AI generativa vs AI tradizionale: differenze pratiche

La conversazione pubblica sull’AI degli ultimi 24 mesi è quasi tutta su AI generativa: ChatGPT, Claude, Gemini, Midjourney. È legittimo, perché il salto tecnologico è stato reale. Ma rischia di confondere il management italiano in fase di selezione: ti viene presentata l’AI come un’unica famiglia di tecnologie, quando in realtà sono due famiglie distinte che servono problemi diversi.

Questo articolo distingue concretamente AI generativa e AI tradizionale per un’azienda italiana. Cosa cambia in pratica, quando ha senso una e quando l’altra, costi tipici di ognuna, casi misti in cui convivono. Materiale per imprenditori e manager che stanno scegliendo dove investire il primo budget AI senza farsi trascinare dall’onda mediatica.

01. Le due famiglie: cosa cambia in pratica

Una distinzione operativa, non accademica.

AI tradizionale comprende tecniche che esistono da decenni: machine learning supervisionato, modelli predittivi, classificazione, regressione, sistemi di raccomandazione, computer vision di base, clustering. La caratteristica comune: si addestrano modelli su dati strutturati per riconoscere pattern e fare predizioni quantitative. Esempi tipici: previsione di scadenza pezzi macchinari, classificazione difetti su linea, raccomandazione prodotti su e-commerce, riconoscimento targhe ai varchi.

AI generativa è la famiglia che produce contenuti nuovi a partire da prompt testuali: testo, immagini, codice, audio, video. La caratteristica comune: usa modelli linguistici di grandi dimensioni (Large Language Models) o modelli di diffusione che apprendono distribuzioni di probabilità su dati non strutturati. Esempi: scrittura assistita, redazione documenti, generazione visiva, sintesi di documenti lunghi, conversazione tramite chatbot.

Le due famiglie hanno punti di contatto (entrambi usano deep learning, entrambi si addestrano su dati) ma fanno cose diverse, costano diversamente, si introducono in azienda con percorsi diversi. Trattarle come “una cosa sola” — l’AI tout court — porta a scelte di investimento sbagliate.

Per chi vuole una panoramica strutturata dell’evoluzione di entrambe le famiglie nei mercati globali, il report annuale dell’AI Index report di Stanford HAI offre una mappatura aggiornata di adozione, costi, performance dei modelli, distinguendo correttamente i due perimetri.

02. AI tradizionale: dove è ancora la scelta giusta

L’arrivo dei modelli generativi non ha eliminato lo spazio dell’AI tradizionale. Anzi, su molti problemi reali resta la scelta più razionale.

Predizione su serie storiche numeriche. Forecasting di vendite, di domanda, di consumi energetici, di guasti. I modelli statistici tradizionali e i modelli di machine learning supervisionato producono qui risultati robusti, spiegabili, addestrabili su dataset gestibili. Sostituirli con un LLM generativo è quasi sempre sovra-ingegnerizzazione.

Classificazione su dati strutturati. Decidere se un cliente è ad alto rischio di churn, se una transazione è anomala, se un’email è phishing. Sono task con migliaia di esempi etichettati, dove un classificatore tradizionale (random forest, gradient boosting, rete neurale piccola) costa poco, gira veloce, è facile da audit-are. Usare un LLM per fare classificazione binaria è come usare un camion per trasportare una valigia.

Computer vision industriale. Quality control su linea produttiva con difetti tipici noti, lettura di codici, conteggio oggetti, identificazione di componenti in posizione corretta. Reti convoluzionali specializzate sono mature, performanti, addestrabili su dataset di qualche migliaio di immagini. Vedi i casi d’uso manifattura per scenari concreti del comparto industriale italiano.

Raccomandazione e ranking. Suggerire prodotti correlati, ordinare risultati di ricerca, comporre liste di clienti da contattare. Algoritmi di filtraggio collaborativo e modelli di ranking sono efficienti, ben compresi, ottimizzabili con metriche chiare.

