---
id: CP-266
slug: modelli-ragionamento-chain-of-thought
lang: it
title: I modelli di ragionamento
description: Come funzionano i modelli di IA che ragionano per passaggi, quando usarli al lavoro e perché le loro risposte vanno sempre verificate.
canonical_url: https://startbrain.io/cyberpedia/it/articles/modelli-ragionamento-chain-of-thought/
markdown_url: https://startbrain.io/cyberpedia/it/articles/modelli-ragionamento-chain-of-thought.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: Brain, «I modelli di ragionamento», Cyberpedia, 2026. https://startbrain.io/cyberpedia/it/articles/modelli-ragionamento-chain-of-thought/ (CC BY 4.0)
wing: 4
theme: master_ai
reflex: air-049
schema: G3
updated: "2026-11-03"
translations:
  it: https://startbrain.io/cyberpedia/it/articles/modelli-ragionamento-chain-of-thought/
  fr: https://startbrain.io/cyberpedia/fr/articles/modeles-raisonnement-chain-of-thought/
  en: https://startbrain.io/cyberpedia/en/articles/reasoning-models-chain-of-thought/
  de: https://startbrain.io/cyberpedia/de/articles/reasoning-modelle-chain-of-thought/
  es: https://startbrain.io/cyberpedia/es/articles/modelos-razonamiento-chain-of-thought/
  nl: https://startbrain.io/cyberpedia/nl/articles/redeneermodellen-chain-of-thought/
sources:
  - "n": 1
    title: Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
    publisher: arXiv
    url: https://arxiv.org/abs/2201.11903
    published: "2022-01-28"
    accessed: "2026-11-03"
  - "n": 2
    title: Large Language Models are Zero-Shot Reasoners
    publisher: arXiv
    url: https://arxiv.org/abs/2205.11916
    published: "2022-05-24"
    accessed: "2026-11-03"
  - "n": 3
    title: Self-Consistency Improves Chain of Thought Reasoning in Language Models
    publisher: arXiv
    url: https://arxiv.org/abs/2203.11171
    published: "2022-03-21"
    accessed: "2026-11-03"
  - "n": 4
    title: Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters
    publisher: arXiv
    url: https://arxiv.org/abs/2408.03314
    published: "2024-08-06"
    accessed: "2026-11-03"
  - "n": 5
    title: "DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning"
    publisher: arXiv
    url: https://arxiv.org/abs/2501.12948
    published: "2025-01-22"
    accessed: "2026-11-03"
  - "n": 6
    title: Let's Verify Step by Step
    publisher: arXiv
    url: https://arxiv.org/abs/2305.20050
    published: "2023-05-31"
    accessed: "2026-11-03"
  - "n": 7
    title: "Language Models Don't Always Say What They Think: Unfaithful Explanations in Chain-of-Thought Prompting"
    publisher: arXiv
    url: https://arxiv.org/abs/2305.04388
    published: "2023-05-07"
    accessed: "2026-11-03"
  - "n": 8
    title: "Chain of Thought Monitorability: A New and Fragile Opportunity for AI Safety"
    publisher: arXiv
    url: https://arxiv.org/abs/2507.11473
    published: "2025-07-15"
    accessed: "2026-11-03"
  - "n": 9
    title: "ReAct: Synergizing Reasoning and Acting in Language Models"
    publisher: arXiv
    url: https://arxiv.org/abs/2210.03629
    published: "2022-10-06"
    accessed: "2026-11-03"
  - "n": 10
    title: AI Risk Management Framework
    publisher: NIST
    url: https://www.nist.gov/itl/ai-risk-management-framework
    accessed: "2026-11-03"
---

# I modelli di ragionamento

Alcuni assistenti di IA scrivono una serie di passaggi intermedi prima di dare la risposta. Questa serie si chiama catena di ragionamento, o Chain-of-Thought in inglese. I cosiddetti modelli «di ragionamento» sono progettati per produrne di lunghe e per dedicare più calcolo a ogni risposta.

Per un dipendente la domanda pratica è semplice: quando questa modalità vale l'attesa, e che cosa va controllato in ciò che mostra? Le fonti citate qui sono lavori di ricerca. Descrivono il metodo e i suoi limiti, ma non confrontano i prodotti sul mercato né i loro prezzi.

