> ## Content Index
> Fetch the complete content index at: https://ai-in-fvg.ghost.io/llms.txt
> Use this file to discover other available public pages before exploring further.

# Credibilità
- URL: https://ai-in-fvg.ghost.io/credibilita/
- Published: 2026-11-03T15:46:06.000Z
- Updated: 2026-11-04T18:38:57.000Z
- Description: La comunicazione della conoscenza nell’era dell’intelligenza artificiale.
- Author: Chiara Meriani
- Tags: AI & giornalismo, AI & Scienza, Approfondimenti, Tesi di Master | AI e fiducia

## La comunicazione della conoscenza nell’era dell’intelligenza artificiale.

> Tratta dalla tesi di Chiara Meriani per il Master di I livello in Filosofia del digitale e intelligenza artificiale. Comunicazione, economia e società. Università di Udine.

### Dalla ricerca al racconto: la mediazione giornalistica

Durante il tirocinio alla SISSA, la sfida è stata non solo di comprendere le ricerche che mi venivano spiegate, ma di raccontarle giornalisticamente in un linguaggio accessibile anche a chi non possiede una formazione scientifica – proprio come me. Il mio obiettivo, fin dall'inizio, è stato questo: raccontare la ricerca sul *machine learning* ad un pubblico non specializzato, cercando di mantenerne intatti significati e complessità.

Le interviste ai ricercatori sono state il punto concettuale di partenza. Ho potuto fare domande, chiedere spiegazioni, tornare sui concetti meno chiari e confrontare le risposte con i *paper* scientifici. Naturalmente, comprendere un argomento e saperlo raccontare sono due attività diverse e il concetto stesso di “comprendere” è relativo: i livelli di comprensione di un ricercatore e di un giornalista sono profondamente diversi. Eppure, anche senza essere in grado di decifrare numeri e algoritmi, è possibile comprendere il *quid* di una ricerca scientifica, se chi la racconta sa “passare” i concetti, adeguandosi alla formazione di chi lo ascolta. Ho avuto questa fortuna: i ricercatori che hanno risposto alle mie domande si sono dimostrati non solo capaci, ma anche alquanto divertiti a spiegare “in soldoni” le proprie ricerche, senza mai perdere in precisione o esattezza. “Soldoni” di gran valore, perché mi hanno reso accessibili idee e conoscenze che altrimenti per me sarebbero state irraggiungibili.

Da qui, il compito di trasformare quanto avevo compreso in articoli destinati al vasto pubblico, nell'ambito di un percorso di divulgazione legato anche all'*AI literacy*. La mia formazione giornalistica, non scientifica, è stata insieme un limite e una risorsa: ho fatto certamente più fatica a seguire i ragionamenti tecnici e matematici, e certi concetti li ho dovuti semplicemente “prendere per buoni”. Ma proprio quella fatica mi ha obbligata a riconoscere i passaggi che un lettore senza competenze specialistiche potrebbe non comprendere, e a non darli per scontati. Può infatti accadere – e a mio parere accade non raramente - che i testi di divulgazione, spesso scritti da persone con studi scientifici alle spalle, risultino troppo complessi per il pubblico: se non nei contenuti, nella scelta del lessico.

Non potendo comprendere ogni aspetto dei lavori studiati, né verificare autonomamente ogni dettaglio tecnico, ho cercato riscontri nei *paper*, nelle spiegazioni dei ricercatori e, quando necessario, nel confronto diretto con uno specialista. Una volta colto il senso di una ricerca, ho cercato di trovare parole accessibili per raccontarlo, senza perdere in accuratezza. In questo percorso ho incontrato una difficoltà ricorrente: alcuni termini, familiari a chi lavora in una disciplina, possono risultare oscuri oppure avere un significato diverso per chi li incontra per la prima volta. E’ un problema di comunicazione che richiede attenzione.

Un articolo scientifico nasce per comunicare risultati a una comunità di specialisti: utilizza un linguaggio condiviso, presuppone conoscenze matematiche e metodologiche e presenta le conclusioni all'interno di un quadro di ipotesi, dati e procedure di verifica. Un articolo divulgativo si rivolge invece a lettori che, nella maggior parte dei casi, non possiedono quegli stessi strumenti. Il giornalista deve quindi ricostruire il contesto, spiegare i concetti necessari e individuare gli aspetti più significativi della ricerca, senza pretendere di trasferire nel racconto ogni dettaglio tecnico (cfr. Burns et al., 2003).