In tutti questi casi l’AI tradizionale ha tre vantaggi rispetto alla generativa: costo computazionale inferiore di uno o due ordini di grandezza, output prevedibile e auditabile, vincoli regolatori più semplici da soddisfare. Il principio operativo: se il problema è ben definito e si ha dato strutturato in volumi adeguati, AI tradizionale produce ROI migliore della generativa.

03. AI generativa: dove ha senso oggi

L’AI generativa cambia ciò che è possibile fare con dati non strutturati: testo libero, documenti, immagini, conversazioni. Quattro famiglie di use case dove produce valore concreto in aziende italiane.

Comprensione e estrazione da testo non strutturato. Documenti contrattuali, email, report, ticket di customer service. Un LLM legge, estrae, classifica, sintetizza ciò che era prima inaccessibile a sistemi automatici se non con regole rigide. Riduzione del tempo amministrativo del 30-60% su task di lettura strutturata. La pagina servizi professionali descrive scenari operativi su studi legali e fiscali.

Produzione di contenuti su scala. Schede prodotto, descrizioni catalogo, email marketing, primi draft di documenti tecnici, traduzioni con tono di voce coerente. Dove prima serviva un copywriter per produrre 100 schede, oggi serve un copywriter più un assistente AI che produce 500 schede con qualità uniforme.

Conversazione e assistenza in linguaggio naturale. Customer service di primo livello, assistenti interni per ricerca su knowledge base aziendale, supporto al sales nella preparazione offerta. Funziona dove le domande hanno pattern riconoscibili e dove l’AI ha accesso a fonti fattuali aziendali da cui partire.

Ideazione e accelerazione creativa. Mood board, varianti rapide su concept, brainstorming strutturato, scrittura di prima bozza. Non sostituisce il professionista creativo, accorcia la fase divergente da giorni a ore. Per le tecniche operative, esistono tecniche di prompt engineering professionale che vale la pena studiare prima di mettere il team in mano allo strumento senza guide.

Dove l’AI generativa NON funziona bene ancora: calcoli numerici precisi (gli LLM allucinano cifre), decisioni che richiedono garanzie di accuratezza al 100%, task in cui il costo di un errore non è proporzionato al valore prodotto, integrazione in workflow regolamentati dove serve audit-abilità formale del processo decisionale.

04. Costi: ordini di grandezza diversi

I costi sono spesso il fattore che decide la scelta tra le due famiglie. Tre voci principali da considerare.

Costo di sviluppo. Per AI tradizionale, un modello supervisionato su problema definito si addestra in 4-12 settimane di lavoro consulenziale, con costi 30.000-120.000€ per il primo modello. Per AI generativa basata su modelli pre-addestrati commerciali (ChatGPT, Claude), il setup di un caso d’uso aziendale richiede 2-8 settimane, con costi 20.000-70.000€ per prima implementazione strutturata. Per AI generativa con fine-tuning custom o RAG complesso, i costi salgono.

Costo di esercizio ricorrente. Per AI tradizionale, il modello una volta addestrato gira su infrastruttura aziendale o cloud con costi marginali bassi (decine o centinaia di euro al mese per la maggior parte dei casi). Per AI generativa basata su API commerciali, il costo è proporzionale all’uso: tipicamente 50-500€/mese su uso individuale di team, 1.000-15.000€/mese su uso aziendale intensivo, oltre 30.000€/mese su volumi molto alti.

Costo di manutenzione. AI tradizionale richiede ri-training periodico quando il dato in produzione cambia distribuzione. AI generativa richiede manutenzione di prompt, vector database aggiornati, valutazione output continua, gestione delle deprecation di modelli commerciali.

In generale: per problemi ben definiti con dato strutturato, AI tradizionale è economicamente più sostenibile nel medio periodo. Per problemi su dato non strutturato dove fino a ieri non c’era soluzione automatica, AI generativa apre spazi che non esistevano, con costi accettabili rispetto al valore prodotto.

