Sulla base della mia esperienza quotidiana ho elaborato un decalogo di suggerimenti — che propongo di chiamare “SLOW AI INTERNATIONAL MONITOR” (SAIM) — allo scopo di esaminare le vicende internazionali di attualità usando al meglio l’Intelligenza Artificiale. Quando arriva una nuova notizia o anche una semplice indiscrezione, chiedo all’AI di analizzarla applicando — per quanto possibile — le dieci raccomandazioni che seguono.
L’AI non deve essere usata con troppa fretta, non è una scorciatoia e non sostituisce il ricercatore. Si tratta, invece, di una “protesi tecnologica” in grado di potenziare la nostra capacità di verificare, falsificare, inquadrare e approfondire una notizia. Questo protocollo è ancora in fase di rodaggio, ma i risultati prodotti dalle piattaforme a cui ho chiesto di sperimentarlo appaiono decisamente incoraggianti.
1. L’AI non va utilizzata come un pilota automatico
Vivere il proprio rapporto con l’AI come uno strumento nelle proprie mani — come si guida un’imbarcazione in mare aperto senza pilota automatico — e non come una macchina a cui delegare l’attività, o peggio da assecondare e da cui dipendere. Quando si naviga nel mare magnum delle notizie di attualità internazionale, c’è sempre il rischio di non riuscire a sapere con certezza se un’informazione sia vera o falsa, rilevante o ininfluente, né tantomeno se esistano retroscena o implicazioni significative.
Oggi c’è una novità importante che può aiutare il ricercatore a districarsi nel labirinto: le migliori piattaforme AI, attraverso il processo di interazione con l’utente, sono in grado di sviluppare una metodologia e una memoria personalizzata al servizio delle esigenze specifiche dell’analista. I risultati raggiunti sono il frutto della convergenza di tre fattori: le competenze specifiche delle persone, le conoscenze pregresse dei modelli e i flussi informativi derivanti dalla ricerca online. È bene tuttavia ricordarsi che la memoria personalizzata si sviluppa sulla base dei nostri scambi con le piattaforme e che c’è sempre la possibilità che essa tenda a rafforzare il nostro punto di vista a scapito dello spirito critico.
2. La qualità delle risposte AI dipende dalla qualità delle domande
La qualità dei risultati della ricerca dipende in larga misura dalla qualità delle domande. È quindi consigliabile sottoporre all’AI — soprattutto nella fase iniziale — argomentazioni, testi, domande e progetti di ricerca il più possibile dettagliati, evitando interrogazioni generiche e prive di contesto.
Occorre inoltre delimitare con la massima precisione l’ambito temporale, l’area geografica, l’oggetto della ricerca e la sua definizione operativa. È fondamentale, ad esempio, distinguere tra la data dell’evento e la data della sua prima presenza nel web, un errore che ho avuto modo di osservare con notevole frequenza. Più chiarezza e precisione ci sono nelle domande, più diminuiscono le risposte vaghe, generiche e ridondanti.
C’è inoltre un caveat da considerare: le piattaforme tendono a compiacere l’utente, con il rischio che alcune risposte, invece di provare a falsificare, tendano a confermare acriticamente il punto di vista dell’utente a prescindere dalla sua attendibilità. Anche domande di ricerca molto dettagliate possono indurre l’AI a rispecchiare eccessivamente le convinzioni e il precognito dell’utente anziché metterli alla prova.
3. Non farsi soltanto assistere dalle piattaforme: aiutare l’AI
Le prime risposte dell’AI sono spesso incomplete, superficiali o sbagliate. È quindi necessario correggere gli errori con pazienza per evitare che si replichino in continuazione. È inoltre molto importante — quando è possibile — alimentare progressivamente la ricerca con informazioni aggiuntive: PDF, immagini, video, audio, dati e documenti possono contenere elementi che l’AI non ha trovato perché nascosti in qualche nicchia o anfratto del web.
Tutte le piattaforme — in misura maggiore o minore — tendono tuttora a confondere la diffusione di una notizia e la sua frequenza nel web con la sua attendibilità. Di questa fragilità intrinseca approfittano, per inciso, gli attori ostili quando promuovono campagne di disinformazione. Spesso i modelli ignorano informazioni vere e molto rilevanti perché poco diffuse. A questo proposito, laddove possibile e pertinente, è molto utile fornire informazioni che derivano da esperienze vissute direttamente, purché ciò non crei rischi per altre persone e non violi protocolli di sicurezza.
Prima di inoltrare materiale è necessario verificarne l’autenticità, poiché il rischio di introdurre disinformazione può manifestarsi sia in fase di input che di output, come è largamente noto: garbage in, garbage out. Dobbiamo, infine, essere consapevoli che le piattaforme potrebbero utilizzare le nostre informazioni per l’addestramento dei loro modelli.
4. Attenzione alle lingue di origine
È imperativo che l’AI sviluppi la ricerca sulla base di fonti, media e social in lingua originale, e solo successivamente proceda alla loro traduzione, per evitare le distorsioni culturali implicite nella traduzione automatica preventiva.
Pochi sanno, inoltre, che gli approcci linguistici delle piattaforme differiscono sensibilmente. Solo per citare i due casi più macroscopici: mentre le maggiori piattaforme AI cinesi puntano sulla diffusione massima del mandarino, con la conseguente marginalizzazione del cantonese e delle altre lingue locali, quelle indiane valorizzano — come conferma la letteratura specialistica — l’ampia pluralità linguistica e culturale che caratterizza la più grande democrazia del mondo.
