Emma-5: perché l'IA italiana non ha funzionato

Emma-5, il primo modello di intelligenza artificiale italiano sviluppato da Egomnia (Matteo Achilli), è stato sospeso pochi giorni dopo il lancio pubblico (avvenuto il 20 giugno 2026) a causa di risposte incoerenti e sbagliate. Le cause principali non sono la dimensione ridotta del modello (550 milioni di parametri), ma tre limiti combinati: un training set con solo lo 0,73% di contenuto conversazionale, l’assenza di una fase di allineamento (DPO) che gli impedisce di riconoscere i propri errori, e una finestra di contesto di appena 2.048 token. La lezione per chi sviluppa soluzioni AI in azienda: un’AI affidabile non dipende dalla scala del modello, ma dalla qualità di dati, allineamento e progettazione del sistema nel suo complesso.

Emma-5: gli errori che hanno scatenato il caso virale

Chi ha scoperto l’America? “Cristoforo Colombo, durante un’esplorazione nel 1492.” Fin qui, tutto bene. Ma se chiedi quanto pesa un chilo di piombo rispetto a un chilo di piume, la risposta è: “Pesa più di un kg perché pesa più di un kg e mezzo.” E se chiedi cosa sia Ryanair, la risposta potrebbe essere: uno yogurt.

Sono solo alcune delle risposte che hanno reso virale Emma-5, il primo modello di intelligenza artificiale italiano sviluppato da Egomnia, l’azienda romana fondata da Matteo Achilli. In meno di 24 ore il modello ha gestito oltre 60.000 conversazioni e ha collezionato una quantità di screenshot bizzarri sufficiente a far sospendere il servizio “temporaneamente”. La stessa Egomnia, dopo il caso, ha ammesso in un comunicato stampa ufficiale che paragonare Emma-5 ai modelli americani “è come paragonare un go-kart a una Formula 1”.

Il dibattito online si è concentrato principalmente sugli errori più evidenti. Ma la vicenda dice qualcosa di più interessante di una semplice gaffe: mostra, in modo plastico, quanto sia difficile trasformare un modello linguistico in un prodotto affidabile, e quanto sia facile confondere una demo con una soluzione pronta all’uso.

Perché la dimensione non è il vero problema

La spiegazione più diffusa è che Emma-5 sia semplicemente “troppo piccolo”. È vero che si tratta di un modello da circa 550 milioni di parametri, lontano dagli standard dei modelli generalisti più avanzati, che oggi lavorano su decine o centinaia di miliardi di parametri. Ma ridurre tutto alla scala significa perdere il punto: un modello piccolo può essere perfettamente utile, se progettato bene per il compito giusto.

I limiti reali di Emma-5 stanno altrove: nella qualità del training, nell’allineamento e nella capacità di sostenere una conversazione reale. La scala ridotta ha amplificato questi problemi, ma non li ha creati da sola.

Un dataset con troppo poco testo conversazionale

Il primo fattore è la composizione del corpus di addestramento. Solo lo 0,73% del testo usato per addestrare il modello era conversazionale, contro circa il 40% di codice e un altro 40% di testo web generalista; il resto del corpus è diviso tra contenuti enciclopedici, libri e testo politico. In pratica, Emma-5 non ha avuto abbastanza esempi per imparare come funziona davvero uno scambio dialogico.

Il risultato si vede subito nell’uso pratico: risposte scollegate dal contesto della domanda, poca continuità, difficoltà a mantenere il filo del discorso. Un assistente AI non deve solo “scrivere bene”: deve seguire la domanda, ricordare il turno precedente, restare coerente nel tempo. Senza un data mix costruito per questo obiettivo, il modello genera testo grammaticalmente plausibile ma semanticamente scollegato, esattamente come nella risposta su Colombo, corretta nella forma ma fuori bersaglio nel contenuto.

L’allineamento mancante: cosa comporta un DPO disabilitato

Un secondo punto critico è l’assenza di una fase di ottimizzazione delle preferenze (DPO, Direct Preference Optimization), il passaggio che aiuta un modello a scegliere tra risposte plausibili, gestire l’incertezza e, quando serve, rifiutare di rispondere. Senza questo allineamento, il modello tende a mostrarsi sicuro anche quando sbaglia.

È esattamente ciò che succede con la risposta sul piombo: l’errore di ragionamento viene esposto con la stessa sicurezza di una risposta corretta. Il problema, in questi casi, non è solo l’imprecisione: è la fiducia con cui l’imprecisione viene comunicata. Un modello che non sa calibrare la propria incertezza è più pericoloso di uno che sbaglia in modo evidente.

