Dedica dieci minuti a leggere sull'IA moderna e affogherai nelle abbreviazioni. Un paper di ricerca menziona CoT e ReAct; un pitch di un fornitore promette RLHF; un ingegnere dice che farà semplicemente LoRA a un modello. Il gergo è una barriera — ma le idee sottostanti sono sorprendentemente accessibili una volta che qualcuno le spiega.
Questo glossario decodifica le sigle che compaiono più spesso nel 2026, divise in due famiglie: come facciamo in modo che l'IA pensi e agisca (prompting e agenti), e come costruiamo e modelliamo i modelli stessi (training). Per ogni termine otterrai l'espansione, una definizione in italiano semplice, e una nota su quando conta davvero.
Parte 1 — Prompting e agenti
Questa prima famiglia riguarda il tempo di inferenza — tecniche che applichi a un modello già addestrato, per fargli ragionare meglio, usare strumenti, e operare come parte di un sistema più grande. Nessuna di queste richiede toccare i pesi del modello; riguardano come fai prompting, strutturi e orchestri. Se il concetto di agente ti è nuovo, inizia con la nostra introduzione su cosa sono gli agenti IA e perché la tua azienda ne ha bisogno.
| Termine | Sta per | In una riga |
|---|---|---|
| CoT | Chain of Thought | Ragionare passo passo prima di rispondere |
| ToT | Tree of Thoughts | Esplorare molti rami di ragionamento, poi scegliere il migliore |
| ReAct | Reason + Act | Alternare il pensiero con l'uso di strumenti |
| AoT | Agent of Thought | Trattare ogni passo di ragionamento come un'azione dell'agente |
| HITL | Human In The Loop | Una persona revisiona o approva nei punti chiave |
| A2A | Agent-to-Agent | Gli agenti parlano direttamente con altri agenti |
| MAS | Multi-Agent System | Un team di agenti specialisti coordinati |
CoT — Chain of Thought
Il trucco più semplice e influente nel prompting. Invece di chiedere direttamente al modello una risposta, gli chiedi di mostrare il suo ragionamento passo passo ("pensiamoci su"). Attraversare i passi intermedi migliora drasticamente l'accuratezza su qualsiasi cosa richieda logica — matematica, domande multi-step, pianificazione. Funziona perché il modello di fatto "pensa ad alta voce", dandosi spazio per lavorare invece di indovinare in un unico salto. Chain of Thought è la base su cui si costruisce quasi ogni altra tecnica di questa lista.
ToT — Tree of Thoughts
Tree of Thoughts generalizza CoT da un'unica linea di ragionamento a un albero ramificato. Il modello genera diversi possibili passi successivi, valuta quanto promettente appare ciascuno, ed esplora il migliore — tornando indietro quando un percorso si rivela un vicolo cieco, un po' come un giocatore di scacchi che considera diverse mosse in anticipo. Costa più calcolo, ma brilla su problemi con un grande spazio di ricerca e molti approcci validi, come puzzle, pianificazione, e risoluzione creativa di problemi dove la prima idea non è sempre la migliore.
ReAct — Reason + Act
ReAct è il pattern che trasforma un chatbot in un agente. Il modello intreccia il ragionamento ("ho bisogno del tasso di cambio attuale") con l' azione ("chiama l'API della valuta") e poi l'osservazione del risultato ("il tasso è 1,08") prima di ragionare di nuovo. Questo loop pensa-agisci-osserva permette a un modello di usare strumenti, cercare sul web, eseguire codice, e reagire al feedback del mondo reale invece di basarsi solo su ciò che ha in testa. Quasi ogni agente in produzione nel 2026 esegue qualche versione di questo loop sotto il cofano — guarda la nostra analisi su l'IA agentica che passa dai pilot alla produzione per come si traduce nella pratica.
AoT — Agent of Thought
Agent of Thought spinge ulteriormente l'idea del ragionamento-come-azione: ogni passo nel pensiero del modello è inquadrato come un'azione autonoma che un agente compie, piuttosto che solo una frase in una catena. In pratica questo sfuma il confine tra "ragionare" e "fare" — il modello decide, agisce, e riflette in un loop più stretto e auto-diretto. È un termine più nuovo e meno standardizzato degli altri qui, quindi trattalo come una direzione di marcia (più agentico, ragionamento più auto-guidato) piuttosto che una ricetta fissa.
HITL — Human In The Loop
Non ogni decisione dovrebbe essere automatizzata. Human In The Loop significa che una persona revisiona, modifica, o approva l'output dell'IA nei punti che contano — prima che un pagamento parta, un'email venga inviata, o un record venga modificato. HITL è il pattern di sicurezza singolarmente più importante per distribuire l'IA in un business reale: ti permette di catturare la maggior parte dell'efficienza mantenendo una persona responsabile delle decisioni ad alto rischio. Il design giusto espande l'autonomia gradualmente, mentre il sistema guadagna fiducia attraverso un track record misurabile.
