ANALISI "I giudici" di internet: la promessa dei filtri algoritmici e i limiti del "editore invisibile"

La pre-lancio dell'applicazione eYou, una piattaforma sociale di concezione europea che promette di analizzare ogni post attraverso quattro modelli di intelligenza artificiale e di classificare il contenuto come vero, parzialmente vero o falso, non è solo un annuncio di prodotto. È un sintomo di un momento in cui le soluzioni tecniche sono chiamate a risolvere un problema strutturale politico: chi ha l'autorità di decidere quale informazione è legittima nello spazio pubblico digitale. I dati mostrano che, negli ultimi sei mesi, l'espressione "fake news" ha generato oltre 13.200 menzioni nella stampa internazionale, con un tono negativo nel 31% dei casi e opinativo nel 66% delle apparizioni, distribuite su Web, Facebook, YouTube e TikTok. Il termine circola intensamente e costantemente, raggiungendo picchi di oltre 200 menzioni al giorno, in parallelo con eventi politici maggiori negli Stati Uniti, Brasile, Romania o nello spazio geopolitico generato dai conflitti in Ucraina e Medio Oriente. In un tale contesto, qualsiasi sistema che si assuma il ruolo di arbitro automatico della verità merita un'analisi rigorosa, non solo una presentazione.

Come funziona, di fatto, un sistema automatico di verifica delle informazioni

A livello tecnico, un sistema di tipo "fact-checking algoritmico" presuppone diversi passaggi: identificazione delle affermazioni verificabili in un testo, confronto con banche dati e fonti considerate di riferimento, calcolo di punteggi di fiducia e aggregazione dei risultati in un'etichetta finale. Il processo si svolge automaticamente, in tempo reale, su larga scala, il che lo rende fondamentalmente diverso dalla verifica umana classica. Il giornalista o il fact-checker umano sceglie cosa verificare, spiega il processo e lo espone pubblicamente al dibattito. L'algoritmo applica una regola uniforme, senza spiegare e senza avere dubbi. Questa differenza non è da poco. Essa trasforma la piattaforma da un semplice canale di distribuzione di messaggi in un attore editoriale invisibile. Il verdetto non appare come articolo di fact-checking, con metodologia e fonti trasparenti, ma come etichetta standardizzata posizionata direttamente accanto al contenuto. L'utente vede la conclusione, non il ragionamento. Questa compressione del processo editoriale è, allo stesso tempo, l'efficienza del sistema e la sua vulnerabilità di fondo, perché esclude dall'equazione proprio l'elemento che rende la verifica legittima: la tracciabilità e la responsabilità pubblica.

La pressione per l'automazione: da dove viene e cosa la alimenta

In questo contesto, i vantaggi dell'automazione della verifica sono evidenti a livello operativo. La velocità è il primo argomento solido: in una crisi informativa, elezioni contestate, conflitto armato, disastro naturale, la finestra in cui un'informazione falsa può dominare la narrazione pubblica si misura in minuti. Un sistema che contrassegna istantaneamente il contenuto sospetto può limitare la distribuzione iniziale prima che un giornalista abbia il tempo di scrivere una correzione. La scalabilità è il secondo argomento: al volume di contenuto generato quotidianamente sulle piattaforme digitali, nessuna redazione e nessun consorzio di fact-checker può coprire più di una frazione infima del flusso di informazioni. L'automazione è l'unico modo per estendere la verifica su scala industriale, senza moltiplicare proporzionalmente i costi. Il terzo argomento è la consistenza formale: l'algoritmo applica gli stessi criteri a tutti i messaggi, eliminando le variazioni individuali generate da stanchezza, soggettivismo o sovraccarico cognitivo.

Dove si rompe la logica della neutralità algoritmica

Ognuno di questi vantaggi comporta un costo specifico. La velocità significa anche irreversibilità: un'etichetta applicata erroneamente può essere ritirata tecnicamente, ma il suo effetto sociale, la discreditazione di un autore, la limitazione della distribuzione di un messaggio, rimane. La scalabilità significa che ogni errore di sistema si riproduce alla stessa scala con il vantaggio che promette. La consistenza formale maschera un rischio più profondo: l'algoritmo applica uniformemente, ma non applica correttamente se le regole con cui è stato addestrato sono esse stesse distorte. Il bias algoritmico è, in questo senso, il rischio strutturale centrale. I modelli di intelligenza artificiale non sono neutri: sono addestrati su dati, e i dati riflettono gli squilibri del mondo da cui provengono. Se le fonti dominanti nel set di addestramento appartengono a un certo spazio geopolitico o culturale, il sistema tenderà a convalidare implicitamente le narrazioni di quello spazio e a penalizzare le posizioni provenienti da aree sottorappresentate. La distribuzione geografica delle fonti che dominano il discorso sulle "fake news", massicciamente concentrata nella stampa anglosassone e, secondariamente, in quella brasiliana e dell'Europa orientale, suggerisce che un modello addestrato su questo corpus riprodurrebbe implicitamente una gerarchia editoriale già esistente, non creerebbe una nuova neutralità. Gli errori di classificazione aggiungono un altro livello di rischio. Il linguaggio politico è frequentemente ironico, metaforico, deliberatamente ambiguo o iperbolico. Un sistema che riduce semanticamente un testo ad affermazioni verificabili perde costantemente il significato reale dei messaggi che non funzionano in registro letterale. Le affermazioni parzialmente corrette che includono un nucleo fattuale reale e un contesto manipolato sono proprio le più difficili da rilevare automaticamente e, simultaneamente, le più efficaci come strumenti di disinformazione. Etichettarle come "parzialmente vere" può funzionare, paradossalmente, come una validazione indiretta. L'opacità completa il quadro. Senza accesso pubblico alla metodologia di valutazione, alle fonti di riferimento utilizzate e alle procedure di contestazione di un verdetto, l'utente si trova di fronte a un oracolo tecnico che può accettare o rifiutare, ma non può esaminare. Questa è una forma di potere editoriale senza responsabilità editoriale assunta, una combinazione che, in qualsiasi altra istituzione pubblica, solleverebbe seri interrogativi.

