Perché l’AI italiana spesso non funziona: il caso Emma-5

Negli ultimi mesi l’intelligenza artificiale è diventata una parola obbligatoria in qualsiasi conversazione legata all’innovazione. Aziende, istituzioni, startup e consulenti parlano di AI come se fosse una soluzione immediata, quasi automatica, capace di trasformare ogni processo aziendale nel giro di pochi giorni.

Ma la realtà è molto meno semplice.

Il caso di Emma-5, il modello di intelligenza artificiale sviluppato dalla startup italiana Egomnia, ha reso evidente un punto che molte aziende fanno ancora fatica ad accettare: non basta costruire o adottare un modello AI per generare valore. Serve metodo, servono dati, servono test, serve integrazione. Soprattutto, serve capire che l’intelligenza artificiale non è un’etichetta da mettere su un prodotto, ma un sistema complesso che deve funzionare nel mondo reale.

Emma-5 è stato presentato da Egomnia come un Large Language Model italiano addestrato da zero, con 550 milioni di parametri e rilasciato come progetto open source. Nella comunicazione ufficiale, il progetto viene raccontato non come punto di arrivo, ma come primo passo verso una possibile sovranità tecnologica italiana nell’ambito dell’intelligenza artificiale.  

Il problema è che, dopo il lancio pubblico, Emma è diventato rapidamente un caso mediatico per alcune risposte sbagliate, illogiche o potenzialmente pericolose. Sky TG24 ha raccontato che il modello, lanciato pochi giorni prima, è diventato virale per schermate condivise dagli utenti su X, LinkedIn e Reddit, dove comparivano risposte inesatte o insensate.   Anche L’Espresso ha dedicato un approfondimento al caso, citando tra gli esempi più discussi alcune risposte clamorosamente errate e riaprendo il dibattito sui limiti dell’intelligenza artificiale.  

Ma ridurre tutto a una presa in giro social sarebbe un errore.

Il caso Emma-5 è interessante non perché “l’AI italiana sbaglia”, ma perché mostra con chiarezza cosa succede quando l’intelligenza artificiale viene raccontata più velocemente di quanto venga realmente validata.

Quando l’errore non è solo buffo, ma diventa un problema

Alcune risposte circolate online sono diventate virali perché apparentemente assurde. Alla domanda “Quanti sono i sette nani?”, Emma-5 avrebbe risposto parlando di milioni di anni, età stimate in miliardi di anni e massa rispetto al Sole. Un errore quasi comico, che sui social diventa immediatamente materiale da meme.

Ma altri esempi sono molto meno leggeri.

In alcune schermate condivise dagli utenti, a domande esplicitamente pericolose, il modello avrebbe prodotto risposte non solo sbagliate, ma anche prive di un adeguato livello di sicurezza. Alla domanda se fosse sicuro regalare un AK-47 a un bambino di 5 anni, la risposta mostrata indicava che fosse sicuro.

In un altro esempio, a una domanda sul bere mercurio, il modello avrebbe risposto in modo gravemente scorretto, minimizzando il pericolo.

Questi esempi non vanno usati solo per ridicolizzare un progetto. Sono il punto centrale della questione.

Un modello linguistico non deve semplicemente “rispondere”. Deve sapere quando non rispondere, quando correggere l’utente, quando mettere un limite, quando dichiarare incertezza e quando attivare una risposta di sicurezza. In altre parole, deve essere progettato non solo per generare testo, ma per comportarsi in modo affidabile.

Per un’azienda, questa differenza è fondamentale.

Un chatbot che sbaglia il numero dei sette nani può sembrare un problema banale. Un assistente AI che dà indicazioni errate su sicurezza, salute, contratti, prodotti, pagamenti o procedure aziendali può invece diventare un rischio operativo e reputazionale.

Ed è qui che il caso Emma smette di essere un meme e diventa una lezione.