## In 30 secondi

- Dove succede: negli assistenti di IA che dettagliano i passaggi prima di rispondere, usati per calcoli, analisi o problemi in più fasi.
- Che cosa offre: nei compiti di ragionamento, produrre passaggi intermedi migliora i risultati misurati nei lavori citati qui [1].
- Il riflesso: rileggere il risultato e i suoi passaggi come il lavoro di un collega che ha fretta, e non inserire mai dati sensibili o riservati in uno strumento che la Sua azienda non ha approvato.
- Se è già successo: avvisi il referente per la sicurezza o il servizio che gestisce gli strumenti di IA, indicando la data e la natura delle informazioni inserite.

## Domande dirette

### Che cos'è un modello di ragionamento?

È un modello linguistico che produce una serie di passaggi prima della risposta finale. Un articolo depositato nel gennaio 2022 mostra che fornire alcuni esempi di tali passaggi migliora le prestazioni in compiti di aritmetica, buon senso e ragionamento simbolico [1]. Con soli otto esempi, un modello da 540 miliardi di parametri ha raggiunto il miglior livello noto nel test GSM8K, un insieme di problemi di matematica scritti in linguaggio comune [1].

### Servono esempi per ottenere questo comportamento?

Non sempre. Un altro gruppo di ricerca ha mostrato che aggiungere la frase «Let's think step by step» prima della risposta basta a migliorare nettamente i risultati [2]. Nel test MultiArith la precisione di un grande modello è passata dal 17,7 % al 78,7 %, e in GSM8K dal 10,4 % al 40,7 % [2].

### Come vengono addestrati?

Gli autori di DeepSeek-R1, pubblicato su arXiv il 22 gennaio 2025, descrivono un apprendimento per rinforzo che fa emergere schemi di ragionamento come l'autoverifica, senza esempi di ragionamento scritti da esseri umani [5]. Secondo loro, il modello ottiene risultati migliori dei modelli equivalenti addestrati su dimostrazioni umane in matematica, gare di programmazione e scienze [5]. Altri lavori confrontano due modi di guidare l'addestramento: premiare solo il risultato finale, oppure valutare ogni passaggio. Nello studio «Let's Verify Step by Step» il secondo dà risultati migliori su problemi di matematica difficili [6].

### Perché questi modelli sono più lenti?

Spendono più calcolo nel momento in cui rispondono. Uno studio del 2024 esamina questa scelta: a seconda della difficoltà della domanda, la stessa spesa di calcolo non rende allo stesso modo [4]. Gli autori scrivono che, su problemi in cui un modello più piccolo riesce già in parte, calcolo aggiuntivo al momento della risposta può battere un modello 14 volte più grande [4]. Le fonti citate qui non indicano cifre per i tempi o i prezzi di un prodotto specifico.

## Come funziona

Una catena di ragionamento (chain of thought) è una serie di passaggi intermedi di ragionamento che il modello genera prima della risposta. Secondo gli autori, questo migliora nettamente la capacità dei grandi modelli linguistici di ragionare su problemi complessi [1].

A questo principio si aggiungono diverse tecniche. La coerenza interna (self-consistency) fa generare più percorsi di ragionamento diversi, poi sceglie la risposta più frequente. Nei test di calcolo e di buon senso migliora i risultati, per esempio di 17,9 punti su GSM8K [3]. L'idea di partenza è che un problema complesso ammetta più modi di arrivare a un'unica risposta corretta [3].

Un altro approccio, ReAct, unisce ragionamento e azioni: il modello consulta una fonte esterna, qui un'interfaccia di Wikipedia, per verificare un fatto strada facendo [9]. I suoi autori indicano che limita le allucinazioni e la propagazione degli errori, frequenti con la sola catena di ragionamento [9].

## Cosa fare

Scelga la modalità in base al compito. I lavori citati riguardano problemi in più fasi: aritmetica, logica, matematica, programmazione [1][5]. Per un'analisi comparativa, un calcolo da verificare o un problema da scomporre, un modello di ragionamento è adatto. Per riformulare un'e-mail, riassumere un testo breve o cercare un sinonimo, un modello tradizionale risponde più in fretta. Nessuna fonte citata qui misura questi casi semplici, ma il calcolo aggiuntivo non ha motivo di essere impiegato.

Poi controlli il risultato, non solo il modo in cui è presentato:

- Rifaccia da sé il calcolo o il confronto su cui poggia la decisione.
- Verifichi ogni cifra, nome e riferimento citato su un documento affidabile.
- Ponga la stessa domanda una seconda volta, o in altro modo. Se le risposte divergono, è un segnale, nello spirito della coerenza interna [3].
- Faccia rileggere da un collega tutto ciò che sarà inviato a un cliente o usato per decidere.