Centralizzazione algoritmica versus distribuzione dell'autorità

Esiste una distinzione fondamentale tra i modelli centralizzati e quelli distribuiti di gestione della disinformazione, e non riguarda la tecnologia, ma la filosofia politica dell'informazione. Il modello centralizzato, in cui una sola piattaforma o un solo sistema applica un verdetto uniforme su tutti i messaggi, ha il vantaggio dell'efficienza e della coerenza. Ha però lo svantaggio della concentrazione del potere: chi controlla l'algoritmo controlla, indirettamente, quali narrazioni sono credibili e quali narrazioni sono contrassegnate come sospette. In un ecosistema mediatico in cui il discorso sulle "fake news" è esso stesso uno strumento di lotta politica utilizzato dalla stampa conservatrice americana a istituzioni giudiziarie in Brasile, da Karoline Leavitt a Emmanuel Macron, la concentrazione del potere di etichettatura in un solo sistema solleva reali problemi democratici, indipendentemente dalle buone intenzioni di coloro che lo costruiscono. Il modello distribuito funziona in modo diverso. La verifica è realizzata da attori multipli e indipendenti: redazioni specializzate, consorzi di fact-checking, comunità accademiche, istituzioni pubbliche. Le conclusioni sono visibili come prodotti editoriali distinti, con metodologia spiegata e con possibilità di contraddizione pubblica. Il disaccordo tra verificatori non è un errore, ma una riflessione fedele della complessità della realtà. Il modello è più lento, più costoso e più difficile da scalare, ma produce un tipo di autorità più legittima, perché è più trasparente e più contestabile. Tra queste estremità, si è delineato anche un approccio ibrido, in cui gli algoritmi funzionano come strumenti di prioritizzazione e rilevamento, senza produrre il verdetto finale. Essi identificano contenuti potenzialmente problematici, mappano le reti di distribuzione coordinata e evidenziano cluster di messaggi sospetti, dopo di che intervengono analisti umani per la valutazione di fondo. Il sistema guadagna velocità e copertura senza rinunciare al giudizio contestualizzato. È, per ora, il modello che equilibra meglio l'efficienza con la responsabilità, sebbene rimanga vulnerabile alla qualità della selezione umana e alle pressioni istituzionali.

Riduciamo la disinformazione o solo la spostiamo a un livello più difficile da vedere

La distribuzione del tono del discorso pubblico riguardo alle "fake news" negli ultimi sei mesi, 66% opinativo, 31% negativo, solo 3% positivo riflette una frustrazione cronica nei confronti del fenomeno e, simultaneamente, un'aspettativa crescente per soluzioni. Le soluzioni tecniche di tipo AI rispondono esattamente a questa aspettativa, e la loro legittimità deriva, in gran parte, dall'urgenza percepita del problema. Proprio questa urgenza merita di essere esaminata criticamente: la necessità di fare qualcosa rapidamente non garantisce che ciò che si fa sia corretto o sufficiente. I sistemi automatici di etichettatura possono ridurre la visibilità di certi tipi di contenuto, possono segnalare agli utenti che un'affermazione è contestata e possono limitare la velocità di diffusione di alcuni messaggi evidentemente falsi. Ma non possono ricostruire la fiducia tra il pubblico e le istituzioni produttrici di informazioni, non possono eliminare la polarizzazione che fa sì che una parte del pubblico interpreti qualsiasi correzione come una forma di censura e non possono sostituire la cultura informativa individuale. Le etichette algoritmiche non cambiano le convinzioni; possono, al massimo, introdurre una frizione minima nella distribuzione del contenuto. Inoltre, esiste un rischio sistemico che non è affrontato nel dibattito attuale: se un numero limitato di sistemi algoritmici arriva a svolgere il ruolo di standard de facto nella valutazione della veridicità su internet, il loro potere combinato diventa comparabile a quello di qualsiasi monopolio editoriale, con la differenza che è meno visibile e più difficile da contestare. La concentrazione del discorso sulle "fake news" attorno a poche fonti e piattaforme dominanti, che i dati confermano, può essere un precursore di una tale centralizzazione algoritmica su scala globale. La conclusione di lavoro è che i sistemi automatici di rilevamento della disinformazione sono strumenti utili, ma insufficienti e potenzialmente pericolosi se utilizzati isolatamente. La loro reale efficacia dipende dalla trasparenza della metodologia, dall'integrazione con strutture indipendenti di verifica umana, da meccanismi robusti di contestazione e da una separazione chiara tra la filtrazione del contenuto fattuale errato e l'influenza sulle orientazioni editoriali della piattaforma. Senza queste condizioni, la lotta contro la disinformazione rischia di produrre non più chiarezza, ma un nuovo strato di opacità – più difficile da identificare e, quindi, più difficile da correggere rispetto al problema che pretende di risolvere.

*****Sintesi realizzata con l'aiuto di un flusso di monitoraggio di dati fornito dalla piattaforma di monitoraggio media NewsVibe Romania. L'analisi, i dati e le immagini presentate sono state migliorate con l'aiuto di strumenti di Machine Learning e Intelligenza Artificiale.