A2A — Agent-to-Agent
Man mano che più organizzazioni gestiscono i propri agenti, questi agenti hanno sempre più bisogno di parlare tra loro — il tuo agente di procurement che negozia con l'agente vendite di un fornitore, per esempio. A2A si riferisce ai protocolli e pattern che permettono agli agenti di comunicare, condividere contesto, e delegare direttamente, invece di instradare tutto tramite una persona o un'integrazione fragile. È uno strato standard emergente, ed è ciò che rende possibile un'automazione genuinamente cross-organizzazione.
MAS — Multi-Agent System
Un sistema multi-agente è un team di agenti specializzati che collaborano su un lavoro che nessun singolo agente potrebbe gestire in modo affidabile — uno fa ricerca, un altro redige, un terzo verifica la compliance, con un orchestratore che coordina l'intero sforzo. Le architetture MAS migliorano l'accuratezza tramite la specializzazione, la velocità tramite il parallelismo, e la sicurezza tramite l'isolamento. Moltiplicano anche costo e complessità, quindi ne vale la pena solo quando un singolo agente fallisce strutturalmente. Trattiamo i pattern che funzionano in produzione nel nostro approfondimento su sistemi multi-agente e quando un agente solo non basta (EN).
Le tecniche di prompting e agenti non cambiano il modello — cambiano quanto intelligentemente lo usi. Per questo sono la leva più rapida ed economica che la maggior parte delle aziende ha per ottenere di più dall'IA.
Parte 2 — Training dei modelli
La seconda famiglia riguarda il cambiare il modello stesso — aggiustando i suoi pesi interni così si comporta diversamente. Questo è un macchinario più pesante: ha bisogno di dati, calcolo, ed esperienza, e di solito vale la pena solo quando prompting e retrieval hanno raggiunto i loro limiti. Capire questi termini ti aiuta a fare la domanda giusta a qualsiasi fornitore: stai davvero addestrando un modello, o lo stai solo prompting bene? I due hanno profili di costo e rischio molto diversi — qualcosa che approfondiamo in quanto costa davvero implementare l'IA.
| Termine | Sta per | In una riga |
|---|---|---|
| FT | Fine-Tuning | Continuare ad addestrare un modello pre-addestrato sui tuoi dati |
| SFT | Supervised Fine-Tuning | Addestrare su esempi etichettati input→output |
| RLHF | Reinforcement Learning from Human Feedback | Allineare un modello usando classifiche di preferenza umana |
| DPO | Direct Preference Optimization | Imparare dalle preferenze senza un modello di ricompensa |
| PPO | Proximal Policy Optimization | L'algoritmo RL spesso usato dentro RLHF |
| PEFT | Parameter-Efficient Fine-Tuning | Calibrare una minuscola frazione dei pesi del modello |
| LoRA | Low-Rank Adaptation | Il metodo PEFT più popolare |
FT — Fine-Tuning
Fine-tuning significa prendere un modello già addestrato su internet in generale e continuare il suo addestramento sui tuoi dati più ristretti così si adatta a uno stile, dominio, o compito specifico. Pensalo come mandare a specializzarsi un generalista ben istruito. Può incorporare la voce del tuo brand, insegnare un vocabolario di nicchia, o migliorare le prestazioni su un compito ripetitivo — ma richiede dati di qualità e manutenzione continuativa, e spesso è eccessivo quando un buon prompting o retrieval farebbero il lavoro.
SFT — Supervised Fine-Tuning
La forma più comune di fine-tuning. In Supervised Fine-Tuning fornisci coppie esplicite di input e output corretto — una domanda e la sua risposta ideale, un documento e il suo riassunto ideale — e il modello impara a imitare quegli esempi. "Supervisionato" significa semplicemente che ogni esempio arriva con una risposta corretta conosciuta. SFT è di solito la prima fase di adattamento di un modello base, e per molti casi d'uso aziendali è tutto ciò di cui hai bisogno prima di ricorrere ai metodi di allineamento più avanzati qui sotto.
RLHF — Reinforcement Learning from Human Feedback
RLHF è la tecnica che ha fatto sentire gli assistenti IA moderni utili e ben educati. Invece di mostrare al modello una risposta "corretta", lo lasci produrne diverse, fai classificare agli umani quale preferiscono, addestri un "modello di ricompensa" separato per prevedere quelle preferenze, e poi usi il reinforcement learning per spingere il modello verso risposte valutate meglio. È potente per catturare qualità sfumate come l'utilità, il tono, e la sicurezza che sono difficili da esprimere come un'unica risposta etichettata — ma è complesso, costoso, e coinvolge diverse parti mobili.
DPO — Direct Preference Optimization
DPO è il successore semplificato di RLHF. Usa lo stesso tipo di dati di preferenza umana — "la risposta A è migliore della risposta B" — ma salta del tutto il modello di ricompensa separato e il loop di reinforcement learning, ottimizzando il modello direttamente su quelle coppie di preferenza con un unico passo di addestramento stabile. Il risultato è molto più semplice ed economico da eseguire raggiungendo una qualità comparabile, motivo per cui DPO è diventato il metodo di preference-tuning predefinito per molti team nel 2026.
