Finestra di contesto: cos’è e come influisce sull’uso quotidiano dell’IA

Una guida alla finestra di contesto nei modelli di IA: come si misura in token, cosa la riempie durante una conversazione, quanto è grande nei modelli attuali, cosa succede quando una conversazione supera il limite e le abitudini quotidiane per lavorare al meglio al suo interno.

Diagram of a conversation growing over five messages: each new message resends all earlier messages and replies, so the total moves closer to the context window limit.

La finestra di contesto è la quantità di testo che un modello di IA può elaborare in una sola volta. Questa guida spiega cosa la riempie, quanto è grande nei modelli attuali e come gestirla nell’uso quotidiano.

Cos’è una finestra di contesto

Una finestra di contesto è il limite di testo che un modello di IA può gestire in una sola volta. Il limite comprende sia il testo in ingresso, come una domanda e qualsiasi documento allegato, sia la risposta in uscita. Se qualcosa non rientra nella finestra, il modello non può vederlo né usarlo per rispondere.

La finestra di contesto è distinta da ciò che un modello ha appreso durante l’addestramento. L’addestramento avviene prima del rilascio del modello, su un’enorme quantità di testo, e gli fornisce conoscenze generali e competenze linguistiche. La finestra di contesto contiene solo il materiale relativo all’attività in corso.

Il modello di IA in sé non ricorda i messaggi precedenti. È l’app in cui viene eseguito, come Perplexity o ChatGPT, a salvare la conversazione. A ogni nuovo messaggio, l’app invia al modello l’intera conversazione fino a quel momento, non solo l’ultimo messaggio. Il modello la rilegge tutta prima di rispondere, e quella risposta entra a far parte di ciò che verrà inviato la volta successiva. Lo spazio occupato da una conversazione nella finestra cresce a ogni scambio, quindi anche una lunga chat fatta di messaggi brevi può occupare molto spazio.

Come si misura una finestra di contesto

Ogni messaggio, documento e risposta di una conversazione occupa spazio nella finestra. Lo spazio disponibile si misura in token, anziché in un determinato numero di parole o pagine.

Un token è una porzione di testo che il modello gestisce come un’unica unità. Può essere una parola breve, parte di una parola più lunga, un segno di punteggiatura o una parola preceduta da uno spazio. Secondo OpenAI, 100 token corrispondono a circa 75 parole. In base a questa stima approssimativa, valida per l’inglese, un report di 3.000 parole equivarrebbe a circa 4.000 token.

Prima che un modello legga qualsiasi cosa, uno strumento chiamato tokenizer suddivide il testo in token e converte ciascuno in un numero. Il modello elabora quei numeri, genera la risposta come sequenza di token e lo strumento li riconverte in testo.

Il conteggio dei token non è standardizzato. Dipende dalla lingua e dal contenuto. I tokenizer possono variare da un modello all’altro, quindi lo stesso paragrafo può generare un numero diverso di token in modelli diversi.

Finestra di contesto e ricordi salvati a confronto

La finestra di contesto contiene ciò che il modello può usare per rispondere alla domanda corrente. Ad esempio, quando un’IA modifica un report, il report stesso, le istruzioni di modifica e i messaggi scambiati durante il lavoro occupano spazio nella finestra.

I ricordi salvati conservano dettagli selezionati da una conversazione all’altra. In Perplexity, è l’app a scegliere automaticamente cosa salvare, cercando preferenze e informazioni importanti e dando peso ai dettagli che ricorrono spesso. Un’istruzione duratura come “Usa l’inglese britannico per tutti i miei testi” è un esempio del tipo di dettaglio che vale la pena conservare, mentre “Accorcia questo paragrafo” riguarda solo l’attività in corso.

Quando l’app porta uno di questi dettagli in una nuova conversazione, questo entra a far parte del contesto del modello e occupa spazio nella finestra. In Perplexity, i controlli della memoria si trovano in Impostazioni → Memoria. Disattivare la memoria ne interrompe l’uso nelle risposte future, ma non elimina i dettagli già salvati.

Cosa riempie una finestra di contesto durante una conversazione

Una finestra di contesto contiene molto più delle parole digitate da una persona. In una conversazione tipica, quattro tipi di testo condividono lo spazio: le istruzioni dell’app, la cronologia della conversazione, il materiale proveniente da file o dal web e la risposta del modello. La maggior parte di questo testo non compare mai sullo schermo.

