Se hai usato ChatGPT o Claude negli ultimi mesi, ti sarai accorto di una cosa nuova: puoi inviargli una foto e chiedergli di descriverla, oppure incollare uno screenshot di un grafico e farglielo analizzare, o anche far ascoltare un audio. Tre anni fa era impossibile: l'AI capiva solo il testo scritto. Oggi capisce tutto insieme, e questa nuova capacità ha un nome tecnico: multimodale.
La definizione semplice
"Modalità", nel gergo AI, significa "tipo di dato": testo, immagine, audio, video sono modalità diverse. Un'AI monomodale capisce solo un tipo di dato (es. solo testo, come ChatGPT del 2022). Un'AI multimodale ne capisce più tipi contemporaneamente, e — questo è il punto chiave — sa metterli in relazione.
Esempio: se carichi una foto del tuo frigo aperto e scrivi "cosa posso cucinare con quello che vedi?", un'AI multimodale riconosce le verdure nella foto, le mette in relazione con la tua domanda scritta, e ti propone ricette. Non è solo "vedere la foto" e "leggere il testo" separatamente. È collegare le due cose.
Cosa è cambiato nel 2024-2026
I primi assistenti AI commercialmente disponibili erano solo di testo. Verso il 2023 sono arrivate versioni che potevano guardare immagini (GPT-4V, Claude 3). Nel 2024 sono arrivate la voce naturale e la generazione di immagini integrata. Nel 2025 il video. Nel 2026 abbiamo modelli che ascoltano e parlano in tempo reale, vedono, generano, analizzano, tutto insieme. ChatGPT, Gemini, Claude sono tutti multimodali, anche se in misure diverse.
Cosa puoi farci nella vita reale
1) Diagnosi visiva di problemi
Foto a una macchia di muffa sul muro: l'AI ti dice cosa potrebbe essere e come intervenire. Foto a un sintomo sulla pelle: l'AI ti dà ipotesi e ti dice se conviene andare dal medico. Foto a una macchina con un pezzo strano: l'AI lo identifica.
2) Lettura di documenti complessi
Foto a una pagina di un contratto in francese: l'AI te lo traduce e te lo spiega. Foto a un grafico di una presentazione: l'AI ti dice cosa significano i numeri. Foto a una bolletta della luce: l'AI ti spiega ogni voce.
3) Identificazione
Foto a una pianta sconosciuta nel tuo giardino: l'AI ti dice cosa è. Foto a un piatto al ristorante: l'AI ti dice gli ingredienti. Foto a un edificio in vacanza: l'AI ti racconta la storia.
4) Assistenza al lavoro creativo
Foto a uno schizzo: l'AI ti genera una versione finita. Audio di una tua melodia canticchiata: l'AI ti scrive lo spartito.
Le applicazioni serie
Oltre agli usi quotidiani, le AI multimodali stanno entrando in settori dove cambiano le regole:
- Medicina: AI che analizzano radiografie e referti scritti insieme, dando una valutazione integrata.
- Scuola: AI che leggono i compiti scritti a mano dei bambini, li correggono e li discutono.
- Sicurezza: sistemi che analizzano video di telecamere descrivendo cosa succede in tempo reale.
- Manutenzione: operai industriali che fotografano un macchinario rotto e ricevono diagnosi all'istante.
I limiti attuali
Le AI multimodali del 2026 sono già impressionanti, ma:
- Sui video lunghi hanno ancora difficoltà (riescono a riassumere video di 2-3 minuti, faticano con un film intero)
- Sull'audio in italiano dialettale sono peggio rispetto all'inglese standard
- Sulle immagini molto dettagliate (testi minuti, grafici complessi) sbagliano spesso
- Non hanno una vera comprensione 3D: vedono le immagini 2D, ma non "girano intorno" agli oggetti come faremmo noi
Perché conoscere questa parola
Tra cinque anni "multimodale" non si dirà più, perché tutte le AI lo saranno. È come oggi parlare di "smartphone con la fotocamera": tutti ce l'hanno. Ma nel 2026, capire cosa significa ti permette di valutare correttamente quello che leggi nelle notizie e di sfruttare al meglio gli strumenti che hai già in tasca.