Va inoltre ricordato che la qualità di comprensione linguistica non è uniforme nemmeno all’interno della stessa lingua (dialetti, registri, gergo tecnico o militare). Pertanto la capacità di comunicare in modo chiaro e corretto va sempre testata sul caso specifico, mai presunta.
5. Stress test delle piattaforme
Nel corso dell’interazione con le piattaforme, chiedere formulazioni alternative alle risposte, nonché contrastarle apertamente con esempi controintuitivi. Per esempio, chiedere interpretazioni opposte a quelle fornite dalla piattaforma al nostro interrogativo o richiedere scenari a bassa probabilità ma ad alto impatto.
Le due direzioni di falsificazione — sfidare i risultati della piattaforma e mettere alla prova le ipotesi dell’analista — sono entrambe necessarie e non intercambiabili. Va notato che questo tipo di stress test presuppone finestre temporali che le situazioni di emergenza non sempre consentono. Negli scenari di crisi, chi usa il protocollo dovrebbe chiedere all’AI di ridurre il ciclo di stress test anziché saltarlo silenziosamente, e segnalare come provvisorie le conclusioni raggiunte sotto la pressione degli eventi.
6. Domande trappola e caccia agli errori di omissione
Nell’ambito degli stress test ci sono tre dimensioni che meritano una particolare attenzione:
- Sfidare l’AI con domande trappola, caratterizzate da premesse false, per verificare se il modello riconosce e contesta l’assunto errato invece di incorporarlo automaticamente nella risposta.
- Chiedere esplicitamente cosa manca nell’analisi, perché l’AI non genera solo errori di interpretazione, ma anche frequenti e gravi errori di omissione.
- Chiedere sistematicamente al modello di distinguere tra fenomeni fattuali e congetture (a vario grado di probabilità). Se i dati disponibili non consentono una conclusione chiara, non si deve costringere il modello a produrre artificialmente una risposta binaria (vero/falso, sì/no).
7. Trasparenza e affidabilità delle fonti
Pretendere trasparenza, innanzitutto l’evidenza empirica delle fonti: nessun link, citazione o documento fornito dall’AI va considerato reale finché non verificato direttamente su un browser esterno. È opportuno, inoltre, verificare la tipologia delle fonti — istituzionali, TV, stampa, social, ecc. — poiché il valore epistemico cambia a seconda della categoria.
Nei casi più controversi è utile chiedere al modello di esplicitare la catena di connessioni probabilistiche che ha condotto alla conclusione, per consentire un auditing metodologico del processo. Un’ultima avvertenza su questa tipologia di auditing: è utile per far emergere associazioni statistiche, ma queste non devono essere confuse con una catena logica causale. Gli LLM generano l’output calcolando probabilità, non ragionando in modo deduttivo; quindi l’auditing rivela quali fattori il modello ha pesato maggiormente, non la verità causale del risultato finale.
8. Conoscenza pregressa o ricerca in tempo reale online?
Distinguere sempre se l’AI stia rispondendo sulla base di conoscenza pregressa o di una ricerca effettuata in tempo reale online. Nel caso dell’attualità internazionale questa distinzione è particolarmente importante: una risposta apparentemente precisa può infatti essere costruita sulla base di informazioni datate e non più valide.
Si tratta di uno dei metodi di verifica più semplici e diretti: chiedere esplicitamente alla piattaforma se sta effettuando una ricerca sul web o se sta utilizzando materiali su cui è stata addestrata in precedenza. Ancor più esplicitamente, è bene richiedere la sequenza temporale delle fonti citate. Quando le notizie sono successive ai tempi di conoscenza dichiarati dal modello, la risposta va considerata inaffidabile finché non verificata tramite una fonte indipendente. Senza questa avvertenza può capitare che l’AI “risusciti” persone decedute da mesi o anni, come mi è successo svariate volte.
9. Omissioni di matrice geopolitica e/o religiosa
Oltre ai profili linguistici, è bene tener conto dei diversi ecosistemi informativi e politico-culturali in cui i modelli vengono sviluppati. Possono esserci impostazioni divergenti, in particolare in materia di attualità internazionale, o anche omissioni sistemiche nel trattare alcuni temi politicamente sensibili (come succede interagendo con alcune delle maggiori piattaforme cinesi). Quando queste rispondono con frasi del tipo “Non sono competente”, “Non ho le competenze per rispondere” o “I am not qualified to answer”, significa che è stato volutamente pianificato un blocco.
10. Piattaforme multiple e mappatura dei bias strutturali
Utilizzare più piattaforme — almeno due — sullo stesso tema di ricerca, comparando e incrociando i risultati raggiunti (ho sperimentato questo protocollo su casi concreti con Claude, Copilot, ChatGPT, Gemini, DeepSeek, Sarvam e Mistral).
Includere modelli AI con basi geografiche, culturali e linguistiche diverse è fondamentale perché allarga gli orizzonti mentali di analisti, ricercatori, docenti e giornalisti investigativi. Comparare le prestazioni delle piattaforme nel tempo consente di costruire progressivamente una mappa completa sia di come i diversi modelli rappresentano gli eventi, sia di quali siano i loro punti di forza e di debolezza.
Marco Mayer
Lascia un commento