05. Vincoli operativi: dati, infrastruttura, regolamentazione

I vincoli non-economici cambiano significativamente tra le due famiglie.

Vincoli sui dati. AI tradizionale ha bisogno di dato strutturato pulito, etichettato, in volumi adeguati al problema (tipicamente migliaia di esempi per categoria). AI generativa parte da modelli pre-addestrati su corpus enormi: ha bisogno di meno dato proprietario, ma di dato di qualità per fine-tuning o per documenti di retrieval. Se non hai dato strutturato, l’AI generativa è spesso il punto di partenza più realistico.

Vincoli di infrastruttura. AI tradizionale può girare su infrastruttura aziendale esistente, anche limitata, una volta addestrato il modello. AI generativa basata su modelli commerciali richiede connessione internet stabile, accordi DPA col fornitore, gestione di costi variabili in tempo reale. AI generativa self-hosted richiede infrastruttura potente (GPU di livello industriale) e personale specializzato per il funzionamento.

Vincoli regolatori. Il Regolamento europeo AI Act tratta le due famiglie con sfumature. AI tradizionale è soggetta alle stesse categorie di rischio (minimo/limitato/alto/proibito) ma con prassi consolidate di documentazione e valutazione. AI generativa, in particolare i modelli per finalità generali, ha un capitolo dedicato del regolamento con obblighi specifici per i fornitori e per gli integratori. Aziende che adottano AI generativa devono assicurare alfabetizzazione del personale che la usa (articolo 4 del regolamento), tema non altrettanto stringente per AI tradizionale embedded in processi industriali.

Vincoli di interpretabilità. AI tradizionale produce decisioni spesso spiegabili (perché il cliente è classificato ad alto churn, quali feature pesano di più). AI generativa è meno interpretabile per natura: spiegare perché un LLM ha prodotto quel testo specifico non è banale. Per processi dove è richiesta spiegabilità regolamentare, AI tradizionale ha un vantaggio strutturale.

06. Casi misti: dove le due tecnologie convivono

Sempre più progetti AI italiani usano entrambe le famiglie in modo complementare, ognuna sul pezzo dove è più forte. Tre pattern ricorrenti.

Pattern uno: AI tradizionale per la decisione, generativa per la comunicazione. Un modello predittivo classifica clienti per rischio di abbandono, un LLM genera l’email personalizzata di re-engagement. Il vantaggio è duplice: precisione della classificazione su dato strutturato, naturalezza della comunicazione generata. Si usa nel CRM evoluto di aziende mid-market.

Pattern due: AI generativa per estrarre, tradizionale per processare. Un LLM legge fatture e contratti, estrae dati strutturati. Un modello predittivo classico classifica i dati estratti per priorità, urgenza, anomalia. È molto comune in operazioni amministrative complesse e nelle aziende logistiche.

Pattern tre: AI tradizionale per il monitoraggio, generativa per l’interfaccia. Un sistema di monitoring industriale rileva anomalie con modelli classici, un LLM permette al tecnico di interrogare in linguaggio naturale lo stato del sistema, ottenere spiegazioni testuali, suggerimenti di intervento. Tipico in manutenzione predittiva avanzata.

Questi pattern misti sono spesso la risposta giusta per aziende italiane che oggi stanno costruendo il proprio percorso AI. Concentrarsi solo sulla parte generativa per emulare l’hype del momento lascia sul tavolo casi d’uso dove l’AI tradizionale è già pronta a produrre valore. Per approfondire i pattern di integrazione esistono materiali documentati anche dai fornitori dei principali modelli generativi.

07. Errori frequenti nella scelta

Quattro errori che vedo sistematicamente nelle aziende italiane in fase di selezione tecnologica.

Errore uno: sostituire AI tradizionale che già funziona con AI generativa “perché va di moda”. Aziende che hanno modelli predittivi consolidati e funzionanti decidono di riscriverli con LLM. Il risultato è quasi sempre peggiore: modello meno preciso, costo maggiore, governance più complessa. Se l’AI tradizionale produce ROI, va mantenuta e migliorata, non sostituita.

