---
id: CP-259
slug: finestra-di-contesto-modelli-linguistici
lang: it
title: "Finestra di contesto: la memoria di lavoro di un'IA"
description: La finestra di contesto limita ciò che un assistente di IA legge in una volta. Che cosa legge male e i gesti semplici per usarla meglio.
canonical_url: https://startbrain.io/cyberpedia/it/articles/finestra-di-contesto-modelli-linguistici/
markdown_url: https://startbrain.io/cyberpedia/it/articles/finestra-di-contesto-modelli-linguistici.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: "Brain, «Finestra di contesto: la memoria di lavoro di un'IA», Cyberpedia, 2026. https://startbrain.io/cyberpedia/it/articles/finestra-di-contesto-modelli-linguistici/ (CC BY 4.0)"
wing: 4
theme: master_ai
reflex: air-053
schema: G3
updated: "2026-11-14"
translations:
  it: https://startbrain.io/cyberpedia/it/articles/finestra-di-contesto-modelli-linguistici/
  fr: https://startbrain.io/cyberpedia/fr/articles/fenetre-de-contexte-llm/
  en: https://startbrain.io/cyberpedia/en/articles/llm-context-window/
  de: https://startbrain.io/cyberpedia/de/articles/kontextfenster-llm/
  es: https://startbrain.io/cyberpedia/es/articles/ventana-de-contexto-llm/
  nl: https://startbrain.io/cyberpedia/nl/articles/contextvenster-llm/
  pl: https://startbrain.io/cyberpedia/pl/articles/okno-kontekstu-llm/
  pt: https://startbrain.io/cyberpedia/pt/articles/janela-de-contexto-llm/
  ja: https://startbrain.io/cyberpedia/ja/articles/llm-context-window/
sources:
  - "n": 1
    title: Understand tokens
    publisher: Microsoft
    url: https://learn.microsoft.com/en-us/dotnet/ai/conceptual/understanding-tokens
    accessed: "2026-11-14"
  - "n": 2
    title: Long context | Gemini Enterprise Agent Platform | Google Cloud Documentation
    publisher: Google
    url: https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/long-context
    accessed: "2026-11-14"
  - "n": 3
    title: "Lost in the Middle: How Language Models Use Long Contexts"
    publisher: arXiv
    url: https://arxiv.org/abs/2307.03172
    published: "2023-07-06"
    accessed: "2026-11-14"
  - "n": 4
    title: "Efficient Solutions For An Intriguing Failure of LLMs: Long Context Window Does Not Mean LLMs Can Analyze Long Sequences Flawlessly"
    publisher: arXiv
    url: https://arxiv.org/abs/2408.01866
    published: "2024-08-03"
    accessed: "2026-11-14"
  - "n": 5
    title: Prompt engineering techniques
    publisher: Microsoft
    url: https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering
    accessed: "2026-11-14"
  - "n": 6
    title: LLM01:2025 Prompt Injection
    publisher: OWASP
    url: https://genai.owasp.org/llmrisk/llm01-prompt-injection/
    published: "2024-04-10"
    accessed: "2026-11-14"
  - "n": 7
    title: LLM10:2025 Unbounded Consumption
    publisher: OWASP
    url: https://genai.owasp.org/llmrisk/llm102025-unbounded-consumption/
    published: "2024-04-10"
    accessed: "2026-11-14"
---

# Finestra di contesto: la memoria di lavoro di un'IA

Quando Lei pone una domanda a un assistente di IA, questo risponde a partire dall'informazione che gli viene trasmessa: Google chiama questa informazione il contesto [2]. La quantità di testo che il modello può prendere in considerazione in una volta si chiama finestra di contesto. Google la paragona alla memoria a breve termine: una persona può trattenere solo una quantità limitata di informazione, e lo stesso vale per i modelli generativi [2].

Questa finestra si misura in token, non in pagine. I modelli recenti l'hanno ampliata molto, ma delle ricerche mostrano che una grande finestra non garantisce una lettura affidabile di tutto ciò che contiene [3][4]. Questo articolo spiega che cosa il dipendente deve ricordarne e i gesti che limitano gli errori.

## In 30 secondi

- Dove succede: in qualsiasi conversazione con un assistente di IA, non appena si incolla un lungo documento o si danno più istruzioni.
- Che cosa succede: il modello lavora entro un limite di testo, e anche all'interno di questo limite può usare male un'informazione collocata nel mezzo di un lungo testo [3].
- Il riflesso: dividere il compito, collocare l'istruzione all'inizio e ripeterla alla fine, poi verificare la risposta [5].
- Se è già stato fatto: riveda la risposta con il testo originale sotto gli occhi, punto per punto.

