Lezioni di Intelligenza Artificiale: i Large Language Model

I Large Language Model — ChatGPT, Claude, Gemini, Copilot — sono entrati nella vita quotidiana di milioni di persone, eppure il loro funzionamento reale è avvolto in equivoci tenaci. Il più diffuso: che questi sistemi “imparino” dalle domande che gli poniamo, migliorando o modificando il proprio comportamento in tempo reale. È una credenza comprensibile, ma tecnicamente errata — con implicazioni concrete sul piano della privacy e della gestione dei dati personali.

Questo articolo spiega, in linguaggio accessibile, come vengono realmente addestrati i Large Language Model, perché le conversazioni degli utenti non modificano il modello, cosa significa invece la memoria dell’account, come funziona lo strato invisibile dell’interfaccia e perché usare Claude su claude.ai è una cosa diversa dall’usarlo tramite Perplexity.

🔑 Punti Chiave

Q: Un LLM impara dalle mie domande durante la conversazione?
A: No. I Large Language Model hanno parametri fissi al momento del rilascio. Le conversazioni non modificano il modello in tempo reale: al massimo possono essere usate in un ciclo di training futuro, separato e periodico.

Q: Cos’è il “training” di un LLM?
A: È la fase — svolta in laboratorio su cluster di calcolo enormi — in cui il modello elabora miliardi di testi e impara a prevedere sequenze linguistiche. Avviene prima del rilascio, non durante l’uso quotidiano.

Q: Cosa significa che la memoria del mio account “istruisce” il modello?
A: Non istruisce il modello: aggiunge contesto. La piattaforma salva preferenze e informazioni dell’utente in un archivio separato, che viene inserito automaticamente all’inizio di ogni nuova conversazione.

Q: I miei dati vengono usati per addestrare modelli futuri?
A: Dipende dalla piattaforma e dalle impostazioni. Anthropic, OpenAI e Google hanno politiche diverse. Su tutti e tre è disponibile un’opzione di opt-out — da cercare nelle impostazioni privacy dell’account.

Q: Cos’è l’interfaccia che si frappone tra LLM e utente?
A: È lo strato software — app, sito, servizio di terze parti — che comunica con il modello. Imposta istruzioni invisibili, gestisce la memoria, filtra i contenuti, aggiunge strumenti come la ricerca web e applica la propria politica privacy.

Q: Che differenza c’è tra usare Claude direttamente e usarlo tramite Perplexity?
A: Su claude.ai tutte le regole sono di Anthropic. Perplexity è un’azienda indipendente che usa Claude via API, applicando le proprie politiche su conservazione dei dati, memoria e addestramento dei propri sistemi.

Q: Posso controllare come vengono usati i miei dati?
A: Sì. Le principali piattaforme consentono di visualizzare e cancellare la memoria, attivare conversazioni temporanee non salvate ed escludersi dall’uso dei dati per il training — tutto dalle impostazioni dell’account.

Come si addestra un Large Language Model

Il pre-training: imparare da miliardi di testi

Un Large Language Model non nasce sapendo rispondere alle domande. Viene addestrato su un corpus sterminato di testo — libri, articoli, pagine web, codice informatico, documentazione scientifica — raccolto prima dell’inizio del processo. Questo corpus può comprendere centinaia di miliardi di parole.

Durante l’addestramento, il modello non “legge” i testi come farebbe un essere umano. Impara a prevedere quale parola (o frammento di parola) verrà dopo un’altra, correggendo progressivamente i propri errori attraverso un meccanismo matematico chiamato backpropagation. Il risultato è un sistema di miliardi di parametri numerici — i pesi del modello — che codificano, in forma distribuita e non umana, la conoscenza estratta dai testi.

Questo processo richiede mesi, infrastrutture di calcolo da centinaia di milioni di euro e squadre di ingegneri specializzati. È fisicamente impossibile che avvenga in tempo reale durante una conversazione.

Il fine-tuning e l’allineamento

Dopo il pre-training, il modello grezzo viene raffinato. La tecnica più comune si chiama Reinforcement Learning from Human Feedback (RLHF): valutatori umani confrontano diverse risposte del modello e indicano quale è migliore. Il modello impara così a essere utile, onesto e sicuro — non solo linguisticamente coerente.

Anche questa fase avviene in laboratorio, non durante l’uso ordinario. Il risultato finale — il modello che risponde quando si apre ChatGPT o Claude — ha pesi fissi, stabiliti dall’ultimo ciclo di addestramento.

