Perplexity si basano tutti su large language model. Il modello scrive la risposta; la ricerca, se il motore ne fa una, decide solo cosa il modello legge per primo.
Come funziona un large language model?
Un large language model funziona prevedendo il frammento di testo successivo, un token alla volta, in base a schemi appresi durante l’addestramento su un’enorme quantità di testo. I modelli attuali derivano dall’architettura transformer descritta nel 2017 da Vaswani e colleghi in Attention Is All You Need.
Ciò che ha imparato resta fermo a una data limite di conoscenza: il modello conosce il web com’era quando sono stati raccolti i dati di addestramento, e nulla dopo. Qualsiasi cosa più recente arriva nella risposta solo se l’assistente cerca sul web e passa i risultati al modello mentre scrive.
Cosa sa un LLM del tuo brand?
Ciò che dicevano di te i dati di addestramento, mescolato e compresso: la tua categoria, le tue affermazioni più note e quanto spesso altre pagine ti menzionavano. Non sa cosa è cambiato dopo la sua data limite e non può dirti da quale pagina ha imparato un fatto.
Per questo un brand può essere descritto con sicurezza e in modo sbagliato, e per questo conta l’ordine del lavoro: correggi le pagine che i motori possono consultare adesso, perché ciò che il modello ricorda cambia solo quando esce un modello più recente (l’articolo).
Come si presenta in un esempio reale?
Nell’esempio pubblico Tesla (4 ott. 2026), Claude ha risposto a "What is Tesla?" e "Is Tesla legit?" con ciò che il modello sapeva già, senza citare fonti. Un brand famoso è ben coperto nei dati di addestramento, quindi una risposta a memoria può essere buona.
Sulle domande d’acquisto lo stesso motore ha cercato: su 25 domande d’acquisto Claude ha dato 351 citazioni, solo una a tesla.com, e ha menzionato Tesla in 11 risposte. Il modello e le pagine che ha letto hanno lavorato insieme, e le pagine hanno deciso buona parte della rosa ristretta.
Perché lo stesso LLM dà risposte diverse?
Perché la generazione comporta un campionamento, e l’erogazione del servizio aggiunge la sua variabilità. OpenAI afferma che le Chat Completions non sono deterministiche per impostazione predefinita, quindi gli output possono cambiare da una richiesta all’altra (documentazione dell’API di OpenAI, consultata il 15 ott 2026).
Per un brand significa che una risposta è un’estrazione. Una lettura corretta di come un modello ti tratta richiede domande ripetute e un intervallo su ogni dato; vedi campionamento delle risposte dell’IA.
Quali LLM monitora Proofsource?
Proofsource interroga i motori consumer che usano gli acquirenti, ciascuno basato sui modelli del suo fornitore, e registra quale versione del modello ha risposto, dove il motore lo indica. Vedi motori e modelli e come ogni motore sceglie i brand.
Domande frequenti su Large language model (LLM)
ChatGPT è un LLM?
ChatGPT è un assistente basato sui large language model di OpenAI, con strumenti come la ricerca web intorno. L’LLM scrive il testo; l’assistente decide se cercare prima.
Posso aggiornare ciò che un LLM sa della mia azienda?
Non direttamente. Ciò che un modello ricorda cambia quando viene addestrato un modello più recente. Ciò che puoi cambiare adesso sono le pagine che i motori consultano quando cercano, che arrivano nella risposta molto prima.
Che cos’è la data limite di conoscenza?
La data dopo la quale un modello non ha dati di addestramento. I fornitori la pubblicano nelle pagine dei loro modelli, e spesso è di mesi precedente al rilascio del modello.
Gli LLM copiano il testo dal mio sito?
Scrivono testo nuovo. Quando un motore cerca, la risposta può seguire da vicino una pagina recuperata e citarla; quando risponde a memoria, attinge a schemi appresi nell’addestramento più che a una pagina specifica.
Termini correlati
- Dati di addestramento e ricerca in tempo reale
I dati di addestramento sono ciò che un modello ha imparato prima della sua data limite di conoscenza; la ricerca in tempo reale è ciò che cerca sul web mentre risponde, e una risposta dell’IA può attingere all’una, all’altra o a entrambe.
- Retrieval-augmented generation (RAG)
La retrieval-augmented generation (RAG) è un metodo in cui un modello linguistico prima recupera i documenti pertinenti e poi scrive la risposta tenendoli presenti.
- Allucinazione dell’IA
Un’allucinazione è un’affermazione sicura in una risposta dell’IA che è falsa o priva di fondamento, come un prezzo sbagliato, una funzionalità che non esiste o una fonte mai scritta.
- Answer engine
Un answer engine è uno strumento di ricerca che risponde a una domanda con un’unica risposta scritta, di solito con le fonti, invece che con un elenco ordinato di link.
Esempio svolto: Tesla, risposte pubbliche dell’IA, 4 ott 2026: la prima scansione di Tesla fatta da Proofsource, con 25 domande d’acquisto e 5 domande sul brand, una risposta per domanda su ciascuno di quattro motori. Un piccolo campione di un solo brand, mostrato come esempio, non come benchmark.
Scopri dove l’IA ti lascia fuori, e cosa correggere.
Scopri quali domande d’acquisto menzionano il tuo brand, chi viene menzionato al posto tuo e cosa correggere. 200 risposte. 25 Prompts/domanda. I migliori motori di IA. 2 giorni. Gratis. Senza carta.
Google AI OverviewsGoogle AI Mode