## Domande dirette

### Che cos'è un token?

Un modello linguistico divide prima il testo in unità chiamate token: parole, gruppi di caratteri, o combinazioni di parole e punteggiatura [1]. Il metodo di suddivisione varia secondo il modello. I modelli GPT di OpenAI usano ad esempio una suddivisione in sotto-parole [1]. Microsoft osserva che le parole comuni di più sillabe stanno spesso in un solo token, mentre le parole più rare vengono spezzate in sillabe [5].

### Che cos'è la finestra di contesto?

È il numero massimo di token che il modello può elaborare [1]. Questo limite è spesso espresso come una finestra combinata, che copre insieme i token in ingresso (ciò che Lei scrive) e quelli in uscita (ciò che il modello produce) [1]. Più l'ingresso è lungo, meno spazio resta per l'uscita.

Microsoft fornisce un esempio numerico: con una finestra di 100 token e una frase di nove parole suddivisa parola per parola, l'ingresso occupa nove token e ne restano 91 per l'uscita. Suddivisa carattere per carattere, la stessa frase ne occupa 34 e ne restano solo 66 [1].

### Quanto è grande oggi una finestra?

Secondo Google, la maggior parte dei modelli generativi creati in questi ultimi anni elaborava solo 8.000 token alla volta, poi modelli più recenti hanno accettato 32.000 o 128.000 token [2]. Google indica che Gemini accetta 1 milione di token, il che corrisponde a 8 romanzi inglesi di lunghezza media o a 50.000 righe di codice [2].

### Il modello conserva in memoria ciò che ho fornito?

Gli esempi che si inseriscono in un'istruzione non modificano il modello in modo duraturo: lo orientano solo per la risposta in corso [5]. Google descrive metodi che si usavano per gestire finestre strette: abbandonare i vecchi messaggi man mano che ne arrivano di nuovi, o sostituirli con un riassunto quando la finestra sta per essere piena [2].

### Una grande finestra evita gli errori?

No. Dei ricercatori hanno testato diversi modelli, tra cui Claude 3, Gemini Pro, GPT 3.5 Turbo, Llama 3 Instruct e Mistral Instruct, sull'analisi del sentimento e sulla classificazione di articoli di stampa. Riferiscono che i modelli si mostrano insufficienti di fronte alle sequenze lunghe, nonostante le loro grandi finestre [4]. Anche Google riconosce un limite: quando si cercano più informazioni precise in un contesto lungo, il modello non raggiunge la stessa esattezza che per una sola, e la prestazione può variare fortemente secondo il contesto [2].

## Come funziona

Microsoft ricorda che, qualunque sia l'istruzione, il modello risponde con ciò che giudica più probabile in base ai suoi dati di addestramento, e che non segue un percorso di elaborazione distinto per le domande [5].

La posizione dell'informazione conta. Lo studio «Lost in the Middle», sottoposto a luglio 2023, ha misurato le prestazioni di modelli su due compiti: rispondere a una domanda a partire da più documenti, e ritrovare un valore associato a una chiave. Gli autori osservano che la prestazione è spesso la migliore quando l'informazione utile si trova all'inizio o alla fine del testo fornito, e che si degrada nettamente quando si trova nel mezzo, anche per modelli concepiti per i contesti lunghi [3].

Microsoft descrive da parte sua un bias di recenza: l'informazione alla fine dell'istruzione può influenzare la risposta più di quella dell'inizio [5]. Microsoft precisa anche che l'ordine degli elementi può cambiare il risultato, compreso l'ordine degli esempi dati al modello [5].

La lunghezza ha un costo. I servizi di IA generativa fatturano spesso a token, e applicano un numero massimo di token al minuto [1]. Per un'organizzazione che gestisce un assistente, l'OWASP classifica tra i rischi l'invio continuo di dati in ingresso che superano la finestra di contesto, che può provocare un consumo eccessivo di risorse e degradare il servizio [7]. L'OWASP raccomanda una validazione rigorosa dei dati in ingresso affinché non superino limiti di dimensione ragionevoli [7].