È un lavoro di mediazione, ma anche di interpretazione. Nel passaggio dalla ricerca al racconto, il contenuto scientifico viene inevitabilmente riorganizzato. Si decide da dove cominciare, quali informazioni anticipare, quali approfondire e quali lasciare sullo sfondo. Non è necessariamente una perdita di rigore: è una condizione per rendere la conoscenza accessibile. Diventa però un problema quando le scelte narrative modificano il peso dei risultati o attribuiscono loro un significato diverso da quello sostenuto dalle fonti.

La comunicazione della scienza non avviene, inoltre, in uno spazio neutro. Le informazioni raggiungono il pubblico attraverso giornali, radio, televisione, siti web e piattaforme social, ciascuno con linguaggi, tempi e modalità di fruizione differenti. Un approfondimento scritto permette di sviluppare un ragionamento articolato; un'intervista radiofonica richiede spiegazioni che possano essere comprese al primo ascolto; un contenuto *social* deve conquistare in pochi secondi: la capacità di attirare l'attenzione diventa così un elemento importante della comunicazione, senza coincidere necessariamente con la qualità di ciò che viene comunicato.

La lezione del master *«Il lavoro nell'era delle piattaforme»* di Federico De Stavola mette a fuoco il rapporto tra tecnologia e società mettendo a confronto il determinismo tecnologico, che attribuisce allo sviluppo tecnico un ruolo relativamente autonomo nel cambiamento sociale; e la *Social Construction of Technology* (SCOT), secondo cui le tecnologie sono progettate, interpretate e utilizzate all'interno di specifici contesti storici e culturali (De Stavola, 2026).

Seguendo questa seconda prospettiva, anche gli strumenti attraverso i quali comunichiamo possono essere considerati parte di un sistema di relazioni e scelte umane. Non determinano da soli il significato dei contenuti, ma influenzano il modo in cui quest’ultimi vengono prodotti, distribuiti e ricevuti, contribuendo a stabilire quali informazioni raggiungono il pubblico, con quale visibilità e attraverso quali modalità di interazione.

Il tema è particolarmente evidente nella comunicazione digitale. Come sappiamo, le piattaforme non si limitano a ospitare informazioni e contribuiscono a organizzarne la visibilità attraverso sistemi di raccomandazione, criteri di distribuzione e meccanismi che valorizzano determinate forme di interazione: la novità è che ora integrano spesso funzioni AI.

Già negli anni Sessanta Marshall McLuhan sosteneva che «il medium è il messaggio» (McLuhan, 1964). Il mezzo di comunicazione, cioè, non è un semplice contenitore neutro: le sue caratteristiche influenzano il nostro modo di percepire le informazioni, di entrare in relazione con gli altri e, più in generale, di organizzare la vita sociale. Un concetto che assume un significato particolare nell’era dell’intelligenza artificiale.

### Semplificare senza tradire

Forte dei vantaggi e consapevole dei limiti della mia posizione di giornalista, nel mio lavoro alla SISSA ho cercato di mantenere una distinzione tra ciò che i ricercatori avevano effettivamente dimostrato e il significato più generale che si poteva attribuire ai loro risultati. La necessità di spiegare studi molto specialistici mi ha portata anche a riflettere sul ruolo delle parole, degli esempi e delle analogie, strumenti indispensabili per la divulgazione ma da utilizzare con attenzione.

La ricerca scientifica e il giornalismo perseguono obiettivi differenti, pur condividendo un'esigenza fondamentale: poter giustificare le proprie affermazioni attraverso elementi verificabili. Il ricercatore deve rendere conto dei metodi utilizzati e dei risultati ottenuti; il giornalista deve rispettare il significato delle fonti e permettere al lettore di distinguere i fatti dalle interpretazioni.

Il valore della divulgazione risiede proprio in questo passaggio: rendere conoscibile ciò che è complesso, senza presentarlo come più semplice o più certo di quanto realmente sia. La scelta delle parole, il ricorso alle metafore e il rapporto tra semplificazione e precisione costituiscono quindi il primo problema che ho preso in considerazione. 

