I modelli piccoli stanno vincendo (e nessuno se lo aspettava)

C'è un'idea che gira da un paio d'anni: più il modello è grande, meglio è. Miliardi di parametri, sale server enormi, bollette da capogiro. E infatti quando si parla di AI si pensa subito ai giganti tipo GPT o Claude. Ecco, nel 2026 sta succedendo il contrario di quello che immaginavamo. In azienda, spesso, il modello piccolo batte quello grande.

Non è una provocazione. Gartner prevede che entro il 2027 le aziende useranno modelli piccoli e specializzati tre volte più dei grandi modelli generalisti. Tre volte. Vale la pena capire perché, perché è una di quelle cose che cambia come conviene costruire un progetto AI.

LLM e SLM: che differenza c'è

Partiamo dalle sigle, che spaventano ma sono semplici. LLM sta per Large Language Model: il modello grande, quello che sa un po' di tutto. Sa scriverti una poesia, ragionare su un problema di matematica, spiegarti la storia romana. SLM sta per Small Language Model: il modello piccolo, addestrato per fare bene una cosa sola.

L'analogia che uso ai corsi è quella dell'ospedale. Il LLM è il medico generico preparatissimo: gli chiedi qualsiasi cosa e ti risponde. Lo SLM è lo specialista: sa solo di cuore, ma sul cuore ne sa più del generico, costa meno di una consulenza universale e ti risponde in un attimo. Se il tuo problema è sempre lo stesso tipo di problema, chi vuoi che te lo risolva?

Perché in azienda conviene il piccolo

Qui casca l'asino, e cascano anche i costi. Un modello grande in cloud lo paghi a consumo, e più lavoro gli dai più la bolletta sale. Un modello piccolo puoi tenertelo in casa, sui tuoi server, e gira su hardware normale. Costa una frazione. Ma il punto non è solo il prezzo.

C'è la privacy: i tuoi dati non escono dall'azienda, restano dove devono stare. C'è la velocità: un modello da qualche miliardo di parametri risponde subito, non deve fare avanti e indietro con un data center dall'altra parte del mondo. E c'è l'affidabilità. Su compiti ben definiti e ripetitivi, uno SLM ben addestrato tocca oltre il 98% di risposte corrette. Un dato che a noi, che gli automatismi li mettiamo in produzione davvero, dice tantissimo.

La cosa che mi ha stupito di più: una ricerca recente mostra che un modello da appena 350 milioni di parametri, addestrato bene su un compito preciso, può battere i modelli giganti proprio su quel compito. Piccolo, mirato, superiore. Non sempre serve il bazooka.

Un esempio concreto: la rete telecom

Prendiamo un caso vicino al nostro mondo. Un lavoro pubblicato da poco (arXiv) affronta il troubleshooting delle reti telecom con una squadra di agenti AI. Uno rileva il guasto, uno pianifica la soluzione, uno la esegue, uno recupera i dati, uno analizza la causa. Un piccolo team di specialisti digitali che si passano il lavoro.

E il cervello che pianifica la soluzione? Non è un modello mostruoso. È uno SLM da 1 a 7 miliardi di parametri, addestrato apposta sul dominio telecom. Cost-effective, rispettoso della privacy, veloce abbastanza da lavorare quasi in tempo reale. Esattamente il tipo di sistema che ha senso per chi gestisce infrastrutture ogni giorno.

Cosa ce ne facciamo

La lezione non è "buttiamo via i modelli grandi". Quelli restano insostituibili quando il problema è vago, aperto, imprevedibile. La strada giusta, quella che nel 2026 stanno prendendo in tanti, è ibrida: il modello piccolo fa il grosso del lavoro ripetitivo, il grande interviene solo sui casi difficili.

Tradotto per chi in azienda deve decidere: prima di partire con il modello più costoso sul mercato, chiediti se il tuo problema è davvero così vario. Molto spesso non lo è. E lì un modello piccolo, tuo, addestrato sui tuoi dati, fa un lavoro migliore e ti costa una frazione. Il futuro dell'AI in azienda non è per forza gigante. Spesso è su misura.

---

Fonti:

• Gartner via Centific, Why small language models are gaining ground as agentic AI goes mainstream: https://www.centific.com/blog/why-small-language-models-are-gaining-ground-as-agentic-ai-goes-mainstream
• Red Hat, Small models, big impact: the future of scaling enterprise AI agents: https://www.redhat.com/en/blog/small-models-big-impact-future-scaling-enterprise-ai-agents
• Leveraging Multi-Agent System (MAS) and Fine-Tuned Small Language Models (SLMs) for Automated Telecom Network Troubleshooting, arXiv:2511.00651: https://arxiv.org/abs/2511.00651