## Cosa fa Lei

- Divida il compito. Microsoft indica che i modelli linguistici riescono spesso meglio quando il compito è diviso in fasi più piccole, ad esempio estrarre prima i fatti pertinenti, poi redigere il seguito [5].
- Collochi l'istruzione all'inizio, la ripeta alla fine. Microsoft indica che dire il compito all'inizio dell'istruzione, prima del contesto e degli esempi, può aiutare a produrre risultati migliori, e che ripetere le istruzioni alla fine vale la pena di essere provato [5]. Microsoft aggiunge che i suoi test con ChatGPT e GPT-4 hanno dato la stessa risposta con o senza la prima tecnica [5].
- Dia al modello una via d'uscita. Microsoft suggerisce ad esempio di chiedere di rispondere «not found» se la risposta non è presente, il che può aiutare il modello a evitare una risposta falsa [5].
- Fornisca il testo di riferimento e chieda delle citazioni. Microsoft raccomanda caldamente di dare al modello dei dati su cui basarsi quando la risposta deve poggiare su informazioni affidabili e aggiornate [5]. Chiedere delle citazioni può aiutare a ridurre la frequenza delle risposte false, e delle citazioni inserite nel testo, vicino all'affermazione, sono contromisure migliori delle citazioni a fine risposta [5].
- Verifichi sempre. Anche con un'istruzione ben redatta, Microsoft indica che bisogna convalidare le risposte del modello, perché un'istruzione che ha funzionato bene in un caso non si generalizza necessariamente [5].

## Le trappole

### Il documento incollato può contenere istruzioni

Quando un assistente legge un sito web o un file, il contenuto può contenere istruzioni che il modello interpreta e che cambiano il suo comportamento: l'OWASP parla di iniezione di istruzioni indiretta [6]. In uno scenario descritto dall'OWASP, un utente chiede a un modello di riassumere una pagina web contenente istruzioni nascoste, che portano all'esfiltrazione della conversazione privata [6]. L'OWASP raccomanda di separare e identificare chiaramente il contenuto non affidabile, e di prevedere un'approvazione umana per le operazioni con privilegi [6].

### Una grande finestra dà una falsa sicurezza

Google indica che, per una sola informazione cercata, si può ottenere circa il 99 % di riuscita, ma che il risultato non è lo stesso quando bisogna ritrovarne più d'una [2]. Una risposta può quindi sembrare completa pur omettendo dei punti di un testo lungo.

### I consigli dipendono dal modello

Microsoft avverte che ogni modello si comporta in modo diverso e che le sue tecniche non si applicano allo stesso modo a tutti. Queste tecniche non sono raccomandate per i modelli di ragionamento come gpt-5 e la serie o [5].

## Fonti

1. Microsoft, «Understand tokens». https://learn.microsoft.com/en-us/dotnet/ai/conceptual/understanding-tokens (consultato il 14 novembre 2026)
2. Google, «Long context | Gemini Enterprise Agent Platform | Google Cloud Documentation». https://docs.cloud.google.com/gemini-enterprise-agent-platform/models/long-context (consultato il 14 novembre 2026)
3. arXiv, «Lost in the Middle: How Language Models Use Long Contexts», 6 luglio 2023. https://arxiv.org/abs/2307.03172 (consultato il 14 novembre 2026)
4. arXiv, «Efficient Solutions For An Intriguing Failure of LLMs: Long Context Window Does Not Mean LLMs Can Analyze Long Sequences Flawlessly», 3 agosto 2024. https://arxiv.org/abs/2408.01866 (consultato il 14 novembre 2026)
5. Microsoft, «Prompt engineering techniques». https://learn.microsoft.com/en-us/azure/foundry/openai/concepts/prompt-engineering (consultato il 14 novembre 2026)
6. OWASP, «LLM01:2025 Prompt Injection», 10 aprile 2024. https://genai.owasp.org/llmrisk/llm01-prompt-injection/ (consultato il 14 novembre 2026)
7. OWASP, «LLM10:2025 Unbounded Consumption», 10 aprile 2024. https://genai.owasp.org/llmrisk/llm102025-unbounded-consumption/ (consultato il 14 novembre 2026)

---

Fonte originale: Cyberpedia, l'enciclopedia pubblica di cybersicurezza e IA pubblicata da Brain. Versione canonica: https://startbrain.io/cyberpedia/it/articles/finestra-di-contesto-modelli-linguistici/
Puoi riutilizzare liberamente questo testo con licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/), a condizione di citare «Brain, Cyberpedia» con un link all'indirizzo qui sopra.