La «materia oscura» nascosta nel nostro corpo, o una rete neurale che, a un certo punto, «accende la lampadina», sono immagini che ho utilizzato negli articoli e nelle interviste realizzati durante il tirocinio, cercando di rendere comprensibili fenomeni che, nella loro formulazione scientifica, richiedono conoscenze molto specialistiche. Le metafore possono essere un aiuto prezioso per la divulgazione. Permettono di avvicinare un concetto nuovo a qualcosa che conosciamo già, creando un collegamento con l'esperienza quotidiana. Ma è proprio questa familiarità a renderle delicate: un'immagine efficace può facilitare la comprensione, oppure suggerire somiglianze che non esistono.

Nell'intervista a Michael Skinnider, biologo computazionale della Princeton University, ho raccontato il lavoro del suo laboratorio attraverso l'espressione «materia oscura» del corpo. Skinnider studia i metaboliti, piccole molecole presenti negli organismi viventi, molte delle quali non sono ancora state identificate. Gli strumenti di analisi chimica possono rilevare segnali che indicano la presenza di queste sostanze, senza riuscire ad associarli con certezza a una struttura molecolare. La «materia oscura» del metaboloma non ha naturalmente nulla a che vedere con quella studiata dagli astrofisici. È una metafora utilizzata anche in ambito biologico per indicare una parte ancora sconosciuta del mondo molecolare. Nel mio articolo ho cercato di chiarirlo subito: non si tratta di materia invisibile, ma di materia rilevata e non ancora identificata.

Ho poi utilizzato l'immagine di una torcia che illumina una stanza buia per spiegare il contributo dell'intelligenza artificiale alla ricerca di nuovi metaboliti: semplice ma “illuminante”! La torcia permette di vedere qualcosa che prima era nascosto. Non garantisce però che ciò che ci sembra di riconoscere corrisponda effettivamente alla realtà: potrei scomodare qui lo splendido Mito della Caverna di Platone, che ben rappresenta la distanza tra le “ombre” e la realtà. Similmente, il modello sviluppato dal gruppo di Skinnider può suggerire strutture chimiche da cercare e verificare, ma la previsione deve essere sottoposta a prove sperimentali prima di diventare una scoperta scientifica (Meriani, «La materia oscura del corpo», 2026).

La stessa metafora ha trovato diversa applicazione nell'intervista a Rudy Skerk, dottorando della SISSA, per raccontare alcune transizioni nell'apprendimento delle reti neurali. L'immagine della lampadina che si accende in questo caso rende intuitivo un cambiamento nel comportamento del modello, ma richiama anche un'esperienza tipicamente umana: il momento in cui abbiamo l'impressione di aver finalmente capito qualcosa che prima ci sfuggiva.

Il rischio però è quello di suggerire che una rete neurale attraversi un processo di comprensione paragonabile al nostro: cosa che non corrisponde a quanto detto nel *paper*. Come abbiamo visto nel primo capitolo, i ricercatori descrivono matematicamente il passaggio tra differenti regimi di apprendimento, non l'emergere di una comprensione cosciente (Barbier et al., 2026; Meriani, intervista a Skerk, 2026).

Il problema riguarda molte parole che utilizziamo normalmente per parlare di intelligenza artificiale: a partire dalla stessa parola *intelligenza*. Parole che hanno un significato familiare, ma in un contesto tecnico possono indicare processi molto differenti da quelli umani. Proprio perché utilizzate quotidianamente, rischiamo di attribuire a quelle parole un senso che non corrisponde al significato scientifico.

Il confronto tra intelligenza umana e artificiale è stato al centro di uno degli appuntamenti che ho avuto l'opportunità di moderare durante Trieste Next 2026: **Macchine che parlano, menti che pensano**, un *talk* organizzato dalla SISSA al quale hanno partecipato la neuroscienziata cognitiva Domenica Bueti, il fisico Sebastian Goldt e il filosofo Silvano Zipoli Caiani.

Il primo passo è stato quello di metterci d'accordo sulle parole, cercando una definizione scientificamente riconosciuta di intelligenza. Bueti ha iniziato precisando che «intelligenza» non indica un'unica capacità: per spiegare che cosa sia, la professoressa ha utilizzato l’immagine degli ingredienti di una ricetta — memoria, previsione, pianificazione, apprendimento, empatia — e, naturalmente, dell’importanza del modo in cui vengono combinati.

Il professor Goldt ha poi ricordato che l'espressione «rete neurale» conserva la traccia dell'ispirazione biologica originaria, mentre i neuroni artificiali sono modelli matematici e le architetture attuali hanno seguito uno sviluppo diverso da quello del cervello. Anche in questo caso, parole simili, dunque, non indicano necessariamente meccanismi o substrati simili.

