Ogni giorno, in azienda, qualcuno incolla dei dati dentro un'AI. Un elenco di clienti da riordinare. Un documento da riassumere. Un file da “far leggere” a ChatGPT o Gemini per estrarre qualcosa.

È comodo. Funziona. E quasi nessuno si ferma a pensare dove finiscono quei dati.

Perché il punto non è se l'AI serve. Serve, eccome. Il punto è un altro: non tutta l'AI ha bisogno che tu le mandi i tuoi dati.

Esiste una categoria di modelli — piccoli, specializzati — che fanno un lavoro utilissimo restando sul tuo dispositivo. Non salgono in cloud. Non “vedono” nulla su un server. Uno dei più usati si chiama NER. E capirlo aiuta a ragionare meglio su tutta l'AI che usi.

Cos'è un modello NER

NER sta per Named Entity Recognition: riconoscimento di entità nominate. In parole semplici: è un modello che legge un testo e capisce cosa sono le parole.

Non solo “questa è una parola con la maiuscola”, ma:

  • questa è una persona
  • questa è un luogo
  • questa è un'organizzazione

Prendi la frase: “Marco Rossi lavora a Firenze per Ferrari.” Un modello NER ti dice: Marco Rossi è una persona, Firenze è un luogo, Ferrari è un'azienda. E lo fa dal contesto, non da un elenco.

Perché gli elenchi non bastano (e il contesto sì)

L'approccio ingenuo è: “Mi faccio una lista di nomi e cerco quelli.” Non funziona. E il motivo è semplice: i nomi del mondo non stanno in una lista.

Ci sono nomi italiani, polacchi, turchi, cinesi, spagnoli. Cognomi che non hai mai visto. Città che non conosci. Aziende nate ieri. Una lista è sempre incompleta. E riempirla di tutto genera errori: “Como” è una città, ma anche un pezzo di frase in spagnolo; “Marino” è un cognome, ma anche un comune.

Il NER risolve il problema in un altro modo: non memorizza parole, riconosce schemi. Ha “letto” milioni di frasi durante l'addestramento e ha imparato come si comportano le persone, i luoghi, le aziende dentro una frase. Così riconosce un nome che non ha mai visto, in una lingua qualsiasi, semplicemente perché si comporta come un nome.

È la differenza tra imparare a memoria un vocabolario e imparare a leggere.

Come funziona, senza tecnicismi

Un modello NER è, in sostanza, un file: una rete di “pesi” numerici che rappresentano ciò che il modello ha imparato. Quando gli dai un testo:

  1. lo spezza in pezzi (le parole, e a volte pezzi di parola);
  2. per ogni pezzo calcola quanto “assomiglia” a una persona, a un luogo, a un'organizzazione, guardando anche ciò che c'è prima e dopo;
  3. restituisce le entità con la loro etichetta.

Tutto qui. Nessuna magia, nessuna coscienza. Un riconoscitore di pattern molto bravo su un compito preciso.

Ed è proprio questa la sua forza: fa una cosa sola, e la fa in poco spazio. Un modello NER pesa qualche decina di megabyte. Un grande modello conversazionale ne pesa migliaia, e per questo vive per forza sui server di qualcun altro.

Il punto che cambia tutto: può girare in locale

Un modello piccolo e specializzato come il NER può essere eseguito interamente sul tuo dispositivo — dentro il browser, sul tuo computer. Concretamente significa che:

  • il modello (i suoi “pesi”) si scarica una volta, come una qualsiasi app;
  • da lì in poi lavora in locale;
  • il testo che gli dai da analizzare non lascia mai la tua macchina.

Non è una promessa di fiducia. È architettura. Non esiste un server a cui mandare i dati, perché il calcolo avviene dove sei tu.

Con un'AI in cloud, invece, il flusso è opposto: il tuo dato parte, arriva a un server, viene elaborato lì. Puoi fidarti delle policy del fornitore, ma il dato è uscito. E “uscito” è una parola che, con i dati di clienti e dipendenti, pesa.

Perché a un'azienda B2B interessa davvero

Non è una questione da tecnici. È una questione di responsabilità. Ogni volta che un collaboratore incolla un file con nomi, email, contratti o anagrafiche dentro uno strumento cloud, sta facendo uscire dati personali dall'azienda. Spesso senza saperlo.

Il GDPR non guarda alle buone intenzioni. Guarda a dove vanno i dati. E il paradosso è evidente:

  • se vuoi usare l'AI per lavorare sui tuoi dati, sei tentato di caricarli su un'AI online;
  • ma caricarli è proprio ciò che, per riservatezza e compliance, non dovresti fare.

