— Lezione 15 / Anatomia computazionale del prompt —

Quattordici parole,
centinaia di dati attivati.

Ogni prompt che inviamo a un modello linguistico viene prima frammentato in unità minime — i token — e poi usato per attivare interi "scaffali" di conoscenza. Vediamo cosa accade davvero quando il modello legge la nostra istruzione contabile.

Lingua input Italiano

Token stimati ≈ 14 BPE

Densità informativa Alta · 6 entità

Lacune da inferire 12 parametri

§ 01

Frammentazione del prompt in token

BPE · Byte-Pair Encoding

stanz1 iamo2 ␣un3 ␣budget4 ␣per5 ␣una6 ␣nuova7 ␣imp8 astatr9 ice10 ␣che11 ␣produce12 ␣bisc13 otti14

Token totali

Parole

1.4

Token / parola

Sub-word splits

Verbo radice

Articolo

Sostantivo

Preposizione/Connettivo

Aggettivo

Sub-word (frammento)

Termine tecnico

§ 02

I quattro contenitori di dati attivati

Knowledge activation map

— BUCKET 01 —

Dati estratti dal testo

Ciò che il prompt dichiara esplicitamente

Intento: allocazione di risorse finanziarie verbo "stanziamo"
Oggetto economico: budget, voce di bilancio token #4
Bene strumentale: impastatrice industriale token #8–10
Settore produttivo: dolciario / panificazione token #13–14
Stato del bene: nuovo, prima immissione token #7
Soggetto plurale: "noi" aziendale desinenza -iamo

— BUCKET 02 —

Conoscenze di dominio attivate

Le basi tecniche richiamate per rispondere

Capital Budgeting: tecniche VAN, TIR, payback, ROI finanza
OIC 16: immobilizzazioni materiali, criteri di iscrizione contabile
OIC 24: piano di ammortamento, vita utile contabile
TUIR art. 102: ammortamento fiscale macchinari fiscale
Tabella Min. coef.: 12,5% per macchinari alimentari fiscale
Piano Transizione 5.0: credito d'imposta 2026 agevolativo
Nuova Sabatini 2026: contributo in conto interessi agevolativo
HACCP / BRC / IFS Food: standard alimentari regolatorio

— BUCKET 03 —

Benchmark di mercato

Riferimenti quantitativi richiamati per analogia

Range prezzi impastatrici: 5k–250k € secondo capacità statistico
Capacità tipiche: 50–800 kg/ora per uso industriale tecnico
Vita utile media: 8–10 anni in ambiente alimentare contabile
Consumo energetico: 3–25 kW per modelli industriali operativo
Costo manutenzione: 4–7% del valore/anno gestionale
WACC PMI italiana: banda 6,5–9% nel 2026 finanziario

— BUCKET 04 —

Inferenze probabilistiche

Ipotesi che il modello deve costruire per colmare i vuoti

Tipologia azienda: presunta PMI manifatturiera dolciaria P ≈ 0,7
Localizzazione: Italia (per coerenza linguistica) P ≈ 0,9
Forma giuridica: SRL prevalente nel comparto P ≈ 0,6
Modalità acquisto: probabile leasing finanziario P ≈ 0,5
Orizzonte di pianificazione: esercizio 2026 P ≈ 0,6
Aliquota IRES + IRAP: 27,9% standard P ≈ 0,8
Regime IVA: ordinario con detraibilità piena P ≈ 0,8

§ 03

Il flusso di elaborazione interna

Pipeline semplificata

Dal prompt grezzo alla risposta strutturata

FASE 1

Tokenizzazione

Frammentazione BPE in 14 unità minime

FASE 2

Embedding

Conversione in vettori semantici densi

FASE 3

Attenzione

Pesatura delle relazioni tra token

FASE 4

Recupero

Attivazione delle basi di conoscenza

FASE 5

Generazione

Produzione token-per-token della risposta

§ 04

Mappa pesata delle inferenze

Token → Dato → Confidenza

Token sorgente	Tipo di dato richiamato	Esempio di valore inferito
stanz·iamo	Atto deliberativo collegiale	Delibera CdA o decisione amministratore unico
budget	Strumento di pianificazione	Budget CapEx 2026, voce immobilizzazioni
nuova	Stato del cespite	Acquisto primario (non sostituzione né usato)
imp·astatr·ice	Categoria merceologica	Macchina industriale per impasti, codice ATECO 28.93
produce	Funzione operativa	Linea produttiva, non bene rivendibile
bisc·otti	Settore di sbocco	Comparto dolciario, codice ATECO 10.72
∅ (assente)	Importo del budget	Da inferire con range 50–200k €
∅ (assente)	Modalità di finanziamento	Buy / Leasing / Noleggio (3 scenari paralleli)
∅ (assente)	Dimensione aziendale	PMI 10–50 dipendenti (assunzione di default)

— Apprendimento didattico —

Tre principi per "leggere" il proprio prompt come una macchina.

I. Ogni token è una porta

I termini più rari (impastatrice) si frammentano in più sub-word ma attivano conoscenze tecniche più precise rispetto a parole comuni. La rarità lessicale è una risorsa, non un difetto.

II. I vuoti pesano quanto il pieno

I token assenti — i parametri non dichiarati — vengono comunque "riempiti" dal modello con valori probabilistici. Più alta è la confidenza richiesta, più il vuoto va esplicitato.

III. La lingua orienta il sapere

Scrivere in italiano attiva preferenzialmente le basi normative italiane (OIC, TUIR, Sabatini). La scelta linguistica è anche una scelta di giurisdizione interpretativa.

Quattordici parole,centinaia di dati attivati.