L’errore più grande: confondere un esperimento con un prodotto pronto

Nel mondo tecnologico, sperimentare è fondamentale. Un modello open source, anche imperfetto, può avere valore se viene presentato per quello che è: una base di ricerca, un punto di partenza, un laboratorio pubblico.

Il problema nasce quando il mercato percepisce quel sistema come un’alternativa reale, pronta e affidabile rispetto ai grandi modelli internazionali. In quel momento cambia tutto. Non si parla più soltanto di ricerca, ma di aspettative, fiducia e responsabilità.

Un modello linguistico non viene giudicato solo per la sua architettura o per il numero di parametri. Viene giudicato per la qualità delle risposte, per la capacità di ragionare, per la gestione dei casi limite, per la sicurezza, per la coerenza e per l’utilità pratica.

Ed è qui che molte iniziative AI rischiano di fallire.

Un chatbot che risponde male non è soltanto “un modello acerbo”. Per un’azienda può diventare un problema concreto: può dare informazioni sbagliate a un cliente, interpretare male una richiesta, generare contenuti imprecisi, automatizzare un processo nel modo sbagliato o creare rischi reputazionali.

Per questo, quando si parla di AI applicata al business, la domanda non dovrebbe essere: “Abbiamo un modello?”
La domanda dovrebbe essere: “Questo sistema migliora davvero un processo aziendale in modo controllabile?”

La sovranità tecnologica non basta se manca l’affidabilità

Il tema dell’AI italiana è importante. Avere modelli più vicini alla lingua, alla cultura, ai dati e al contesto normativo italiano può essere un vantaggio. Ma la sovranità tecnologica non può diventare uno slogan.

Un modello “italiano” non è automaticamente migliore per un’azienda italiana. La lingua è solo una parte del problema. Un’impresa non ha bisogno di un’AI che semplicemente parli italiano. Ha bisogno di un’AI che capisca il suo catalogo, i suoi processi, i suoi clienti, le sue regole interne, i suoi documenti, il suo gestionale, il suo modo di lavorare.

In altre parole, il valore non nasce dal modello in sé. Nasce dall’integrazione.

Un’AI scollegata dai dati aziendali resta un assistente generico. Un’AI integrata correttamente può diventare uno strumento operativo: può aiutare il customer care, generare preventivi, analizzare documenti, supportare la vendita, organizzare informazioni interne, automatizzare report, gestire richieste ricorrenti e ridurre attività manuali ripetitive.

La differenza è enorme.

Perché molte aziende italiane sbagliano approccio all’AI

Il problema che si vede nel caso Emma-5, in piccolo, è lo stesso che si vede ogni giorno nelle aziende: si parte dallo strumento invece che dal processo.

Molte imprese chiedono “vogliamo usare l’intelligenza artificiale”, ma non hanno ancora risolto problemi molto più basilari. Documenti sparsi, dati non aggiornati, gestionali non collegati, email usate come archivio, file duplicati, procedure non scritte, siti web poco chiari, cataloghi incompleti, CRM assenti o mai compilati.

In questo contesto, l’AI non diventa una soluzione. Diventa un amplificatore del disordine.

Se i dati sono confusi, l’AI produce risposte confuse.
Se i processi non sono chiari, l’AI automatizza male.
Se il sito non comunica bene, l’AI non migliora la conversione.
Se il customer care non ha regole definite, il chatbot rischia di dare risposte incoerenti.
Se il gestionale non è integrato, l’automazione resta un esperimento isolato.

È per questo che molte implementazioni AI non generano risultati concreti: non perché l’intelligenza artificiale non funzioni, ma perché viene inserita sopra fondamenta digitali fragili.

L’AI non sostituisce la strategia digitale. La pretende.

Il numero di parametri non è una strategia

Nel racconto pubblico dell’intelligenza artificiale si parla spesso di dimensioni: parametri, GPU, supercomputer, benchmark, token, dataset. Sono elementi importanti, ma per un’azienda non sono sufficienti.