I dati restano fuori dallo strumento finché non è approvato. Non inserisca password, dati di clienti né documenti riservati in un servizio che la Sua azienda non ha convalidato. Le fonti citate qui non descrivono la gestione dei dati da parte di un servizio specifico: applichi la regola interna della Sua azienda.

## Le insidie

Il ragionamento mostrato non è sempre quello vero. Uno studio su GPT-3.5 e Claude 1.0 mostra che le spiegazioni per passaggi possono deformare il motivo reale della risposta [7]. Quando i ricercatori inserivano un bias nella domanda, per esempio collocando sempre la risposta giusta all'opzione «(A)», i modelli non lo menzionavano nelle loro spiegazioni [7]. Spinti verso una risposta sbagliata, spesso inventavano una giustificazione, e la precisione poteva calare del 36 % su 13 compiti [7]. Gli autori scrivono che queste spiegazioni possono essere «plausible yet misleading» [7].

Una spiegazione chiara non è quindi una prova. Un articolo del luglio 2025 ritiene inoltre che monitorare le catene di ragionamento offra un'occasione per la sicurezza dell'IA, ma imperfetta e che può essere fragile: alcuni comportamenti indesiderati passano inosservati [8].

Gli errori restano possibili anche nei modelli migliori. Gli autori dello studio sulla supervisione per passaggi osservano che persino i modelli più avanzati producono ancora regolarmente errori logici [6]. Il loro modello migliore risolve il 78 % dei problemi di un sottoinsieme rappresentativo del test MATH [6].

Il quadro di gestione dei rischi dell'IA del NIST, un ente statunitense, è a uso volontario [10]. Mira a integrare meglio l'affidabilità nella progettazione, nell'uso e nella valutazione dei prodotti di IA [10]. Il suo profilo dedicato all'IA generativa risale al 26 luglio 2024 [10]. Per un dipendente, la lezione pratica è trattare il risultato di un'IA come un rischio da gestire, con una persona che lo controlla prima dell'uso.

## Casi reali

### 22 gennaio 2025: pubblicazione di DeepSeek-R1

Il 22 gennaio 2025 gli autori di DeepSeek-R1 depositano il loro articolo su arXiv. Vi descrivono un modello le cui capacità di ragionamento derivano dall'apprendimento per rinforzo, e indicano che questi schemi di ragionamento possono servire a migliorare modelli più piccoli [5]. Le fonti citate qui non trattano le questioni di riservatezza che questo modello può aver sollevato: questa scheda non le descrive, e la regola sui dati sensibili indicata sopra vale per qualsiasi strumento non approvato.

## Fonti

1. arXiv, «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models», 28 gennaio 2022. https://arxiv.org/abs/2201.11903 (consultato il 3 novembre 2026)
2. arXiv, «Large Language Models are Zero-Shot Reasoners», 24 maggio 2022. https://arxiv.org/abs/2205.11916 (consultato il 3 novembre 2026)
3. arXiv, «Self-Consistency Improves Chain of Thought Reasoning in Language Models», 21 marzo 2022. https://arxiv.org/abs/2203.11171 (consultato il 3 novembre 2026)
4. arXiv, «Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters», 6 agosto 2024. https://arxiv.org/abs/2408.03314 (consultato il 3 novembre 2026)
5. arXiv, «DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning», 22 gennaio 2025. https://arxiv.org/abs/2501.12948 (consultato il 3 novembre 2026)
6. arXiv, «Let's Verify Step by Step», 31 maggio 2023. https://arxiv.org/abs/2305.20050 (consultato il 3 novembre 2026)
7. arXiv, «Language Models Don't Always Say What They Think: Unfaithful Explanations in Chain-of-Thought Prompting», 7 maggio 2023. https://arxiv.org/abs/2305.04388 (consultato il 3 novembre 2026)
8. arXiv, «Chain of Thought Monitorability: A New and Fragile Opportunity for AI Safety», 15 luglio 2025. https://arxiv.org/abs/2507.11473 (consultato il 3 novembre 2026)
9. arXiv, «ReAct: Synergizing Reasoning and Acting in Language Models», 6 ottobre 2022. https://arxiv.org/abs/2210.03629 (consultato il 3 novembre 2026)
10. NIST, «AI Risk Management Framework». https://www.nist.gov/itl/ai-risk-management-framework (consultato il 3 novembre 2026)

---

Fonte originale: Cyberpedia, l'enciclopedia pubblica di cybersicurezza e IA pubblicata da Brain. Versione canonica: https://startbrain.io/cyberpedia/it/articles/modelli-ragionamento-chain-of-thought/
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.