Questo è un articolo per Commercialisti che vogliono comprendere ciò che accade dietro un modello generativo.

L’AI non “pensa” come una persona e non consulta automaticamente una fonte certa. Trasforma rappresentazioni numeriche attraverso enormi matrici, stima probabilità e costruisce una risposta token dopo token. Comprenderlo significa usarla con maggiore competenza e minore ingenuità.

Quando si parla di Intelligenza Artificiale, il dibattito professionale tende a oscillare tra fascinazione e diffidenza. Da un lato si attribuiscono ai modelli capacità quasi autonome di comprensione; dall’altro li si riduce a semplici archivi statistici. Entrambe le letture sono insufficienti. Un grande modello linguistico è, prima di tutto, una macchina matematica che trasforma numeri mediante matrici apprese durante l’addestramento. La sua efficacia nasce dalla combinazione di tre elementi: dati, algoritmi di ottimizzazione e una capacità di calcolo fuori scala.

Per un Commercialista non è necessario diventare matematico. È però utile comprendere il meccanismo essenziale, perché da esso discendono sia le potenzialità sia i limiti dell’AI applicata all’analisi di bilancio, alla pianificazione finanziaria, al controllo di gestione e alla redazione professionale.

1. Il linguaggio deve diventare numero

Un modello non riceve le parole nel modo in cui le percepisce un essere umano. Il testo viene prima suddiviso in token, cioè unità elementari che possono coincidere con una parola, una parte di parola o un segno di punteggiatura. A ciascun token viene associata una rappresentazione numerica chiamata vettore.

“gatto”  →  [0,8   0,2   0,5]

Esempio puramente semplificato: nei modelli reali il vettore può contenere centinaia o migliaia di valori.

Quei valori non sono etichette leggibili del tipo “animale”, “domestico” o “mammifero”. Il significato non risiede in un singolo numero, ma nella configurazione complessiva del vettore e nella sua posizione rispetto agli altri vettori. Termini impiegati in contesti simili tendono a occupare regioni vicine dello spazio matematico; per questo “gatto” e “cane” risultano più affini di “gatto” e “ammortamento”.

Il passaggio è decisivo: il linguaggio viene tradotto in una forma che un processore può elaborare. Da quel momento, l’intera attività del modello consiste nel trasformare continuamente queste rappresentazioni numeriche.

2. La matrice non archivia: trasforma

Una matrice è una tabella di numeri. In una rete neurale, quei numeri sono pesi: coefficienti che stabiliscono quanto ogni componente dell’informazione in ingresso debba contribuire alle componenti in uscita. La matrice funziona quindi come una regola di trasformazione appresa, non come un deposito di frasi già pronte.

Risultato = [ 2×8 + 1×2 + 0×5 ; 0×8 + 3×2 + 1×5 ; 1×8 + 0×2 + 2×5 ]

Risultato = [ 18 ; 11 ; 18 ]

Ogni riga della matrice combina i valori ricevuti in modo diverso. La prima produce 18, la seconda 11, la terza 18. Il nuovo vettore contiene la stessa informazione di partenza riorganizzata secondo i pesi appresi dalla rete. Alcuni segnali vengono rafforzati, altri attenuati, altri ancora combinati.

È questa trasformazione, ripetuta in molti livelli, a consentire al modello di rappresentare il contesto, le relazioni grammaticali, la vicinanza semantica e la probabilità dei token successivi. Non esiste necessariamente una singola matrice dedicata alla grammatica o alla logica. Le capacità emergono dall’interazione distribuita di moltissimi pesi.

La conoscenza del modello non è conservata in una pagina: è distribuita tra miliardi di coefficienti numerici.

3. Come nascono i pesi: previsione, errore, correzione

All’inizio dell’addestramento, le matrici contengono valori piccoli inizializzati in modo sostanzialmente casuale. Il modello non conosce la lingua e non dispone di regole scritte da un programmatore. Riceve una sequenza, prova a prevedere il token successivo e confronta la propria previsione con il risultato corretto.

“Il gatto beve il …”  →  previsione del token successivo

La distanza tra la previsione e il risultato atteso viene misurata da una funzione di perdita, indicata normalmente con L. Più la previsione assegna probabilità a token sbagliati, maggiore è la perdita. Il sistema deve quindi stabilire in quale direzione modificare ciascun peso per ridurre l’errore al tentativo successivo.

w nuovo = w vecchio − η · ∂L/∂w

In termini professionali, la formula dice una cosa semplice: ogni coefficiente viene modificato nella direzione che riduce l’errore, ma con una correzione controllata. Un valore pari a 0,3400 potrebbe diventare 0,3403. La singola variazione è minima; l’effetto complessivo diventa enorme quando l’operazione viene ripetuta su grandi quantità di dati e su miliardi di parametri.

