Perché il tuo LLM pensa che “The Madison” si trovi nel Wisconsin

Di Tyler Bell, vicepresidente senior, Prodotto

Ecco una situazione che capita spesso: con così tanti contenuti televisivi a disposizione, ti ritrovi a chiedere consigli su quali programmi guardare ad amici e familiari per evitare di dover scorrere all’infinito. Per fortuna, un amico che sa che ti sono piaciuti “Yellowstone”, “Landman” e “Mayor of Kingstown” ti consiglia l’ultima serie TV di Taylor Sheridan, “The Madison”.

Non vedendo l'ora di iniziare la serie, chiedi al tuo telecomando con comando vocale di cercare e riprodurre il primo episodio. Ma invece di mostrarti la serie drammatica con Michelle Pfeiffer, che racconta la storia di una famiglia che si trasferisce da New York City alle lande selvagge del Montana, ti viene proposto un reality show su un gruppo di giovani adulti che vivono a Madison, nel Wisconsin.

Potrebbe sembrare improbabile, vista la grande attenzione che circonda Taylor Sheridan e il suo impero di serie TV di successo. È tuttavia proprio questa la risposta che ci ha fornito un modello LLM non addestrato quando gli abbiamo chiesto informazioni sull’ultima serie dell’universo televisivo di Sheridan.

Per quanto sorprendente possa sembrare questa risposta, non dovrebbe esserlo. Questo perché i modelli di linguaggio di grandi dimensioni (LLM) presentano alcuni limiti fondamentali.

Sebbene i modelli di linguaggio di grandi dimensioni (LLM) eccellano nel ragionamento e nell’inferenza, non sono progettati per esporre i fatti. In quanto motori di previsione, la loro unica funzione è quella di prevedere il token successivo. Nell’esempio sopra riportato, il limite di conoscenza dell’LLM gli impedisce di sapere qualsiasi cosa sia accaduta dopo la fine del periodo di addestramento, compresa la prima di *The Madison* nel marzo 2026. 

Per un modello di linguaggio di grandi dimensioni (LLM), l’accuratezza delle risposte dipende interamente dalla plausibilità ottimizzata, non dai fatti. I dati e l’addestramento possono migliorare i risultati, ma nessuno dovrebbe aspettarsi certezze fattuali da una macchina addestrata a rispondere sulla base della probabilità. Come nel caso dei chatbot più diffusi, quali ChatGPT e Gemini, il modello LLM all’interno di qualsiasi servizio di distribuzione video necessita di^{un “grounding”¹} per verificare, correggere e migliorare le risposte fornite.

A differenza di quei chatbot molto diffusi, tuttavia, i modelli di linguaggio di grandi dimensioni (LLM) utilizzati per la ricerca e l’individuazione di contenuti necessitano di un “grounding” specifico per il settore. Un “grounding” basato su dati autorevoli nel campo dell’intrattenimento, ad esempio, impedirebbe a un LLM privo di tale “grounding” di fornire informazioni su una serie TV di Starz intitolata *Heels*, andata in onda dal 2021 al 2023, quando gli venisse chiesto di un lungometraggio del 2025 dal titolo molto simile: *Heel*.

Con l'aumentare dei cataloghi di contenuti, la difficoltà di trovare ciò che si cerca è reale: gli spettatori televisivi dichiarano infatti di impiegare ormai 14 minuti alla ricerca di qualcosa da^guardare2. I modelli di linguaggio di grandi dimensioni (LLM) hanno la capacità di risolvere le difficoltà di ricerca dei contenuti per il pubblico, ma non possono farlo da soli.

Il "grounding" permette ai modelli di linguaggio di grandi dimensioni (LLM) di rimanere al passo con i tempi

Basandosi esclusivamente sui dati di addestramento, i modelli di linguaggio di grandi dimensioni (LLM) non costituiscono banche di conoscenza complete. Questa caratteristica fondamentale è alla base del motivo per cui gli LLM necessitano di dati esterni per garantire che le risposte fornite siano aggiornate e accurate. Senza un ancoraggio esterno, ad esempio, i limiti temporali delle conoscenze rendono gli LLM incapaci di riconoscere qualsiasi contenuto pubblicato dopo la loro implementazione: un limite notevole se si considera il numero di nuove serie TV e film che escono ogni anno.

Sebbene possa risultare frustrante per il pubblico, la risposta migliore che un LLM possa dare quando gli viene chiesto di un nuovo film potrebbe essere semplicemente quella di riconoscere i limiti dei propri dati di addestramento. In un recente studio pubblicato su * Gracenote *, un LLM non addestrato su dati reali, rilasciato nel maggio 2025, ha fatto proprio questo, sottolineando di non disporre di informazioni su una serie di film di grande successo usciti nel 2025 e nel 2026.