A tal proposito, Bueti ha proposto una spiegazione del perché le macchine ci sembrino tanto vicine a noi: padroneggiano il linguaggio, e il linguaggio porta con sé le nostre convinzioni, i valori, i pregiudizi, il nostro modo di essere. È facile, davanti a una risposta ben formulata, immaginare una mente simile alla nostra. Eppure, ha sottolineato la neuroscienziata, una somiglianza nelle capacità osservabili non significa identità di funzionamento: l'apprendimento umano si costruisce anche attraverso il corpo e l'interazione continua con l'ambiente, mentre quello dei modelli linguistici segue processi computazionali differenti.

L'esempio più “giornalistico”, a mio parere – tanto da sceglierlo per il titolo del mio articolo dedicato a Trieste Next – è arrivato dal filosofo Zipoli Caiani: una barzelletta. Un modello linguistico è perfettamente in grado di raccontarla e addirittura spiegare perché dovrebbe far ridere: ma “la capisce davvero?”. È certamente altra cosa rispetto a quel momento in cui cogliamo il senso di una battuta che ci strappa una risata. Allo stato attuale, non abbiamo buone ragioni per attribuire alle macchine quel genere di esperienza soggettiva. Non è una prova definitiva su ciò che l'AI non potrà mai essere; è una cautela sul significato che diamo al verbo «comprendere».

Per il lavoro giornalistico, e per la stesura di questa tesi, il confronto mi ha reso evidente un problema molto concreto. Espressioni come «la macchina capisce» o «la rete pensa» permettono di raccontare rapidamente una prestazione, ma possono suggerire al pubblico che dietro quella prestazione ci sia anche un'esperienza mentale paragonabile alla nostra. Le parole aiutano a spiegare; non devono diventare, senza che ce ne accorgiamo, conclusioni scientifiche (Trieste Next, 2026).

**Parole semplici, concetti complessi**

Un tentativo di utilizzare parole semplici per spiegare concetti complessi, l’ho fatto realizzando *«Alfabeto Intelligente»*, un piccolo dizionario – o meglio, abecedario – di *AI literacy*: ventiquattro lettere per spiegare ventiquattro concetti fondamentali dell'intelligenza artificiale.

Per spiegare che cos'è un algoritmo, ad esempio, sono partita dalla preparazione di un piatto di pasta: una sequenza ordinata di istruzioni per ottenere un risultato (precisando però che non tutti gli algoritmi sono intelligenza artificiale). Per introdurre il concetto di *bias*, invece, ho scelto la superstizione del gatto nero che attraversa la strada, distinguendo il pregiudizio umano dalle distorsioni che un sistema artificiale può apprendere dai dati o incorporare attraverso le scelte di progettazione (Meriani, «L’Alfabeto Intelligente», 2026).

La lettera dell’alfabeto che più mi ha messo in difficoltà è stata la Q. La scelta è caduta immediatamente su *qubit*, anche per seguire il *trend* del momento: quando si fa divulgazione, ed *AI Literacy* in particolare, merita dedicare tempo a quei concetti che tutt’un colpo entrano nell’“agenda” del pubblico più vasto, senza essere stati accompagnati da una debita spiegazione. La maggior parte delle persone in questi anni si è trovata di fronte a parole quasi indecifrabili come *qubit*, ma anche chat, *deployer*, *data center*, *prompt* e computer quantistici… Parole mai sentite prima, sono entrate prepotentemente sulla ribalta dei mezzi di comunicazione: creando confusione ed un certo senso di smarrimento. Ne hanno iniziato a parlare i telegiornali, gli articoli di attualità, i podcast, i *social* e i corsi di formazione… ma quando non accompagnati da debite spiegazioni, queste parole o non hanno portato nuova conoscenza, o han causato addirittura disinformazione.

Tornando al qubit, dicevo che è stata la parola più sfidante in questo lavoro di divulgazione basic: l'ho scritta e riscritta e, prima di considerarla pronta per la pubblicazione, ho voluto sottoporla all'attenzione del professor Angelo Bassi, ordinario di Fisica teorica all'Università degli Studi di Trieste, che avevo intervistato per Radio 1 RAI in una puntata dedicata ai computer quantistici. Gli ho inviato il testo il 10 agosto 2026, chiedendogli di verificarne la correttezza scientifica prima della pubblicazione. Il giorno successivo è arrivata la sua risposta: «Il testo è ottimo: descrive la proprietà fondamentale del *qubit* senza tecnicismi e, allo stesso tempo, in modo accurato» (Bassi, comunicazione personale, 11 agosto 2026).

