Differenza tra machine learning e intelligenza artificiale: quando ti serve davvero addestrare qualcosa
Il machine learning è una delle tecniche con cui si costruisce un sistema di intelligenza artificiale, non un suo sinonimo e non la sua alternativa. La differenza tra machine learning e intelligenza artificiale è quindi una differenza di livello: l'intelligenza artificiale è la categoria, il machine learning è uno dei modi per ottenerla. Chi arriva a questa domanda convinto di dover scegliere fra due prodotti sta già guardando il problema dal lato sbagliato.
Sotto la domanda terminologica, però, ce n'è quasi sempre una vera, e riguarda i soldi: devo far imparare qualcosa a una macchina partendo dai dati della mia azienda, oppure mi basta usare un modello che ha già imparato per conto suo? Sono due progetti con due tempi, due squadre e due modi diversi di rompersi, e la confusione fra i termini è il motivo per cui a volte si finisce nel primo quando bastava il secondo.
Machine learning e intelligenza artificiale: uno sta dentro l'altra
Il machine learning è l'insieme delle tecniche che fanno ricavare a un programma il comportamento giusto dagli esempi, invece di farglielo scrivere da una persona sotto forma di regole. L'intelligenza artificiale è l'etichetta più larga che copre i sistemi capaci di produrre un output senza che qualcuno abbia scritto prima la regola per ottenerlo.
La definizione che conta in Europa non nomina il machine learning nemmeno una volta. Il regolamento europeo sull'intelligenza artificiale, all'articolo 3, definisce un sistema di IA come "un sistema automatizzato progettato per funzionare con livelli di autonomia variabili e che può presentare adattabilità dopo la diffusione e che, per obiettivi espliciti o impliciti, deduce dall'input che riceve come generare output quali previsioni, contenuti, raccomandazioni o decisioni che possono influenzare ambienti fisici o virtuali". Il criterio è cosa fa il sistema, non con quale tecnica è stato costruito.
Perché il confine passa dall'inferenza e non dalla tecnica
Il considerando 12 dello stesso regolamento europeo mette il machine learning al suo posto in modo esplicito, elencandolo come uno dei due rami possibili: "Le tecniche che consentono l'inferenza nella costruzione di un sistema di IA comprendono approcci di apprendimento automatico che imparano dai dati come conseguire determinati obiettivi e approcci basati sulla logica e sulla conoscenza che traggono inferenze dalla conoscenza codificata". Il machine learning è un ramo, non il tronco.
Il considerando 12 fissa anche dove la categoria finisce: la definizione "non dovrebbe riguardare i sistemi basati sulle regole definite unicamente da persone fisiche per eseguire operazioni in modo automatico". Per il legislatore europeo il confine non è quanto è sofisticata la tecnica, è se il sistema deduce qualcosa oppure esegue e basta. È la stessa linea che separa un'automazione a regole da un modello, e l'ho percorsa voce per voce nella differenza tra RPA e intelligenza artificiale.
Cosa cambia nel progetto: i tuoi dati o un modello già addestrato
Per chi costruisce, la differenza tra machine learning e intelligenza artificiale si riduce a una forcella con due rami. Il primo ramo è addestrare un modello sui dati della tua azienda, e questo è machine learning in senso stretto. Il secondo ramo è chiamare un modello che qualcun altro ha già addestrato, e questo resta intelligenza artificiale pur senza nessun addestramento da parte tua.
| Machine learning sui tuoi dati | Modello già addestrato | |
|---|---|---|
| Da cosa impara | dagli esempi che gli dai tu | da dati che non hai scelto tu |
| Cosa devi avere prima | un archivio di casi già risolti | una descrizione precisa del compito |
| Cosa ottieni | un modello che resta tuo | una risposta a ogni chiamata |
| Quando si paga | quando lo addestri e quando lo riaddestri | a ogni esecuzione, a token |
| Dove si degrada | quando la realtà cambia e i dati no | quando l'input esce dai casi previsti |
| Come si corregge | si riaddestra con dati nuovi | si cambiano istruzioni, contesto o modello |
L'archivio di casi risolti è la riga che ribalta le decisioni
Un archivio di casi già risolti non è un archivio di documenti, ed è il requisito che fa saltare più progetti di machine learning. Servono esempi in cui la risposta giusta è già scritta accanto alla domanda, non cartelle piene di file. La maggior parte delle aziende scopre di non averli soltanto dopo aver firmato, e a quel punto la prima metà del lavoro diventa etichettare a mano quello che si credeva di possedere già.
Quando serve il machine learning e quando basta un'AI già pronta
Il machine learning sui tuoi dati serve quando la cosa da imparare esiste soltanto lì e da nessun'altra parte. Prevedere quali dei tuoi clienti non rinnoveranno, stimare il tempo di una lavorazione nel tuo reparto, riconoscere i difetti che compaiono sulla tua linea: sono compiti che nessun modello generalista può conoscere, perché dipendono da una storia che hai solo tu.
Un modello già addestrato basta in tutti i casi in cui il compito è generale anche se il documento è tuo. Riassumere, classificare, riscrivere, estrarre campi da un documento, rispondere a una domanda su un testo: sono competenze linguistiche che il modello ha già, e i tuoi dati servono come contenuto della richiesta, non come materiale di addestramento. Il modo corretto di dare quel contenuto è quasi sempre il recupero al momento della domanda, cioè quello che ho spiegato in cos'è il RAG e quando serve.