Il knowledge cutoff: la fotografia del sapere

Ogni modello ha una data limite — il knowledge cutoff — oltre la quale non ha informazioni dirette, perché i dati di training si fermano a quel punto. Claude Sonnet 4.6 ha conoscenza affidabile fino all’agosto 2025. Per eventi successivi, il modello può appoggiarsi solo a informazioni aggiunte dall’interfaccia (come risultati di ricerca web in tempo reale) oppure dichiarare esplicitamente la propria ignoranza. Questo dettaglio — spesso ignorato — è un indicatore chiaro che il modello non si aggiorna in continuazione.

Il falso mito: l’IA impara dalle mie domande

Perché l’equivoco è così diffuso

Quando si conversa con un LLM, il sistema sembra adattarsi: ricorda quanto detto pochi messaggi prima, affina il proprio stile in risposta alle correzioni, migliora la risposta se l’utente dice “non è quello che intendevo”. Questo comportamento reattivo viene percepito come apprendimento — ma è qualcosa di completamente diverso.

All’interno di una singola conversazione, il modello legge l’intera cronologia del dialogo ogni volta che deve rispondere. È come avere a disposizione gli appunti di tutto ciò che è stato detto nell’ultima ora: il modello usa quei testi come contesto, non come nuova conoscenza permanente. Questo meccanismo si chiama context window — la finestra di testo che il modello “vede” in ogni momento. Quando la conversazione si chiude, quella finestra si azzera.

Cosa accade realmente ai dati delle conversazioni

Le conversazioni vengono trasmesse ai server della piattaforma e, nella maggior parte dei casi, registrate. Ma affinché questi dati modifichino il modello, è necessario un processo di training separato — periodico, controllato, condotto su dati selezionati e validati. Non è automatico, non è immediato e non riguarda la versione del modello attualmente in uso.

La memoria dell’account: cosa cambia davvero

Un sistema separato dal modello

Alcune piattaforme — tra cui Claude di Anthropic e ChatGPT di OpenAI — offrono una funzione chiamata memoria. Si tratta di un archivio di informazioni sull’utente completamente separato dal modello, che la piattaforma inserisce automaticamente come contesto all’inizio di ogni nuova conversazione.

In pratica: se si dice a Claude che si è notai, che si abita a Domodossola, che si preferiscono risposte sintetiche, queste informazioni possono essere salvate. La prossima volta che si apre una conversazione, il sistema le inserisce nel messaggio iniziale — invisibile all’utente — che precede la prima domanda. Il modello non ha “imparato” nulla: riceve semplicemente più contesto di partenza.

Come si forma la memoria

• ✅ Salvataggio esplicito: l’utente chiede direttamente di memorizzare un’informazione («ricorda che lavoro in ambito notarile»)
• ✅ Estrazione automatica: la piattaforma analizza le conversazioni e salva autonomamente informazioni rilevanti (professione, preferenze, interessi ricorrenti)
• ⚠️ La memoria non è il modello: se il modello viene aggiornato, la memoria rimane intatta. Se si cambia piattaforma, la memoria non si trasferisce. Se si usa un account diverso, la memoria non è disponibile.

Implicazioni per la privacy

La memoria dell’account contiene informazioni personali strutturate — potenzialmente sensibili — elaborate da sistemi automatizzati. Si applicano i principi del GDPR: diritto di accesso (art. 15 Reg. UE 2016/679), rettifica (art. 16), cancellazione (art. 17) e limitazione del trattamento (art. 18). Le principali piattaforme consentono di visualizzare, modificare ed eliminare la memoria dalle impostazioni dell’account.

Come i singoli LLM decidono di usare i dati degli utenti

Tre grandi attori, tre politiche distinte

Non esiste una regola uniforme. Ogni azienda adotta politiche proprie sulla raccolta e sull’uso dei dati.

OpenAI (ChatGPT) — Per default, le conversazioni degli account consumer vengono usate per migliorare i modelli, salvo opt-out esplicito nelle impostazioni. Gli utenti dei piani a pagamento (Plus, Team, Enterprise) hanno controlli più granulari. I dati transitano verso server statunitensi, regolati — per gli utenti europei — dal Data Privacy Framework UE-USA.

Anthropic (Claude) — Anthropic dichiara di non usare le conversazioni degli utenti consumer per il training senza consenso esplicito. L’opt-out è disponibile nelle impostazioni privacy. Le conversazioni elaborate via API da sviluppatori terzi non vengono usate per il training per default, ma le politiche dell’interfaccia di terze parti si sovrappongono a questo impegno.

Google (Gemini) — L’ecosistema Google integra Gemini in Gmail, Drive, Docs e altri servizi. Le politiche variano sensibilmente tra account consumer (gratuiti) e account Workspace enterprise: questi ultimi garantiscono maggiore isolamento e controllo dei dati.