La retropropagazione dell’errore calcola come la perdita si distribuisce all’indietro nei vari livelli della rete. La discesa del gradiente aggiorna poi i pesi. Questo ciclo viene ripetuto innumerevoli volte: dati, previsione, errore, correzione. È questo processo, non un caricamento manuale di regole, a costruire le matrici che utilizziamo in fase di interrogazione.

4. Addestramento e utilizzo non sono la stessa cosa

Durante l’addestramento il modello modifica i propri pesi. È la fase più costosa: richiede grandi quantità di dati, energia, memoria e capacità di calcolo. Durante l’inferenza, invece, il modello utilizza i pesi già appresi per elaborare la richiesta dell’utente e generare la risposta. In condizioni ordinarie, la singola conversazione non ricostruisce le matrici da zero.

5. Perché servono GPU e processori specializzati

La matematica elementare non è particolarmente complessa: moltiplicazioni, somme, normalizzazioni e calcolo di derivate. La difficoltà sta nella scala. Le matrici possono avere dimensioni enormi e devono essere applicate ripetutamente a molte sequenze di dati.

Le CPU sono molto efficienti nell’eseguire operazioni generiche e sequenziali. Le GPU, nate per elaborare in parallelo milioni di elementi grafici, dispongono invece di moltissime unità capaci di svolgere contemporaneamente calcoli simili. La moltiplicazione matriciale può quindi essere suddivisa in migliaia di operazioni elementari eseguite nello stesso istante.

Gli acceleratori moderni integrano unità ancora più specializzate per il calcolo tensoriale e utilizzano formati numerici a precisione ridotta, quando compatibile con la qualità del modello, per aumentare velocità ed efficienza. L’AI contemporanea non nasce soltanto dall’algoritmo: è il risultato della convergenza tra algebra lineare, grandi dataset e hardware altamente parallelo.

6. Cosa significa tutto questo per il Commercialista

Comprendere il funzionamento matematico dell’AI cambia il modo in cui il professionista interpreta un output. Il modello non sta necessariamente consultando una banca dati certificata, né sta verificando l’attualità di una norma o la correttezza di un valore. Sta calcolando una distribuzione di probabilità sulla base delle rappresentazioni apprese e del contesto ricevuto.

L’AI può velocizzare la lettura di documenti, proporre riclassificazioni, spiegare indicatori, confrontare scenari, individuare anomalie e predisporre prime bozze di report. Il vantaggio reale, tuttavia, emerge quando viene inserita in un processo professionale strutturato: dati riconciliati, calcoli deterministici eseguiti da software controllabili, fonti disponibili e revisione finale del Commercialista.

In questa architettura l’AI non sostituisce il metodo. Lo amplifica. Non sostituisce il giudizio. Gli fornisce velocità, capacità di sintesi e una superficie di analisi molto più ampia.

7. Il punto decisivo: probabilità non significa verità

Un modello linguistico genera il token successivo più plausibile nel contesto. La plausibilità linguistica può coincidere con la correttezza, ma non la garantisce. Una risposta può essere ben scritta, coerente e perfino dettagliata, pur contenendo un riferimento normativo inesatto, un calcolo non verificato o una conclusione economicamente debole.

Questa caratteristica non rende l’AI inutilizzabile. Impone invece di assegnarle il ruolo corretto. Nelle attività professionali ad alto impatto, il modello dovrebbe operare su dati selezionati, richiamare fonti identificabili, separare fatti da inferenze e lasciare al professionista la validazione del risultato.

Conclusione

Alla base dell’Intelligenza Artificiale generativa non esiste una mente digitale che conserva risposte già formate. Esistono rappresentazioni numeriche, matrici di pesi e procedure di ottimizzazione che hanno imparato, attraverso enormi quantità di esempi, a ridurre l’errore nella previsione del linguaggio.

DATI  →  PREVISIONE  →  ERRORE  →  CORREZIONE

La semplicità di questa sequenza non deve ingannare: ripetuta su scala industriale, produce sistemi capaci di sintetizzare, classificare, generare e supportare attività di ragionamento. La competenza professionale consiste nel comprendere dove questa capacità è utile, dove è insufficiente e quali controlli devono accompagnarla.

Per il Commercialista, la scelta non è tra adottare l’AI o difendersi dall’AI. La scelta è tra utilizzarla come generatore incontrollato di testi oppure integrarla in un metodo verificabile, nel quale dati, calcoli, fonti e responsabilità rimangano sotto il governo del professionista.

Conoscere la matematica essenziale dell’AI non serve a sostituire il tecnico informatico. Serve a esercitare meglio il proprio ruolo di professionista responsabile.