Le tre domande da farsi prima di decidere
- Esiste già un modello che svolge questo compito senza aver mai visto i miei dati? Se la risposta è sì, il ramo dell'addestramento si chiude qui, e la partita si sposta su come formulare la richiesta e su cosa mettere nel contesto.
- Ho un archivio in cui la risposta giusta è già scritta accanto al caso? Senza quello non si addestra niente, e la prima parte del progetto diventa costruire quell'archivio, non costruire il modello.
- Il risultato che mi serve è un numero o una classe, oppure è un testo? I numeri e le classi restano il territorio storico del machine learning, il testo è il territorio dei modelli generativi.
Chi imbocca il primo ramo dovrebbe sapere prima quali dati finirebbero dentro l'addestramento e dove verrebbero conservati, ed è la verifica che faccio all'inizio quando lavoro su AI e dati aziendali. Chi pensa invece di dover addestrare per forza qualcosa trova il conto completo in come si addestra un modello di intelligenza artificiale, e la variante più leggera in quando serve davvero il fine tuning.
Il caso più banale ce l'ho in casa, ed è a fondo pagina
Il blocco degli articoli correlati in fondo a ogni pagina di questo blog è un sistema di raccomandazione, cioè il problema che i manuali portano da sempre come esempio di machine learning. Nel repository del sito quella funzione è il file src/lib/related.ts, ventitré righe di TypeScript: rankByTags conta quanti tag ha in comune ogni articolo con quello aperto, ordina per punteggio e, a parità di punteggio, per data. Non c'è nessun modello, nessun addestramento e nessun dato etichettato.
Funziona perché il segnale che serviva era già scritto nel frontmatter degli articoli. Un modello addestrato avrebbe dovuto dedurre dai testi una somiglianza che io avevo già dichiarato a mano nel campo tags, e l'avrebbe dedotta peggio, più lentamente e a un costo per ogni visita. Prima di chiedersi quale tecnica usare conviene sempre chiedersi se l'informazione che si vuole far imparare alla macchina non sia già da qualche parte, scritta da un essere umano.
In Italia questa domanda si fa con una parola sola
Il file data/seo/volumi-keyword.json dello stesso repository dice qualcosa su come il mercato italiano nomina la cosa. Dentro ci tengo 3.589 parole chiave italiane con il loro volume di ricerca, misurate il primo agosto 2026: le righe che contengono "machine learning", "apprendimento automatico" o "deep learning" sono zero, quelle che contengono "intelligenza artificiale" sono 214. La distinzione di cui parla questo articolo, in Italia, non viene proprio pronunciata, e chi vende progetti lo sa benissimo.
La posizione, in una riga: il machine learning non è un'opzione più avanzata dell'intelligenza artificiale, è la parte cara e lenta della stessa cosa, e ha senso pagarla solo quando quello che deve essere imparato sta nei tuoi dati e in nessun altro posto. Per capire perché un modello già addestrato riesce a fare tanto senza aver mai visto la tua azienda, la meccanica è quella di come funziona un modello di linguaggio.
Fonti primarie: la definizione di sistema di IA all'articolo 3 del regolamento europeo sull'intelligenza artificiale e il considerando 12 dello stesso regolamento.
Domande frequenti
Un modello come ChatGPT o Claude è machine learning?
Sì, un modello di linguaggio come ChatGPT o Claude nasce da tecniche di machine learning, perché il suo comportamento è stato appreso dai dati e non scritto a mano da qualcuno. La differenza rispetto a un progetto di machine learning aziendale è chi ha fatto l'addestramento: lo ha fatto il fornitore, sui suoi dati e a sue spese. Chi lo usa tramite API sta consumando il risultato di un addestramento, non ne sta facendo uno.
Il deep learning è la stessa cosa del machine learning?
Il deep learning è un sottoinsieme del machine learning, non un suo sinonimo. Indica le tecniche che usano reti neurali con molti strati, ed è l'approccio da cui nascono i modelli di linguaggio e i modelli che generano immagini. Restano machine learning anche metodi molto più semplici e senza reti neurali, che su dati tabellari spesso funzionano meglio e costano molto meno.
Serve un data scientist per usare l'AI in azienda?
Dipende da quale dei due rami si imbocca. Per usare un modello già addestrato serve soprattutto qualcuno che conosca il dominio e sappia descrivere il compito con precisione, competenze che di solito sono già dentro l'azienda. Per addestrare un modello sui dati aziendali serve invece qualcuno capace di misurare se quel modello funziona, e quella è una figura specialistica che non si improvvisa.
L'AI Act si applica anche a un modello costruito internamente?
Il regolamento europeo definisce il sistema di IA per quello che fa e non per chi lo ha costruito, quindi un modello sviluppato internamente rientra nella definizione se deduce dai dati in ingresso come generare i propri output. Quali obblighi ne discendano dipende poi dalla classe di rischio e dal ruolo dell'azienda nella catena. Un software che applica soltanto regole scritte da persone resta invece fuori dalla definizione.
Che differenza c'è tra machine learning e analisi statistica dei dati?
Il machine learning e la statistica condividono buona parte della matematica e si distinguono per l'obiettivo. L'analisi statistica serve a spiegare una relazione già avvenuta e a dire quanto è solida, quindi guarda al passato e produce una lettura. Il machine learning serve a produrre una previsione su un caso nuovo e viene giudicato solo su quanto ci azzecca, anche quando nessuno sa spiegare perché. Molti progetti aziendali chiamati machine learning sono in realtà buona statistica descrittiva, e va benissimo così.