Più comunemente, tuttavia, i modelli di linguaggio di grandi dimensioni (LLM) inventano ciò che non conoscono (ovvero, hanno delle “allucinazioni”) e lo fanno con grande sicurezza. Ciò comporta rischi significativi per l’esperienza utente nel mondo dell’intrattenimento, soprattutto in un contesto caratterizzato da una crescente frammentazione e dalla prevalenza di titoli riproposti con lo stesso nome dei loro predecessori.

Per comprendere meglio l’impatto delle allucinazioni sulla scoperta dei contenuti, il nostro recente studio ha valutato la quantità di informazioni inventate da un LLM non addestrato sui 100 episodi televisivi e sui 100 film più popolari in 13 paesi. Su un totale di 2.600 titoli, l’LLM non addestrato ha inventato il 100% delle informazioni a livello di attributi relative a 506 titoli (quasi il 20% del totale).

I modelli di linguaggio di grandi dimensioni (LLM) non sono in grado di garantire la certezza dei fatti

Nel loro insieme, i limiti infrastrutturali legati alla quantità limitata di dati di addestramento, alla previsione del token successivo e alla mancanza di dati di riferimento determinano un’esperienza negativa per i telespettatori. In definitiva, un’esperienza utente positiva dipende dalla capacità degli spettatori di trovare ciò che stanno cercando. In questo contesto, i modelli di linguaggio di grandi dimensioni (LLM) privi di dati di riferimento non sono all’altezza del compito, semplicemente perché l’accuratezza fattuale è impossibile da garantire.

Per i servizi di streaming, l’intelligenza artificiale non radicata nella realtà non è una questione teorica. Se un assistente inventa una trama, indica un cast errato o confonde titoli simili, gli spettatori non daranno la colpa al modello. Daranno invece la colpa all’esperienza stessa, rendendo il radicamento nella realtà essenziale per la fiducia, la fidelizzazione e la monetizzazione.

È proprio questo rischio a rendere così urgente risolvere il problema della scoperta dei contenuti, e la sfida più grande che il pubblico deve affrontare oggi è trovare qualcosa da guardare. I modelli di linguaggio di grandi dimensioni (LLM) svolgeranno un ruolo fondamentale in questo contesto, ma le strategie di IA di successo non si baseranno su modelli più grandi. 

Al contrario, le aziende del settore dei media e i fornitori di servizi di streaming di successo integreranno direttamente nel proprio stack di intelligenza artificiale un sistema completo e aggiornato di analisi dei contenuti, alimentato da set di dati concessi in licenza, server MCP o altre connessioni a un grafico di conoscenza autorevole.

Agenti e modelli: Ma il chatbot lo fa bene…

Ecco una distinzione di fondamentale importanza nel mondo dell’IA: quando, in qualità di consumatore, interagisci con ChatGPT, Gemini o Claude, non stai utilizzando il modello che acquisteresti con una licenza professionale rispettivamente da OpenAI, Google o Anthropic. Al contrario, stai interagendo con un agente, ovvero un’implementazione del modello sottostante combinata con un numero significativo di strumenti e dati ausiliari. 

Hai una domanda di matematica? Il modello la inoltra a uno strumento aritmetico. Vuoi sapere qualcosa su un evento recente, sui risultati sportivi o sulle ultime notizie? Il modello inoltra la richiesta a uno strumento dedicato che effettua ricerche sul web. Questi chatbot rivolti ai consumatori si avvalgono di decine, se non centinaia, di strumenti e fonti di dati specifici per settore e attività, al fine di garantire l’esperienza informata che offrono ai consumatori.

Quando si utilizza un modello di linguaggio di grandi dimensioni (LLM) nel proprio stack dedicato all’intrattenimento, non si ha accesso agli stessi strumenti e dati disponibili per i chatbot destinati ai consumatori. L’LLM è una soluzione incompleta. In questo caso, è necessario procurarsi autonomamente i dati e gli strumenti necessari per:

• Adattare le risposte dell'LLM per prevenire le allucinazioni endemiche
• Fornire funzionalità complementari che il modello di linguaggio di grandi dimensioni (LLM) non è in grado di svolgere autonomamente, e 
• Assicurarsi che il modello abbia accesso a informazioni aggiornate 

Strumenti specifici, come i server MCP, vengono integrati con le istruzioni comportamentali (il prompt di sistema) e la logica di business all’interno di un agente. Probabilmente implementerete un agente diverso per ogni attività legata all’intelligenza artificiale nel vostro stack di intrattenimento, ma tutti utilizzeranno lo stesso LLM e gran parte degli stessi strumenti.

Questo articolo è stato originariamente pubblicato su Streaming Media.