Istruzioni dell’app

Prima che il messaggio di una persona raggiunga il modello, l’app aggiunge le proprie istruzioni (spesso chiamate prompt di sistema). Queste indicano al modello come comportarsi: come formattare le risposte, quale tono usare, quali strumenti può utilizzare e dettagli come la data odierna. Parte di questo materiale, come le istruzioni interne dell’app, di norma non viene mostrata all’utente.

Cronologia della conversazione

Comprende le risposte precedenti del modello, oltre a tutti i messaggi della persona, per elaborare la risposta corrente. Spesso le risposte dell’IA sono molto più lunghe delle domande dell’utente.

File caricati, pagine web e risultati di ricerca

Il testo proveniente dai file occupa spazio nel contesto insieme alla conversazione, ma un’app può fornire un file intero oppure selezionarne i passaggi pertinenti. Ad esempio, Perplexity può analizzare per intero i file brevi ed estrarre le parti importanti da quelli più lunghi per rispondere alla domanda.

Anche i risultati di ricerca occupano spazio. Ad esempio, per rispondere a una domanda, Perplexity potrebbe cercare sul web e fornire al modello i risultati da leggere.

La risposta e il ragionamento del modello

La risposta viene scritta nella stessa finestra, quindi l’app deve lasciarle spazio. Alcuni modelli generano anche un ragionamento interno mentre elaborano una risposta, che la persona potrebbe non vedere mai. Il testo di ragionamento è il lavoro passo passo del modello, come la scomposizione di una domanda in parti o la verifica dei propri calcoli, scritto prima della risposta finale. Di solito anche questo rientra nel limite della finestra.

Dimensioni della finestra di contesto nei modelli di IA attuali

Una finestra di contesto più ampia consente a un modello di gestire documenti più lunghi, più fonti e conversazioni più lunghe. I principali modelli di OpenAI, Anthropic e Google offrono ora ciascuno una finestra di circa 1 milione di token, pari a circa 1.500 pagine di testo.

Modello

Fornitore

Finestra di contesto (token)

GPT-6 Astra

OpenAI

1,05 milioni

Claude Opus 5.5

Anthropic

1 milione

Gemini 4 Argon

Google

1.048.576

Specifiche delle API dei fornitori, verificate il 5 novembre 2026. I limiti disponibili all’interno di un’app possono variare.

Una finestra più ampia non significa che il modello la sfrutti tutta con la stessa efficacia. Alcune ricerche hanno rilevato che le prestazioni possono diventare meno affidabili con l’aumentare della lunghezza dell’input, un fenomeno noto come context rot (degrado del contesto).

Limiti di input e limiti di output

La finestra di contesto è un budget condiviso per tutto ciò che il modello legge e scrive. Un modello può leggere molto più di quanto possa scrivere in una sola risposta.

Quando elabora un input, il modello può lavorare su molti token in parallelo. Quando genera una risposta, di solito produce i token in sequenza, usando ciò che precede per scegliere ciò che viene dopo. Non può scegliere la quinta parola di una frase finché non conosce le prime quattro, quindi deve produrre la risposta un token alla volta.

Per questo le risposte lunghe sono molto più lente e costose da produrre di quanto lo sia la lettura di input lunghi. Ecco perché una richiesta di riscrivere o tradurre un documento molto lungo può interrompersi a metà, e perché chiedere il risultato in sezioni funziona meglio.

Cosa succede quando una conversazione supera il limite

Quando una conversazione diventa troppo grande per la finestra di contesto, l’app deve fare spazio prima che il modello possa rispondere. Le app lo fanno in modi diversi, e ognuno cambia ciò che il modello riesce ancora a vedere.

Un approccio consiste nell’eliminare per primi i messaggi più vecchi. Il modello continua a lavorare con la parte recente della conversazione. Le prime istruzioni dell’utente, le decisioni o i passaggi dei documenti possono uscire dalla finestra. Il modello non può fare riferimento a testo che non ha più, ma non necessariamente avviserà l’utente che manca qualcosa.

Un altro approccio consiste nel riassumere la parte iniziale della conversazione e conservare il riassunto al posto del testo completo. È una forma di quella che viene chiamata compattazione del contesto. Un riassunto occupa molto meno spazio, quindi la conversazione può durare molto più a lungo. Tuttavia, potrebbe omettere dettagli come cifre esatte, nomi o formulazioni.

Quando il modello ha eliminato o compattato il proprio contesto, potrebbe iniziare a chiedere informazioni che dovrebbe già conoscere. Potrebbe smettere all’improvviso di seguire le istruzioni date all’inizio, come un formato o un tono preferito. Potrebbe contraddire una decisione presa in precedenza dall’utente o diventare vago riguardo alla documentazione condivisa prima.