Errore due: pretendere che AI generativa risolva problemi numerici. Gli LLM allucinano cifre, calcolano male sotto certi schemi di input, producono giustificazioni convincenti di numeri sbagliati. Per task che richiedono precisione quantitativa (forecasting, contabilità, ottimizzazione di portafoglio) la scelta corretta resta AI tradizionale con eventuale supporto generativo solo nella comunicazione del risultato.

Errore tre: introdurre AI generativa senza considerare i costi di esercizio. Pilot AI generativa lanciati con budget di sviluppo ma senza pianificazione dei costi mensili API si trovano dopo 6 mesi con sorprese di budget significative. La pianificazione di OPEX va fatta in fase audit, non in fase consuntivazione.

Errore quattro: ignorare la complementarità. Aziende che scelgono “facciamo solo generativa” o “facciamo solo tradizionale” perdono valore. La maggior parte dei problemi aziendali italiani ha soluzioni che combinano le due famiglie in modo intelligente. La consulenza AI per aziende deve sapere disegnare architetture miste, non vendere una sola tecnologia.

08. Da dove cominciare se sei al primo progetto

Tre indicazioni concrete per un’azienda italiana che oggi sta scegliendo il primo investimento AI.

Primo: parti dal problema, non dalla tecnologia. Identifica il processo aziendale che porta più valore se cambia, non lo strumento che vuoi adottare. Lo strumento si sceglie a valle del problema. Una conversazione iniziale guidata dal “voglio usare ChatGPT” produce decisioni meno solide di una conversazione guidata da “voglio ridurre tempi del processo X”.

Secondo: lascia che la natura del problema indichi la famiglia AI. Se il problema riguarda dati strutturati e predizione quantitativa, AI tradizionale è il candidato naturale. Se riguarda dati non strutturati (testi, immagini, conversazione), AI generativa è il candidato naturale. Se riguarda entrambi, valuta un pattern misto.

Terzo: dimensiona il pilot al problema, non all’ambizione. Un primo progetto AI dovrebbe essere stretto, misurabile, con ROI tracciabile entro 6-12 mesi. Aziende che partono con pilot multi-funzione e multi-tecnologia si trovano con investimento alto senza risultati chiari. Aziende che partono piccolo e scalano dopo aver imparato hanno ROI cumulativo più alto a 24 mesi.

Per chi è in fase di prima valutazione, il modo più economico di orientarsi è un audit AI di un’ora con consulente indipendente: per €240 si esce con tre priorità ordinate impatto/sforzo e indicazione esplicita di quale famiglia AI è adatta a ogni priorità. È meno romantico di una demo brillante di tool, ma porta a decisioni di investimento più solide. La pagina esperto AI approfondisce come questa figura accompagna le aziende nella scelta tra le due famiglie e nei pattern misti che spesso producono i ROI migliori.

Una nota finale di prospettiva. La conversazione pubblica continuerà a essere dominata dall’AI generativa, perché è la tecnologia che cattura l’immaginario. Le aziende che generano valore sostenibile continueranno a usare entrambe le famiglie, scegliendo caso per caso. Saper distinguere è competenza strategica del management, non specialistica dell’IT.

Vale la pena chiudere con un richiamo al merito economico. L’azienda italiana media ha vincolo di capitale e di tempo del management. Ogni euro speso su AI generativa per inseguire l’hype è un euro non speso su AI tradizionale che avrebbe prodotto ROI prevedibile in 12 mesi. Specularmente, ogni euro speso su modelli predittivi tradizionali in domini dove ormai un LLM avrebbe risolto in due settimane è un euro speso in sovra-ingegnerizzazione. La scelta non è di principio, è di merito sul singolo problema. Un consulente che si presenta dicendo “io faccio solo X” si auto-seleziona fuori dalla maggior parte dei contesti dove servirebbe pluralismo tecnologico. Vale la pena diffidare di chi propone una sola famiglia AI come risposta a tutti i problemi aziendali.