PPO — Proximal Policy Optimization
PPO non è affatto specifico per i modelli linguistici — è un algoritmo di reinforcement learning di uso generale proveniente dalla robotica e dai giochi che è diventato il "motore" standard dentro RLHF. La sua idea chiave è migliorare il modello in piccoli passi controllati così che ogni aggiornamento non si allontani mai troppo dalla versione precedente, mantenendo l'addestramento stabile. Quando la gente dice che RLHF è delicato, la sensibilità di PPO è gran parte del motivo — ed evitarla è esattamente ciò che rende DPO attraente.
PEFT — Parameter-Efficient Fine-Tuning
Il fine-tuning completo aggiorna tutti i pesi di un modello — miliardi di numeri — il che è lento, costoso, e produce una copia gigante nuova del modello per ogni compito. PEFT è il termine ombrello per i metodi che congelano il modello originale e addestrano solo un piccolo insieme di nuovi parametri invece. Ottieni la maggior parte del beneficio del fine-tuning a una frazione del costo di calcolo, memoria, e storage, e puoi mantenere molte specializzazioni leggere attorno a un unico modello base condiviso. PEFT è ciò che ha messo i modelli personalizzati a portata di team che non sono hyperscaler.
LoRA — Low-Rank Adaptation
LoRA è di gran lunga il metodo PEFT più popolare. Funziona inserendo piccole matrici a basso rango a fianco del modello congelato e addestrando solo quelle — pochi milioni di parametri invece di miliardi. Il modello originale rimane intatto, l'"adattatore" addestrato è piccolo abbastanza da poter essere scambiato dentro e fuori, e la qualità resta vicina al fine-tuning completo. LoRA (e la sua variante che salva memoria, QLoRA) è la ragione pratica per cui una startup oggi può fare fine-tuning di un modello capace su una singola GPU. Quando un ingegnere dice che "ci farà semplicemente un LoRA", è questo che intende.
Come si incastra tutto
Queste due famiglie non sono competitor — sono strati. Un modello è prima addestrato e allineato (SFT, poi RLHF o DPO, spesso via PEFT/LoRA) per essere capace e ben educato. Poi, al tempo di inferenza, applichi tecniche di prompting e agenti (CoT, ReAct, HITL, MAS) per metter al lavoro quella capacità su compiti reali. La maggior parte delle aziende spende il grosso del suo sforzo nel secondo strato — e a ragione, perché è più rapido, più economico, e meno rischioso dell'addestramento. Sapere dove si colloca una data sigla ti aiuta a giudicare se una soluzione proposta è dimensionata adeguatamente per il problema.
Se stai cercando di mappare queste scelte su una roadmap e un budget reali, la nostra guida su come costruire una strategia IA che generi ROI illustra come decidere cosa vale la pena fare — e cosa no.
Domande frequenti
Qual è la differenza tra Chain of Thought e Tree of Thoughts?
Chain of Thought ragiona in un'unica linea diretta di passi. Tree of Thoughts esplora più rami di ragionamento contemporaneamente, li valuta, e può tornare indietro — spendendo più calcolo per risultati migliori su problemi con molti percorsi possibili.
RLHF contro DPO — quale è meglio?
Risolvono lo stesso problema (allineare un modello alle preferenze umane) ma DPO lo fa senza un modello di ricompensa separato o un loop di reinforcement learning, rendendolo più semplice e più stabile da addestrare. RLHF è più flessibile e più testato sul campo. Per la maggior parte dei team nel 2026, DPO è la scelta predefinita pragmatica; RLHF resta prezioso dove serve quella flessibilità extra.
Devo fare fine-tuning di un modello per il mio business?
Di solito non come primo passo. Un prompting forte, il retrieval (alimentare il modello con i tuoi documenti), e un agente ben progettato risolvono una larga quota dei casi d'uso aziendali senza alcun addestramento. Il fine-tuning (FT/SFT) e il preference-tuning (RLHF/DPO) ne valgono la pena una volta raggiunti i limiti di quegli approcci più economici e con dati di qualità su cui addestrare.
LoRA è la stessa cosa del fine-tuning?
LoRA è un tipo di fine-tuning — specificamente uno efficiente nei parametri. Invece di aggiornare l'intero modello, addestra un piccolo adattatore aggiunto, dandoti la maggior parte del beneficio a una frazione del costo. È il modo più comune in cui i team più piccoli fanno fine-tuning dei modelli oggi.
Non sei sicuro di quale di questi ti serva davvero?
La maggior parte delle aziende non ha bisogno di addestrare un modello — ha bisogno del prompting, del retrieval, e del design di agenti giusti. Ti aiutiamo a capire la differenza e a costruire ciò che si adatta. Definiamo insieme il tuo caso d'uso.
Prenota una consulenza