Cos'è un DSLM (modello linguistico di dominio)?

Un DSLM (Domain-Specific Language Model) è un modello linguistico addestrato o specializzato per operare su un settore verticale preciso: legale, sanitario, finanziario, industriale. Non parte da zero: si costruisce a partire da un modello di base (un LLM o uno SLM) e lo si adatta al vocabolario, alle convenzioni e ai vincoli normativi di quel dominio, tipicamente tramite fine-tuning su un corpus specialistico o tramite RAG su una base di conoscenza verticale. Il risultato è un modello che capisce "polizza claims-made" o "referto istologico" con la stessa naturalezza con cui un LLM generalista capisce una mail di lavoro. Il vantaggio non è solo terminologico: un modello specializzato riconosce anche i vincoli impliciti del settore, come il fatto che un referto medico segua un formato standard o che un contratto assicurativo debba citare esattamente certe clausole, cosa che un modello generalista tende a trattare come testo qualunque invece che come un documento con regole proprie.

Leggi anche: SLM · Modello linguistico piccolo e specializzato: costa una frazione di un LLM, gira anche on-premise e per compiti mirati basta e avanza.

DSLM non è sinonimo di SLM

È l'equivoco più comune: DSLM e SLM rispondono a domande diverse. Uno SLM è piccolo per ridurre costo e latenza, indipendentemente dal dominio su cui lavora. Un DSLM è specializzato per dominio, indipendentemente dalla taglia: può essere costruito partendo da un modello piccolo oppure da uno dei modelli di punta più grandi, se il caso d'uso lo giustifica. Le due dimensioni si combinano: un DSLM piccolo e specializzato è l'opzione più efficiente per un compito verticale ricorrente, ma la specializzazione di dominio resta il criterio che definisce un DSLM, non la dimensione dei parametri.

Perché il mercato ne parla ora

Gartner colloca i modelli linguistici specializzati per dominio tra le tecnologie emergenti del 2026, motivandolo con il divario di accuratezza terminologica e conformità normativa che un LLM generalista fatica a colmare su terminologia di nicchia, gergo regolatorio o casistiche di settore poco rappresentate nei dati di addestramento pubblici.

Perché conta per un'azienda

Nella mia esperienza il posizionamento vendor-neutral vale anche qui: non esiste un fornitore che debba per forza vincere questa partita, che si lavori su BigQuery, Databricks, Snowflake o un ambiente Palantir Foundry. Un DSLM ben costruito su dati proprietari verticali può battere un LLM generalista enorme sul task specifico per cui è stato pensato, con un rischio di allucinazione fuori dominio molto più basso perché il modello non è chiamato a improvvisare fuori dal suo perimetro. Le due strade più concrete per arrivarci sono il fine-tuning, quando serve interiorizzare stile e formati ricorrenti del settore, e la RAG, quando la conoscenza di dominio cambia spesso e conviene tenerla fuori dal modello e recuperarla al momento della domanda. Spesso la combinazione delle due tecniche è la scelta più solida.