Fine tuning di un modello di intelligenza artificiale: quando serve davvero
Il fine tuning è l'addestramento aggiuntivo di un modello di intelligenza artificiale già esistente su esempi scritti da te, per cambiare il modo in cui risponde. Non serve a fargli imparare i documenti della tua azienda, e quasi mai è la prima cosa da provare.
Lo dice anche chi lo vende. La guida sull'ottimizzazione dei modelli pubblicata da OpenAI mette il prompt engineering e le valutazioni prima del fine tuning, scrive che "The prompt engineering process may be all you need in order to get great results for your use case" e definisce il fine tuning "a time-consuming process". Anthropic è ancora più netta senza dirlo: nella pagina che confronta i modelli Claude disponibili, Claude Fable 5, Claude Opus 5, Claude Sonnet 5 e Claude Haiku 4.5, il fine tuning non compare mai.
Che cosa cambia il fine tuning e che cosa non cambia
Il fine tuning cambia il comportamento del modello, non le sue conoscenze. Modifica i pesi partendo da esempi di risposte considerate giuste, quindi funziona bene per fissare un formato di uscita, un tono, una classificazione ricorrente o una struttura che il prompt da solo non riesce a tenere ferma su migliaia di chiamate.
Quello che il fine tuning non fa è tenere aggiornato un archivio. La documentazione di OpenAI elenca quattro metodi, Supervised Fine-Tuning, Vision Fine-Tuning, Direct Preference Optimization e Reinforcement Fine-Tuning, e tutti e quattro insegnano un comportamento a partire da esempi. Nessuno dei quattro è un modo per caricare dentro il modello un listino che cambia ogni mese: se il dato cambia va letto al momento della domanda, non cotto dentro i pesi.
La differenza fra comportamento e conoscenza è la stessa che regge la memoria di un agente AI: materiale che l'agente legge adesso e che si corregge in un secondo, contro un addestramento che per cambiare idea va rifatto da capo. Quando il problema è far ragionare un sistema sui documenti interni, la strada è dargli accesso ai dati aziendali nel momento della richiesta, non addestrarlo su una fotografia di quei dati scattata a marzo.
Quanti esempi servono per il fine tuning e cosa costa davvero
La documentazione di OpenAI sul supervised fine-tuning fissa il minimo a dieci esempi, "The minimum number of examples you can provide for fine-tuning is 10", e aggiunge di aspettarsi miglioramenti "on 50–100 examples", consigliando di partire da cinquanta dimostrazioni scritte bene e di valutare il risultato. Il materiale va consegnato in formato JSONL, una struttura JSON completa per riga, nel formato delle chat completions.
Cinquanta esempi sembrano pochi finché non tocca scriverli. Devono essere corretti, coerenti fra loro e rappresentativi dei casi veri, perché ogni incoerenza che finisce nel file il modello la impara insieme al resto. Il costo del fine tuning non è il calcolo, è il tempo delle persone che scrivono quel materiale e che lo rifanno quando il compito cambia.
Un altro vincolo del fine tuning si scopre solo dopo averlo pagato, e riguarda le versioni. I modelli che la documentazione di OpenAI indica come supportati per il supervised fine-tuning sono gpt-4.1-2025-04-14, gpt-4.1-mini-2025-04-14 e gpt-4.1-nano-2025-04-14, e un modello addestrato resta legato alla generazione su cui è nato mentre i modelli di base si rinnovano ogni pochi mesi.
Le tre leve da provare prima del fine tuning
Prima del fine tuning ci sono tre leve che costano meno e si correggono molto più in fretta: le istruzioni scritte, il contesto letto al momento della risposta e la scelta del modello.
| Leva | Che cosa cambia | Quanto ci vuole a correggere un errore |
|---|---|---|
| Istruzioni nel prompt | il comportamento, subito | un minuto, riscrivendo una riga |
| File di istruzioni e skill | il comportamento, in modo stabile e versionato | un commit |
| Contesto recuperato al momento | quello che il modello sa mentre risponde | il tempo di aggiornare il documento |
| Fine tuning | il comportamento, dentro i pesi | un nuovo addestramento completo |
L'obiezione dei costi, che quasi nessuno calcola
L'obiezione classica alle istruzioni scritte è che si pagano a ogni chiamata, mentre il fine tuning si paga una volta sola. Con i prezzi attuali quel calcolo non torna quasi mai. La pagina prezzi di Anthropic indica che una lettura dalla cache costa 0,1 volte il prezzo base di input, quindi su Claude Haiku 4.5, che parte da un dollaro per milione di token in ingresso, un blocco di istruzioni da ventimila token riletto da cache costa 0,10 dollari al milione, cioè due millesimi di dollaro a chiamata. La stessa pagina indica uno sconto del cinquanta per cento sulle richieste inviate con la Batch API.