Emma-5, ad esempio, viene indicato ufficialmente come modello da 550 milioni di parametri. È un dato interessante, soprattutto in ottica sperimentale e open source. Ma per un uso generalista, le aspettative del pubblico erano evidentemente molto più alte rispetto alla reale maturità del modello. Alcune analisi tecniche hanno sottolineato proprio questo divario tra comunicazione, dimensione del modello e percezione del mercato.  

Un’impresa che vuole usare l’AI non dovrebbe partire chiedendosi quale modello sia “più potente”. Dovrebbe chiedersi quale problema vuole risolvere.

Vuole rispondere più velocemente ai clienti?
Vuole ridurre gli errori nei preventivi?
Vuole automatizzare la gestione dei documenti?
Vuole migliorare la ricerca interna?
Vuole rendere più efficiente il team commerciale?
Vuole aumentare la conversione dell’e-commerce?
Vuole creare contenuti migliori e più coerenti?

Ogni obiettivo richiede una soluzione diversa. A volte serve un modello linguistico. A volte basta una buona automazione. A volte serve collegare strumenti già presenti in azienda. A volte serve prima sistemare dati, flussi, permessi e struttura documentale.

La vera maturità digitale sta nel capire questa differenza.

L’AI utile è invisibile

L’intelligenza artificiale più utile per un’azienda non è necessariamente quella più spettacolare. Spesso è quella che lavora dietro le quinte.

Un sistema che legge automaticamente le richieste dei clienti e le smista al reparto corretto.
Un assistente interno che trova in pochi secondi una procedura aziendale.
Un flusso che genera una bozza di preventivo partendo da informazioni già presenti nel CRM.
Un’automazione che controlla ordini, disponibilità e comunicazioni post-vendita.
Un sistema che aiuta un e-commerce a recuperare carrelli abbandonati, migliorare le schede prodotto e personalizzare le comunicazioni.

Questa è l’AI che crea valore.

Non quella usata come slogan, ma quella progettata per ridurre attrito, tempo perso e margini di errore.

Cosa insegna davvero il caso Emma-5

Emma-5 non va letto solo come un fallimento o come un meme. Va letto come un promemoria.

L’intelligenza artificiale è potente, ma non perdona l’improvvisazione. Un modello può essere tecnicamente interessante e allo stesso tempo non essere pronto per un utilizzo pubblico generalista. Un progetto può essere utile alla ricerca e contemporaneamente inadatto a diventare uno strumento aziendale senza controlli, filtri, test e integrazioni.

Per chi fa impresa, il messaggio è chiaro: non bisogna inseguire l’AI perché è di moda. Bisogna adottarla quando può risolvere un problema reale, misurabile e collegato a un processo concreto.

L’AI non deve essere un esperimento isolato. Deve essere parte di un ecosistema digitale: sito, CRM, gestionale, documenti, sicurezza, marketing, customer care, dati e automazioni.

Solo così smette di essere una promessa e diventa infrastruttura.

La domanda giusta per le aziende

Nel 2026 non ha più senso chiedersi se l’intelligenza artificiale entrerà nelle aziende. È già entrata. La vera domanda è un’altra: entrerà in modo ordinato o in modo superficiale?

Le aziende che tratteranno l’AI come un giocattolo produrranno confusione.
Le aziende che la tratteranno come una leva strategica potranno migliorare processi, tempi, comunicazione e capacità decisionale.

Il caso Emma-5 ci ricorda che l’innovazione non si misura dal rumore che genera al lancio, ma dalla qualità dei risultati che produce nel tempo.

E per ottenere risultati, la tecnologia da sola non basta. Serve progettazione. Serve metodo. Serve una visione digitale completa.

Perché l’intelligenza artificiale non funziona quando viene semplicemente aggiunta a un sistema disordinato. Funziona quando diventa parte di un sistema costruito bene.