Se gestisci un e-commerce o una PMI e stai valutando di addestrare o affinare un modello AI su misura, prima o poi ti trovi davanti allo stesso problema: i dati. Non ne hai abbastanza, quelli che hai sono sporchi, oppure raccoglierli costa troppo. A quel punto qualcuno ti suggerisce di usare un LLM per generarli. Sembra la soluzione perfetta.
Non sempre lo è. A volte funziona benissimo. A volte degrada il modello in modo sottile e difficile da diagnosticare. La differenza sta nel capire cosa stai cercando di insegnare alla macchina e di che tipo di segnale ha bisogno per impararlo.
Cosa sono i dati sintetici e perché se ne parla tanto
I dati sintetici sono esempi generati artificialmente, spesso da un modello linguistico, per sostituire o integrare dati reali nel processo di training o fine-tuning. Non è un concetto nuovo: nel campo della computer vision si usano da anni ambienti simulati per addestrare reti neurali. Quello che è cambiato è la facilità con cui oggi si possono generare testi, conversazioni, classificazioni e strutture dati realistiche usando GPT-4, Claude o modelli open source.
La logica di partenza è solida. Se hai solo 200 esempi reali di email di reclamo dei tuoi clienti e ne servono 2.000 per un fine-tuning decente, puoi chiedere a un LLM di generarne altri 1.800 che rispettino lo stesso stile e le stesse categorie. Il modello impara la distribuzione che gli stai mostrando. Se la distribuzione sintetica è fedele a quella reale, il risultato può reggere.
Quando i dati sintetici funzionano davvero
Ci sono scenari in cui ricorrere a dati generati è una scelta razionale, non una scorciatoia pigra.
Il primo è la classificazione su tassonomie ben definite. Se vuoi che un modello categorizzi ticket di assistenza in dieci classi che hai già definito tu, un LLM può generare varianti plausibili per ciascuna classe partendo da pochi esempi reali. Il segnale che stai trasmettendo al modello è strutturale: impara i confini tra le categorie. Qui i sintetici funzionano.
Il secondo è l'aumento di dataset sbilanciati. Se hai 900 esempi della classe A e 30 della classe B, puoi usare dati sintetici per riequilibrare. Non stai inventando la realtà: stai dicendo al modello che la classe B esiste e come suona. Ricerca pubblicata da Anthropic e altri laboratori conferma che l'augmentation selettiva su classi rare produce miglioramenti misurabili.
Il terzo è il test e la validazione. Generare casi limite, scenari rari o input avversariali per testare la robustezza del sistema è uno degli usi più puliti dei dati sintetici. Non entrano nel training, ma ti aiutano a capire dove il modello si rompe.
Un esempio concreto su PMI: un'azienda che vende integratori online vuole un classificatore che distingua domande pre-acquisto da domande post-acquisto nelle chat del servizio clienti. Ha 150 conversazioni reali. Genera 600 varianti sintetiche rispettando il vocabolario e il tono dei clienti reali. Il fine-tuning su questo dataset misto funziona. Il problema che stava cercando di risolvere era strutturale e ben definito.
Dove i dati sintetici degradano il modello
Il rischio principale ha un nome preciso nella letteratura tecnica: model collapse. Succede quando un modello viene addestrato su output di un altro modello, che a sua volta era stato addestrato su dati reali. Ogni iterazione amplifica certi pattern e perde varianza. Il modello diventa più piatto, meno capace di gestire l'imprevedibilità del mondo reale.
Uno studio pubblicato su Nature nel 2024 da ricercatori dell'Università di Oxford ha dimostrato matematicamente questo fenomeno: l'addestramento ricorsivo su dati sintetici porta a degenerazione delle code della distribuzione, ovvero il modello smette di rappresentare i casi rari e insoliti. Per un sistema AI aziendale che deve gestire eccezioni, questo è un problema serio.
I casi in cui i sintetici fanno danni:
- Quando stai cercando di catturare il tono autentico dei tuoi clienti (un LLM genererà testo medio, non il tuo cliente medio)
- Quando il task richiede conoscenza di dominio specialistica che l'LLM generatore non possiede davvero (es. normativa fiscale italiana aggiornata, schede tecniche di prodotti industriali)
- Quando la varianza dei dati reali è alta e imprevedibile (conversazioni in dialetto, slang di settore, errori ortografici tipici del tuo pubblico)
- Quando stai costruendo un sistema su cui baserai decisioni ad alto impatto (credit scoring, diagnostica, gestione reclami legali)
Un esempio pratico: un'azienda manifatturiera vuole addestrare un modello per classificare segnalazioni di difetti di produzione scritte dagli operai in fabbrica. Genera dati sintetici con un LLM. Il risultato è un modello che funziona bene sul testo sintetico e male sul testo reale, perché gli operai scrivono in modi che un LLM non immagina: abbreviazioni, termini tecnici aziendali, frasi tronche, codici interni. I dati reali qui non sono sostituibili.
Come valutare se il tuo caso regge i sintetici
Esistono tre domande da farti prima di decidere.
La prima: il task che sto insegnando è definibile in modo esplicito? Se riesci a scrivere una regola chiara per ogni categoria o comportamento atteso, i sintetici possono aiutare. Se il task si basa su sfumature implicite che nemmeno tu sapresti verbalizzare, servono dati reali.
La seconda: ho almeno alcuni dati reali da usare come ancoraggio? I migliori risultati si ottengono con dataset misti, dove i sintetici integrano i reali ma non li sostituiscono. Se parti da zero con solo dati sintetici, il rischio di deriva è alto.
La terza: ho un sistema di valutazione basato su dati reali indipendenti? Se non puoi misurare la qualità del modello su casi reali che non ha mai visto, non sai se i sintetici ti hanno aiutato o danneggiato. La valutazione è il punto critico che molte PMI saltano per fretta.
Il protocollo minimo per una PMI che vuole farlo bene
Non serve un team di ricerca per usare i dati sintetici in modo responsabile. Serve metodo.
Raccogli prima tutto il reale disponibile, anche se sono pochi esempi. Etichettali con cura. Poi usa un LLM per generare varianti, ma revisionane almeno il 20 per cento manualmente prima di usarle. Tieni separato un set di valutazione composto solo da dati reali e non toccarlo mai durante il training. Misura le performance su quel set dopo ogni iterazione.
Se le metriche sul set reale migliorano, i sintetici stanno aiutando. Se restano piatte o peggiorano, stai costruendo un modello che funziona in laboratorio e fallisce in produzione.
La mossa concreta da fare domani
Prendi il task AI che hai in mente o che hai già avviato. Scrivi su carta le tre caratteristiche più frequenti e le tre più insolite dei tuoi dati reali. Poi apri un LLM e chiedigli di generare dieci esempi. Confrontali con la tua lista. Se copre le frequenti ma manca le insolite, hai la tua risposta: i sintetici possono integrare, ma il reale resta insostituibile per i casi limite. Quella lista ti dice anche dove concentrare la raccolta dati prima di qualsiasi investimento in fine-tuning.