I modelli locali spezzano questo paradosso. Ti danno la capacità dell'AI senza il trasferimento del dato. Non su tutto — ma su molti compiti concreti e ripetitivi, sì.

Le situazioni in cui vale la pena

Non serve a tutti, sempre. Ma ci sono segnali chiari. Vale la pena guardare a questi modelli quando in azienda:

  • lavori spesso con file pieni di dati personali — anagrafiche clienti, CV, contratti, export dal CRM — e vorresti l'aiuto dell'AI senza farli uscire;
  • devi condividere dati con terzi (agenzie, consulenti, fornitori) e ti serve prima “ripulirli”;
  • operi in un settore sensibile o regolamentato, oppure il DPO o l'ufficio legale ha già messo in guardia sull'uso di ChatGPT con i dati aziendali;
  • hai compiti di testo ripetitivi e ben definiti — estrarre nomi, classificare, taggare, ordinare — su volumi importanti;
  • vuoi alimentare un processo con l'AI, ma la compliance ti blocca sul “caricare online”.

Il filo comune: dati che conviene tenere in casa, più un compito ripetibile. È lì che un modello locale smette di essere una curiosità tecnica e diventa uno strumento di lavoro.

Un segnale pratico da non ignorare: se qualcuno nel team ha già iniziato a incollare file aziendali in ChatGPT “perché è comodo”, il problema esiste già. La domanda non è se accadrà. È come dargli un'alternativa sicura.

E in pratica, come si fa?

Qui la domanda giusta è una sola: chi lo deve fare? Perché ci sono due livelli, molto diversi.

Livello 1 — Uso diretto, senza IT. Esistono strumenti già pronti che eseguono il modello dentro il browser. Apri una pagina, il modello si scarica una volta — come quando un sito carica un font o una libreria — e da lì lavora sul tuo computer.

  • Serve installare qualcosa? No.
  • C'è un'interfaccia? Sì: una normale pagina web. Carichi il testo o il file, ottieni il risultato.
  • Serve chiamare l'IT? No, lo può fare chiunque.
  • I dati escono? No: restano nel tuo browser.

È la via giusta per la maggior parte delle persone e dei compiti quotidiani.

Livello 2 — Integrazione nei sistemi, con un tecnico. Se invece vuoi inserire il riconoscimento dentro i tuoi processi (il CRM, un gestionale, un flusso automatico), lì serve uno sviluppatore. Userà librerie open e gratuite — le più note sono spaCy e Hugging Face Transformers — e scaricherà il modello da Hugging Face, una specie di repository pubblico dei modelli di AI, il “GitHub” dell'intelligenza artificiale: migliaia di modelli pronti, gratuiti, in tante lingue.

  • Serve installare qualcosa? Sì, ma lo fa il tecnico, una volta.
  • C'è un'interfaccia? No: è codice che gira dentro i tuoi sistemi.
  • I dati escono? No: gira sui tuoi server o sui tuoi computer.

In entrambi i casi il principio non cambia: il modello viene a te, non i tuoi dati vanno da lui.

E, a livello di decisione, la cosa importante è che non è un progetto enorme. Un modello NER pronto si scarica gratis, pesa poco e per l'uso base non richiede né budget né infrastruttura. Il costo vero non è tecnico: è decidere di trattare i dati riservati con uno strumento che non li fa uscire, invece del solito comodo copia-incolla.

Quando ha senso il locale e quando il cloud

Non è una guerra. È una scelta per compito.

  • In locale conviene quando il compito è specifico e i dati sono sensibili: riconoscere entità, classificare, estrarre, mascherare, ordinare. Modelli piccoli, veloci, sul tuo dispositivo.
  • In cloud conviene quando ti serve la potenza generalista dei grandi modelli — ragionamento aperto, scrittura complessa, sintesi ampie — e i dati non sono riservati.

La regola pratica: più il dato è sensibile e il compito è definito, più il locale è la scelta giusta.

E va detto con onestà: il locale ha un prezzo. I modelli piccoli sono meno “generali”, vanno scaricati una volta e girano sulla potenza del tuo computer, quindi su file enormi sono più lenti. In cambio, i tuoi dati restano tuoi.

La domanda da farsi

L'AI utile non è solo quella che risponde meglio. È anche quella che non ti chiede di rinunciare al controllo dei tuoi dati per funzionare.

Un modello NER è un piccolo esempio di un principio più grande: gran parte del valore dell'intelligenza artificiale può stare vicino a te, non su un server lontano.

Quindi, la prossima volta che stai per incollare un file dentro un'AI, vale una domanda: questo dato ha davvero bisogno di uscire dall'azienda per essere elaborato?

Molto spesso, la risposta è no. E capirlo, oggi, è già un vantaggio competitivo.