Account gratuito vs account a pagamento

Come regola pratica: gli account gratuiti offrono generalmente meno garanzie sulla privacy rispetto a quelli a pagamento. I piani enterprise o business includono contratti specifici — i Data Processing Agreement (DPA) — che escludono l’uso dei dati per il training e garantiscono residenza dei dati in aree geografiche definite. Per uso professionale con dati sensibili, questa distinzione ha rilievo concreto.

L’interfaccia: il mediatore invisibile tra LLM e utente

Cosa fa l’interfaccia

Il Large Language Model è un insieme di parametri matematici che elabora testo su server remoti. L’utente non interagisce mai direttamente con esso: si frappone sempre uno strato software — l’interfaccia o applicazione — che svolge funzioni critiche e spesso invisibili.

• 📋 System prompt: prima che l’utente scriva qualsiasi cosa, l’interfaccia invia al modello un messaggio di sistema invisibile che imposta il contesto, il ruolo del modello, le regole di comportamento e gli eventuali limiti tematici.
• 📋 Gestione della memoria: l’interfaccia decide quali informazioni dell’account inserire come contesto iniziale.
• 📋 Filtri e moderazione: l’interfaccia può bloccare certi tipi di contenuto prima che arrivino all’utente — o prima che raggiungano il modello.
• 📋 Strumenti aggiuntivi: l’interfaccia può fornire al modello accesso a strumenti esterni — ricerca web in tempo reale, esecuzione di codice, calendari, email — che il modello grezzo non possiede.
• 📋 Raccolta dati: l’interfaccia registra le conversazioni, gestisce l’autenticazione e applica la propria politica privacy — che può differire significativamente da quella del modello sottostante.

Un modello, infinite interfacce

Lo stesso modello — Claude Sonnet, ad esempio — può essere usato attraverso interfacce radicalmente diverse. Questo è possibile perché Anthropic (come OpenAI e Google) espone il proprio modello tramite un’API: chiunque può costruire un’applicazione che usa Claude come motore, pagando per ogni messaggio elaborato, e aggiungendo funzioni, regole e politiche proprie.

Claude su claude.ai vs Claude tramite Perplexity

Usare Claude sull’app ufficiale

Quando si usa Claude su claude.ai — l’app o il sito ufficiale di Anthropic — l’intera catena è sotto la responsabilità di Anthropic:

• ✅ Le politiche privacy applicate sono quelle di Anthropic
• ✅ La memoria dell’account (se attivata) è gestita da Anthropic
• ✅ Il system prompt di default è definito da Anthropic
• ✅ Le funzioni aggiuntive (ricerca web, analisi documenti, esecuzione codice) sono sviluppate da Anthropic
• ✅ L’utente sa esattamente con quale entità giuridica sta interagendo

Cos’è Perplexity

Perplexity è un servizio di risposta alle domande fondato nel 2022, con sede a San Francisco. La sua caratteristica distintiva è la combinazione di ricerca web in tempo reale con la capacità di sintesi dei Large Language Model: invece di restituire una lista di link come un motore di ricerca tradizionale, Perplexity risponde direttamente alle domande citando le fonti da cui ha estratto le informazioni.

Come funziona tecnicamente: Perplexity non ha un proprio modello linguistico primario. Utilizza modelli di terze parti — Claude di Anthropic, i modelli GPT di OpenAI, modelli open-source — attraverso le rispettive API. Aggiunge poi il proprio sistema di ricerca web, il proprio system prompt, la propria interfaccia e le proprie politiche di abbonamento e trattamento dati.

La differenza pratica

Quando si usa Claude tramite Perplexity si stabiliscono due rapporti distinti: uno con Perplexity (che vede e registra tutte le conversazioni secondo le proprie regole) e uno indiretto con Anthropic (che elabora i messaggi via API). Leggere la politica privacy dell’interfaccia è altrettanto importante — se non più importante — che conoscere le garanzie del modello sottostante.

Guida Pratica: Come Gestire la Propria Privacy con gli LLM

Passo 1 — Verifica la memoria del tuo account
Su Claude: Impostazioni → Memoria. Su ChatGPT: Impostazioni → Personalizzazione → Memoria. In entrambi i casi è possibile vedere cosa è salvato, modificarlo o cancellarlo interamente.

Passo 2 — Controlla l’uso dei dati per il training
Su Claude: Impostazioni → Privacy. Su ChatGPT: Impostazioni → Controlli dati → Migliora il modello per tutti. Disattivare se si desidera escludersi.

Passo 3 — Usa la modalità temporanea per domande sensibili
Sia Claude che ChatGPT offrono conversazioni temporanee non salvate. Utile ogni volta che si trattano informazioni riservate o si vuole che la sessione non lasci tracce nell’account.

Passo 4 — Valuta il piano commerciale adeguato
Per uso professionale con dati sensibili, i piani Team o Enterprise offrono garanzie contrattuali — inclusi i DPA — significativamente più robuste rispetto agli account gratuiti.

