Machine learning e AI generativa: qual è la differenza?
di Salvatore Croce · Pubblicato il 30 ottobre 2026 · 3 min di lettura
Il machine learning tradizionale, o predittivo, impara dai dati a classificare o prevedere: dice se una mail è spam, quanto costerà una casa, quale cliente rischia di andarsene. L'AI generativa impara invece a produrre contenuti nuovi, come testo, immagini, codice e audio, simili a quelli su cui è stata addestrata.
La differenza in una riga
Il machine learning predittivo risponde a domande del tipo "cos'è?", "quanto?", "quale?". L'AI generativa risponde a richieste del tipo "scrivimi", "disegnami", "riassumimi". Non sono però opposti: l'AI generativa è essa stessa una forma di machine learning, in particolare di deep learning.
Come lavora il machine learning predittivo
Il modello riceve dati in ingresso e restituisce un'etichetta o un numero: "transazione sospetta" oppure "domanda prevista: 1.200 pezzi". Si usa per antifrode, previsione della domanda, punteggio del credito, manutenzione predittiva. Il risultato si può misurare con metriche precise, come l'accuratezza, e confrontare con la realtà.
Come lavora l'AI generativa
I grandi modelli linguistici (LLM) sono addestrati su enormi quantità di testo per prevedere il pezzo successivo di una frase. Ripetendo questa previsione molte volte, producono paragrafi interi. Lo stesso principio, con dati diversi, vale per le immagini, l'audio e il codice. Il risultato è fluido e convincente, ma non è garantito che sia vero.
Confronto a colpo d'occhio
- Obiettivo: il predittivo classifica o prevede, il generativo crea contenuti.
- Output: un'etichetta o un numero contro un testo, un'immagine o un codice.
- Valutazione: metriche oggettive contro giudizio umano e controlli sui contenuti.
- Errori tipici: previsioni sbagliate o bias contro "allucinazioni", cioè risposte plausibili ma false.
- Esempi: antifrode, scoring, previsione della domanda contro assistenti come ChatGPT, Gemini o Claude, generatori di immagini.
Quando usare l'uno o l'altra
- Serve una decisione o una stima misurabile (rischio, prezzo, probabilità): machine learning predittivo.
- Serve produrre, riassumere o trasformare contenuti (bozze, sintesi, traduzioni, codice): AI generativa.
- Spesso si combinano: un modello predittivo individua i clienti a rischio di abbandono, uno generativo prepara il messaggio personalizzato.
Rischi e governance
I rischi cambiano con la tecnica. Nel predittivo i temi principali sono bias, deriva dei dati nel tempo e spiegabilità. Nel generativo contano allucinazioni, riservatezza dei dati inseriti nei prompt, diritto d'autore e tracciabilità. L'EU AI Act segue il rischio dell'uso più che la tecnologia: prevede obblighi di trasparenza per i chatbot e per i contenuti generati, regole specifiche per i modelli di AI per scopi generali e requisiti più severi per usi sensibili come la selezione del personale, a prescindere dalla tecnica usata.
Domande frequenti
ChatGPT è machine learning?
Sì. ChatGPT si basa su un grande modello linguistico addestrato con tecniche di machine learning, in particolare deep learning. Appartiene alla famiglia dell'AI generativa.
L'AI generativa sostituisce il machine learning tradizionale?
No, sono complementari. Per previsioni e classificazioni su dati strutturati il machine learning tradizionale è spesso più preciso, economico e spiegabile.
Perché l'AI generativa sbaglia?
Perché produce il testo più probabile, non il più vero. Non verifica i fatti: per questo può dare risposte plausibili ma false, le cosiddette allucinazioni.
Posso inserire dati aziendali in un assistente generativo?
Solo se lo strumento e le regole interne lo consentono. Bisogna sapere dove vanno i dati, se vengono riutilizzati per l'addestramento e cosa permette il contratto con il fornitore.
Vuoi approfondire?
Continua a leggere
Non perderti le prossime uscite
Un'email occasionale con una selezione dei fatti più rilevanti su AI e regolamentazione, dal mio punto di osservazione.