Alcune app, invece, interrompono la conversazione e chiedono alla persona di avviarne una nuova, oppure rifiutano un messaggio o un file troppo lungo per rientrare nella finestra.

Abitudini quotidiane per lavorare entro i limiti della finestra di contesto

  • Avvia un nuovo thread per ogni nuova attività: ad esempio, esamina un report in una conversazione dedicata, anziché aggiungerlo a un thread esistente sull’organizzazione di un evento.
  • Riporta solo ciò che serve: quando un’attività si basa su un lavoro precedente, chiedi al modello di estrarre i dettagli confermati e le formulazioni approvate necessari per l’attività successiva.
  • Condividi solo le informazioni pertinenti: ad esempio, per una domanda su come sono stati selezionati i partecipanti a un sondaggio, fornisci la sezione sulla metodologia e le note di supporto anziché l’intero report.
  • Trova la sezione pertinente prima di condividere un documento lungo: se un report o un manuale ha un indice, condividi prima quello. Chiedi al modello quali sezioni potrebbero rispondere alla domanda, poi copia quelle sezioni nella conversazione.
  • Esamina i documenti lunghi per parti: suddividi un manuale o un report per policy, capitolo o argomento. Usa thread separati per revisioni indipendenti, con le stesse istruzioni per ciascuna.
  • Richiedi gli output lunghi in più fasi: per una riscrittura o una traduzione estesa, chiedi una sezione alla volta nello stesso thread. Indica la sezione o l’intervallo di pagine e controlla il risultato prima di chiedere al modello di continuare.
  • Imposta una lunghezza di risposta utile: chiedi cinque risultati, una breve spiegazione o una tabella con colonne specifiche. Evita di richiedere un’analisi dettagliata quando basterebbe una risposta breve.
  • Chiedi revisioni mirate: per modificare un paragrafo di una bozza, chiedi al modello di riscrivere solo quel paragrafo. Specifica cosa va cambiato anziché chiedergli di riprodurre l’intera bozza.

Come Perplexity gestisce il contesto

Il contesto di Perplexity comprende più della sola conversazione. Può attingere anche a informazioni trovate tramite la ricerca in tempo reale, alle preferenze salvate e ai file forniti per un’attività.

Per una domanda di ricerca, la ricerca in tempo reale fornisce materiale di partenza che il modello può usare per costruire la risposta, con citazioni che mostrano da dove provengono le informazioni. Ad esempio, una domanda su un nuovo regolamento può portare nell’attività informazioni pertinenti dal web, senza dover prima raccogliere articoli e incollarli nella chat.

I ricordi salvati forniscono un tipo diverso di contesto: dettagli pertinenti di conversazioni precedenti, come preferenze di scrittura o informazioni di base su un progetto in corso. Perplexity recupera questi dettagli quando risponde, e la memoria funziona con tutti i modelli che offre. Una preferenza salvata può quindi restare disponibile anche quando si cambia modello in Perplexity.

Per il lavoro che si estende su più conversazioni, i progetti tengono insieme file e istruzioni, e le istruzioni del progetto si applicano a ogni domanda. Il pubblico, lo scopo e i requisiti di scrittura di un report possono restare nel progetto, mentre la ricerca e la stesura avvengono in thread separati.

Consulta Primi passi con Perplexity per indicazioni su come porre domande, lavorare con i file e approfondire le risposte con domande di follow-up.

Domande frequenti

Le immagini occupano spazio nella finestra di contesto?

Sì. Le immagini vengono convertite in token che occupano spazio insieme al testo. Il numero di token dipende da come il modello le elabora. Uno screenshot o una pagina scansionata occupa spazio nel contesto anche se il testo non è stato copiato nella chat.

Una finestra di contesto più ampia costa di più?

Non necessariamente. Una finestra più ampia indica quanto un modello può gestire, non quanta parte di quella capacità viene usata da un’attività.

È possibile vedere quanta parte della finestra di contesto è stata usata da una conversazione?

A volte. Alcune app mostrano un indicatore del contesto che segnala quanto è piena la finestra. Un contatore che mostra i “messaggi rimanenti” indica qualcosa di diverso: quante altre richieste può effettuare l’account, non quante informazioni il modello può ancora inserire nella conversazione. Cerca specificamente un indicatore del contesto.

È possibile continuare una conversazione condivisa da un’altra persona?

Sì. In Perplexity, chiunque può leggere una conversazione condivisa e porre una domanda di follow-up. Quella domanda avvia una nuova conversazione nel proprio account, lasciando invariata la conversazione originale.