Passo 5 — Identifica sempre chi gestisce l’interfaccia
Prima di condividere informazioni riservate con qualsiasi servizio AI, verificare chi è il gestore dell’interfaccia — non solo quale modello ci sta sotto — e leggere la sua politica privacy separata.

Caso Pratico: Il Professionista e la Riservatezza

Un commercialista usa abitualmente un’app AI per aiutarsi nella redazione di documenti fiscali. Non sa che l’app è sviluppata da una startup americana che usa Claude via API ma applica le proprie politiche: conservazione dei dati per 24 mesi, possibilità di uso per l’addestramento dei propri sistemi proprietari, server ubicati fuori dall’Unione Europea.

Cosa avrebbe dovuto verificare prima di usare il servizio:

• ✅ Chi è il gestore dell’interfaccia (non il modello, l’app)
• ✅ Quali dati vengono conservati e per quanto tempo
• ✅ Se esiste un Data Processing Agreement conforme al GDPR
• ✅ Se le conversazioni sono escluse dal training per default o solo su richiesta
• ✅ Dove risiedono fisicamente i server (UE o extra-UE)
• ✅ Se la politica privacy distingue tra account gratuito e piano a pagamento

Questo caso mostra come la distinzione tra modello e interfaccia non sia solo tecnica, ma abbia dirette implicazioni pratiche e legali per chiunque usi sistemi AI in ambito professionale.

Novità Legislative 2025–2026

L’Unione Europea ha adottato il Regolamento (UE) 2024/1689 — l’AI Act — che classifica i sistemi di intelligenza artificiale per livello di rischio e impone obblighi di trasparenza ai fornitori di modelli di uso generale (General Purpose AI models, GPAI), categoria che include i principali LLM.

• ⚠️ I fornitori di GPAI models devono pubblicare informazioni sui dati usati per il training (art. 53 AI Act)
• ⚠️ I sistemi AI ad alto rischio richiedono valutazioni d’impatto e supervisione umana obbligatoria
• ⚠️ Dal 2025 sono entrati in vigore i divieti sulle pratiche AI inaccettabili: manipolazione comportamentale, social scoring, sorveglianza biometrica di massa
• ⚠️ I professionisti che usano sistemi AI in processi decisionali che incidono su terzi devono verificare la conformità alla normativa applicabile

Il GDPR rimane pienamente applicabile al trattamento dei dati personali nei sistemi AI, con particolare attenzione alle decisioni automatizzate o semi-automatizzate che producono effetti giuridici significativi sulle persone fisiche (art. 22 Reg. UE 2016/679).

In Sintesi

I Large Language Model sono sistemi con parametri fissi, addestrati su dataset predefiniti prima del rilascio. Le conversazioni ordinarie degli utenti non modificano il modello.

• ✅ Il training avviene in laboratorio, su dataset selezionati, in cicli periodici — non in tempo reale
• ✅ La “memoria” dell’account è un archivio separato che aggiunge contesto ma non altera il modello
• ✅ L’interfaccia — app, sito, servizio di terze parti — è un mediatore con proprie regole e politiche privacy
• ✅ Usare Claude su claude.ai è diverso da usarlo tramite Perplexity: sono soggetti giuridici distinti
• ✅ Le opzioni di controllo sulla privacy (memoria, opt-out dal training) si trovano nelle impostazioni di ogni piattaforma
• ✅ Per uso professionale con dati sensibili, i piani commerciali con DPA offrono garanzie significativamente superiori agli account gratuiti

Consulenza specializzata

Studio Notarile Soldani
Via Camillo Prampolini 14 — Domodossola (VB)
domodossola@notaiosoldani.it · 0324 066077

Fonti e Approfondimenti

• Regolamento (UE) 2024/1689 — AI Act (GUUE serie L, agosto 2024)
• Regolamento (UE) 2016/679 — GDPR, artt. 15–18, 22
• Anthropic — Privacy Policy e Usage Policy
• OpenAI — Privacy Policy e Data Controls
• Perplexity AI — Privacy Policy
• Garante per la protezione dei dati personali — Provvedimento su ChatGPT, marzo 2023
• European Data Protection Board — Guidelines 1/2023 on Article 22 GDPR

 

---

Il presente articolo ha carattere generale e informativo, non costituisce parere legale personalizzato e non sostituisce la consulenza diretta con un notaio. Per assistenza specifica relativa alla vostra situazione, vi invitiamo a contattare il nostro Studio per fissare un appuntamento.  Contenuto generato con sistemi di Intelligenza Artificiale e supervisionato da professionisti dello Studio Notarile, in conformità ai requisiti di trasparenza del Regolamento UE 2024/1689 (AI Act).