Su volumi alti il costo delle istruzioni conta comunque, ed è lì che si lavora prima con le tecniche di riduzione dei token di un agente e con le regole di context engineering per i modelli Claude 5, che agiscono sullo stesso problema senza legarti a una generazione di modelli.
Un caso concreto: le istruzioni al posto dell'addestramento
Il blog che stai leggendo è l'esempio più vicino che ho. Le regole con cui vengono scritti questi articoli, voce, divieti, struttura del titolo, controlli finali, stanno in cinque file markdown dentro .claude/skills/articolo/ nel repository del sito, 7.794 parole in tutto, di cui 1.312 nel solo file linee-guida.md. Nessun modello è stato addestrato su niente.
Il vantaggio si vede quando una regola è sbagliata. Correggo una riga, faccio un commit, e dalla generazione successiva il comportamento è cambiato: con un modello addestrato avrei dovuto rifare il dataset e ripetere l'addestramento per ottenere lo stesso risultato. Il procedimento per costruire questi file è quello che ho descritto in come trasformare un documento in una skill.
Quando il fine tuning AI conviene davvero
Il fine tuning AI conviene quando il compito è stretto, ripetitivo e ad alto volume, e quando hai già misurato che le istruzioni non reggono. Sono tre condizioni che vanno verificate insieme, non una lista da cui scegliere.
La misurazione dei risultati viene prima del fine tuning, ed è il passaggio che salta chi poi resta deluso. OpenAI lo mette come punto di partenza: "Build evals that measure model output, establishing a baseline for performance and accuracy". Senza un numero di partenza non puoi sapere se il fine tuning ha migliorato qualcosa o se hai solo speso una settimana.
Il caso economico del fine tuning esiste ed è preciso: un modello addestrato sul proprio compito può funzionare con un prompt molto più corto e a volte con un modello più piccolo, e ad alto volume quella differenza ripaga il lavoro di preparazione. È lo stesso ragionamento che serve per capire quanto costa un agente AI in azienda, dove il conto si fa sul numero di chiamate e non sul prezzo di listino.
Il test delle venti risposte sbagliate
Prima di aprire un progetto di fine tuning conviene fare un test che costa mezz'ora: prendi venti risposte sbagliate vere, non immaginate, e mettile in due colonne. Sbagliate perché il modello non conosceva un dato, sbagliate perché non ha seguito una regola. Se la prima colonna è più lunga, il fine tuning non risolve il tuo problema e stai per pagarlo comunque.
Fonti primarie: la guida di OpenAI all'ottimizzazione dei modelli e la pagina prezzi di Anthropic.
Domande frequenti
Il fine tuning fa imparare al modello i documenti della mia azienda?
No, e questa è la confusione più costosa che si fa sul fine tuning. Un contratto, un listino o una procedura che cambiano vanno recuperati e messi davanti al modello mentre risponde, non consegnati a un addestramento. Se finiscono lì dentro restano congelati alla data in cui l'addestramento è stato fatto, e nessuno se ne accorge finché un cliente non riceve un prezzo dell'anno scorso.
Che differenza c'è tra fine tuning e RAG?
Il fine tuning modifica i pesi del modello perché risponda in un certo modo, il RAG lascia il modello com'è e gli mette davanti i documenti giusti mentre risponde. Si scelgono in base a cosa deve cambiare: il comportamento con il primo, l'informazione disponibile con il secondo. Nei progetti reali si finisce spesso a usare solo il secondo, perché i contenuti cambiano e i comportamenti no.
Come si addestra un modello di intelligenza artificiale da zero?
Addestrare da zero un modello di linguaggio generalista non è un'attività alla portata di un'azienda normale: richiede migliaia di schede grafiche, mesi di calcolo e team dedicati. Quello che si fa in pratica è partire da un modello già addestrato e intervenire dopo, con le istruzioni, con il contesto o con il fine tuning. Chi dice di aver addestrato un modello quasi sempre intende una di queste tre cose.
Un modello con fine tuning si può spostare su una versione più recente?
Non automaticamente: un modello con fine tuning resta legato al modello di base su cui è stato addestrato, e per passare alla generazione successiva l'addestramento va rifatto sullo stesso materiale. È il motivo per cui conviene tenere il dataset degli esempi come una risorsa versionata e non come un file usa e getta. Chi non lo fa si ritrova bloccato su un modello vecchio senza avere più il modo di ricostruirlo.
Il fine tuning di un modello AI riduce i costi per token?
Non riduce il prezzo per token, riduce quanti token servono. Un modello addestrato sul proprio compito può funzionare con un prompt molto più corto, e in alcuni casi permette di scendere a un modello più piccolo ed economico a parità di risultato. Il risparmio compare solo ad alto volume, perché va confrontato con il costo di scrivere e mantenere gli esempi di addestramento.