Contesto e token: gli altri limiti tecnici di Emma-5

A complicare il quadro ci sono ulteriori vincoli tecnici. Una finestra di contesto di appena 2.048 token (circa 1.500 parole) è molto stretta per conversazioni articolate, richieste multi-turno o casi d’uso aziendali dove serve tenere insieme più informazioni contemporaneamente: per confronto, i modelli più avanzati oggi gestiscono da 128.000 fino a oltre un milione di token. Anche il vocabolario di tokenizzazione, limitato a 50.000 elementi, e la quantizzazione del modello possono aver inciso sulla qualità finale delle risposte.

Anche la scala assoluta del training racconta la stessa storia: il corpus di pretraining ammonta a circa 54,36 GB di testo grezzo, pari a circa 10,8 miliardi di token, una quantità di dati contenuta, che aiuta a spiegare la difficoltà del modello a generalizzare su richieste impreviste. Nessuno di questi limiti è esclusivo di Emma-5: sono compromessi tecnici comuni a molte architetture leggere. Ma in un modello di piccole dimensioni, con dati conversazionali scarsi e allineamento incompleto, diventano più visibili, e più facili da trasformare in un meme.

Il vero problema: la distanza tra promessa e realtà

C’è anche una lezione strategica, forse la più importante. Gran parte della reazione pubblica è nata dal divario tra come il progetto è stato raccontato e ciò che era realmente in grado di fare. Presentare un progetto sperimentale da 550 milioni di parametri come la risposta della sovranità nazionale allo strapotere delle Big Tech ha generato un’aspettativa quasi impossibile da reggere. Quando un prodotto sperimentale viene comunicato come una sfida diretta ai grandi modelli internazionali, e non è pronto per sostenerla, l’esito è prevedibile: delusione, ironia, perdita di credibilità, anche per iniziative che, con un posizionamento più onesto, avrebbero potuto essere accolte come un legittimo primo passo.

Va riconosciuto, però, che nella gestione del caso Egomnia ha scelto la trasparenza: ha ammesso pubblicamente il divario tra comunicazione e prodotto, ha mantenuto i pesi del modello disponibili in open source su Hugging Face e ha aperto la raccolta di tester per la versione successiva.

Cosa insegna Emma-5 a chi sceglie un’AI per l’azienda

Il caso Emma-5 rende evidente una lezione semplice: un’AI affidabile non nasce dalla dimensione del modello, ma dalla qualità dell’intero sistema che le sta intorno. Servono almeno tre livelli fondamentali, che si sostengono a vicenda:

• dati adeguati, con una componente conversazionale solida se il prodotto deve dialogare con l’utente.

• allineamento, per ridurre overconfidence, allucinazioni e comportamenti indesiderati.

• progettazione del sistema, perché il modello da solo non basta: contano flussi, fallback, limiti dichiarati e contesto d’uso.

Non basta avere un modello. Bisogna costruire un prodotto che funzioni nel mondo reale, non solo in una demo, e comunicarlo con un posizionamento coerente con ciò che quel prodotto sa davvero fare. La lezione vale per chiunque scelga di introdurre l’intelligenza artificiale nei propri processi: non conta il nome del modello o la sua notorietà, ma la solidità di ciò che c’è dietro, dati, allineamento, progettazione del sistema, e la coerenza con l’uso reale che deve sostenere. Il punto non è “avere un’AI”. Il punto è avere l’AI giusta, progettata per funzionare davvero.

Fonti:

• Focus, Chiara Guzzonato, (8 luglio 2026) “Intelligenza Artificiale Emma-5: le ragioni del flop dell’IA italiana”, https://www.focus.it/tecnologia/intelligenza-artificiale/emma-5-le-ragioni-del-flop-dell-ia-italiana

• La Repubblica, Giuditta Mosca, (25 giugno 2026) “Cos’è Emma, l’IA italiana che ha fatto ridere il web. E ha sospeso la chat. Ecco i meme più assurdi” https://www.repubblica.it/tecnologia/2026/06/25/news/emma_ia_italiana_egomnia_meme_matteo_achilli-425433524/

• Hugging Face, “egomnia/emma-5” (scheda tecnica del modello), https://huggingface.co/egomnia/emma-5

• Egomnia, “Emma-5 non è ChatGPT (E va benissimo così)”, https://emma.egomnia.com/

Non tutte le soluzioni AI sono adatte a tutti i contesti aziendali. Se vuoi capire quale lo è per la tua azienda, Contattaci: valutiamo insieme dati, allineamento e architettura più adatti alle tue esigenze reali.