Il team dell’Università di Ottawa ha vinto il concorso EvaLatin 2026 per il riconoscimento di entità nominate (NER) nei testi classici latini, usando tecniche di prompt engineering su modelli commerciali come gemini-2.5-pro e claude-sonnet-4-5. La performance è stata spettacolare: primo posto sia nel subtask a granularità grossolana (11 classi) sia in quello fine (28 classi), con i punteggi migliori in tutti i regimi di valutazione, strict e fuzzy.

Il fatto sorprendente non è soltanto il dominio di una competizione accademica, ma il metodo. Il trasferimento di apprendimento tra lingue (cross-lingual transfer learning) è stato realizzato senza alcun fine-tuning dei modelli, unicamente attraverso la formulazione di prompt. In pratica, i ricercatori hanno sfruttato le capacità linguistiche già consolidate dai modelli su decine di lingue moderne, e le hanno "deviate" verso il latino, una lingua sotto-rappresentata nelle risorse digitali. È un meccanismo che mostra quanto gli avanzamenti della comunità LLM più ampia possano dare linfa anche ai compiti più di nicchia.

Ma c’è un prezzo nascosto, e non è solo quello in token consumati. I LLM utilizzati sono versioni commerciali, accessibili esclusivamente via API cloud. Ogni invocazione sposta frasi di Cicerone o Livio su server gestiti da terze parti. Se per un corpus classico questo può sembrare un dettaglio accademico, il segnale per chi opera in contesti con vincoli di confidenzialità è chiaro: per utilizzare la migliore tecnicia NLP si finisce per cedere il controllo dei dati a un provider esterno.

La sovranità come variabile assente

L’esperimento di uOttawa è una dimostrazione tecnica impeccabile, ma evidenzia una scelta di campo. Le metriche di valutazione erano tutte legate alla qualità del NER; nessuna teneva conto di aspetti come la residenza dei dati, la trasparenza algoritmica o il TCO (TCO) su scala. Eppure, per archivi di manoscritti inediti, per istituzioni che operano sotto GDPR o per progetti con sensibilità culturale, l’uso di modelli self-hosted diventa una condizione irrinunciabile.

Chi vince, allora? I provider cloud, che vedono cementarsi la propria centralità anche in ambiti ultra-specifici. Chi perde? I laboratori con risorse limitate che non possono permettersi costi API crescenti o modelli on-premise di dimensioni comparabili. In più, viene a mancare la possibilità di auditing sui bias linguistici introdotti dall’LLM: un modello chiuso non permette di capire se certi errori sistematici nascono da una cattiva interpretazione del latino classico o da un vizio latente nei dati di addestramento.

L’alternativa, naturalmente, esiste. Modelli più piccoli e quantizzati, ospitabili su hardware locale, potrebbero essere addestrati o affinati per il NER latino con risultati competitivi, a patto di investire nella cura dei dataset e nell’infrastruttura. Il trade-off è noto: performance potenzialmente inferiori, ma controllo assoluto sui dati e costi operativi prevedibili. La decisione diventa strategica, non solo tecnica.

Un successo che ci interroga

Il primato di uOttawa resterà nelle classifiche come esempio virtuoso di transfer learning. Ma per chi osserva il deployment di LLM non come mero esercizio accademico bensì come scelta di architettura, la lezione è duplice. Da un lato, l’enorme potenziale dei modelli multilingue anche per lingue morte. Dall’altro, la fragilità di un approccio che affida la memoria culturale a entità esterne, senza garanzie di continuità, spiegabilità e rispetto della sovranità informativa. Nel mondo on-premise, ogni suffisso latino processato localmente diventa un atto di indipendenza.