Roberto Carrozzo, Head of Intelligence & Data di Minsait in Italia, spiega i possibili vantaggi degli SLM e quale potrebbe essere l’approccio vincente per le aziende che li adottano
E se l’intelligenza artificiale diventasse più snella, veloce ed economica senza sacrificare efficacia e affidabilità? La risposta a questa domanda sta prendendo forma da tempo e probabilmente sarà anche un trend nel 2025, con l’ascesa degli Small Language Models (SLM), modelli di linguaggio di dimensioni ridotte che stanno rivoluzionando il modo in cui le aziende possono sfruttare l’AI generativa. Mentre i grandi modelli linguistici (LLM) hanno dominato la scena negli ultimi anni con le loro capacità generaliste e impressionanti, i SLM stanno emergendo come una soluzione complementare e, in alcuni casi, preferibile, grazie a vantaggi che stanno ridisegnando le strategie di adozione dell’AI nel mondo aziendale.
Il contesto è quello di un mercato in forte espansione. In Italia l’intelligenza artificiale ha registrato una crescita straordinaria nel 2024, secondo i dati dell’Osservatorio Artificial Intelligence del Politecnico di Milano, raggiungendo la cifra record di 1,2 miliardi di euro (+58% rispetto all’anno precedente). Questo boom è stato alimentato principalmente dall’AI generativa, che rappresenta ormai il 43% del valore complessivo del mercato, mentre il restante 57% è costituito da soluzioni di AI tradizionale. In questo scenario in rapida evoluzione, la ricerca di soluzioni più efficienti e sostenibili sta spingendo sempre più imprese a valutare alternative ai tradizionali LLM, aprendo la strada a un’adozione massiccia degli SLM.
Uno dei punti di forza degli SLM è la loro efficienza operativa. A differenza dei LLM, che richiedono enormi quantità di dati, potenza di calcolo e infrastrutture cloud costose, gli SLM possono essere eseguiti su hardware più leggero, riducendo significativamente i costi di gestione. Questo aspetto non è trascurabile per le aziende che vogliono implementare l’AI su larga scala senza dover sostenere investimenti proibitivi in server e GPU. Anche nei modelli “a servizio” in cloud il costo degli SLM è radicalmente inferiore, anche di un ordine di grandezza, rispetto gli LLM tradizionali. Inoltre, l’efficienza energetica degli SLM si traduce in un impatto ambientale inferiore, rendendoli una scelta strategica per le aziende che puntano sulla sostenibilità. Riducendo il consumo di risorse computazionali e la necessità di infrastrutture energivore, questi modelli offrono un’alternativa più ecologica rispetto ai tradizionali LLM, contribuendo a limitare l’impronta carbonica e favorendo un’AI più sostenibile.
Oltre ai vantaggi economici e ambientali, gli SLM brillano in termini di velocità e reattività. Essendo modelli più compatti e ottimizzati per specifiche applicazioni, offrono tempi di risposta significativamente inferiori rispetto ai loro omologhi di grandi dimensioni. Questo li rende ideali per scenari in cui la rapidità è un fattore critico, come l’automazione del customer service, il supporto decisionale in tempo reale e l’elaborazione di informazioni su dispositivi con risorse limitate, come smartphone e IoT. Immaginate un’azienda che utilizza l’AI per filtrare e rispondere a migliaia di e-mail o richieste di assistenza: un SLM ben addestrato può gestire il carico in modo più efficiente di un LLM, garantendo risposte pertinenti senza latenza.
Se da un lato gli SLM non possono competere con gli LLM nella capacità di gestire una vasta gamma di compiti generici, dall’altro si dimostrano molto più efficaci in contesti specifici. Le aziende che operano in settori regolamentati, come la finanza e la sanità, trovano negli SLM un alleato prezioso: modelli più piccoli e verticalizzati consentono di mantenere il controllo sui dati, riducendo i rischi di compliance e migliorando la sicurezza. Inoltre, il training su set di dati mirati consente di ottenere un’accuratezza maggiore in ambiti altamente specializzati, laddove un LLM generalista potrebbe risultare dispersivo o meno affidabile.
L’approccio vincente per molte aziende potrebbe non essere una scelta tra LLM e SLM, ma una combinazione intelligente dei due. In un’architettura ibrida, gli SLM possono gestire operazioni ripetitive e specifiche, demandando ai LLM solo le richieste più complesse o aperte, ottimizzando così costi e risorse. Questo modello permette di sfruttare la potenza degli LLM senza il loro ingombrante fabbisogno computazionale, garantendo al contempo prestazioni elevate e sostenibilità economica.
Il 2025 segna dunque un cambio di paradigma: l’intelligenza artificiale non è più solo una questione di potenza bruta, ma di intelligenza applicata. Gli SLM rappresentano la prova che, nel mondo dell’AI, più grande non significa necessariamente migliore. Per le aziende che vogliono rimanere competitive, abbracciare questa nuova generazione di modelli potrebbe essere la chiave per un futuro in cui l’AI è più accessibile, scalabile, sostenibile, economica e su misura per le reali esigenze di business.