Parole particolarmente apprezzate e significative: riassumono esattamente l’obiettivo di “semplificare senza tradire”. L’episodio rappresenta anche un esempio concreto di verifica preventiva di un contenuto divulgativo. La semplificazione non deve necessariamente significare rinunciare al rigore: può richiedere, al contrario, un lavoro aggiuntivo di confronto con le fonti e con chi possiede le competenze necessarie per valutarne la correttezza.

Riporto qui l'immagine e il testo della voce «Q come *Qubit*» :

![Q come QUBIT, grafica dell’Alfabeto Intelligente con schema di bit e qubit](https://storage.ghost.io/c/46/70/467017c5-54b8-4e09-98d0-13e7209e14af/content/images/2026/11/data-src-image-ca92a9ec-fb40-4bf6-825a-c436b093b44e.png)

«Q come Qubit», illustrazione dall'Alfabeto Intelligente (2026).

> **Q come QUBIT**

> *Come si pronuncia qubit: «chiù-bit»*

> Cominciamo dalla scrittura: si scrive qubit, tutto attaccato. Non “qbit” e nemmeno “Qbit”. La parola nasce dalla contrazione dell’espressione inglese *quantum bit*, cioè “bit quantistico”, ed è attribuita al fisico teorico Benjamin Schumacher. (Non sono parenti… Curioso, però: l’uomo che ha battezzato il qubit porta lo stesso cognome del pilota che ha fatto della velocità una leggenda!) *Ma che cos’è il qubit?*

> Avete presente la storia del gatto di Schrödinger? Sì, c’entrano sempre i gatti! È un esperimento mentale ideato nel 1935 per mostrare quanto diventi paradossale applicare la sovrapposizione quantistica agli oggetti della nostra vita quotidiana. Se la conoscete, allora avete già incontrato uno dei concetti fondamentali per capire il qubit. Se non la conoscete, vale la pena cercarla: è una delle immagini più celebri della fisica contemporanea. Felini a parte, torniamo al qubit.

> Nei computer che usiamo ogni giorno, l’unità elementare dell’informazione è il bit: può assumere il valore 0 oppure 1\. Come un interruttore, che può essere spento oppure acceso. Ora immaginiamo un “interruttore quantistico”, diverso da qualunque interruttore esistente nelle nostre case. Prima di essere osservato, non è semplicemente spento o acceso. E non è neppure fermo a metà, come una lampadina regolata a bassa intensità. Il suo stato comprende entrambe le possibilità — spento e acceso, 0 e 1 — combinate tra loro con “pesi” diversi. Questa combinazione si chiama sovrapposizione.

> Possiamo immaginare due onde che si incontrano nell’acqua. Non rimangono semplicemente una accanto all’altra: si sovrappongono, si combinano e possono rafforzarsi oppure indebolirsi. Il qubit funziona in modo vagamente simile. Lo stato 0 e lo stato 1 contribuiscono insieme al suo *stato quantistico*; il modo in cui sono combinati determina le probabilità del risultato. Quando noi lo osserviamo però, troviamo sempre 0 o 1\. Ma non stiamo semplicemente scoprendo un risultato che il qubit aveva già prima della nostra osservazione: come mi ha spiegato il prof. Angelo Bassi durante un’intervista, il risultato esiste solo quando andiamo ad osservarlo.

> Ed è proprio qui che la fisica quantistica compie un salto radicale rispetto alla nostra esperienza quotidiana: se tutto questo vi sembra strano, siete sulla strada giusta: lo è davvero!

> **IN BREVE**

> Il qubit — contrazione di quantum bit — è l’unità fondamentale dell’informazione quantistica. Il suo stato può combinare le possibilità 0 e 1; quando viene misurato, però, restituisce un unico risultato: 0 oppure 1.

> *Riesci a immaginare qualcosa che non abbia un unico risultato prima di essere misurato?*

Oltre ai rischi (ed ai benefici) legati all’uso di parole quotidiane nella divulgazione scientifica ed al rischio opposto, quello di utilizzare parole troppo tecniche e troppo complesse, c’è un altro fattore che talvolta contribuisce a creare contenuti scientificamente discutibili: la generalizzazione ingiustificata. Quando una ricerca su capacità statistiche limitate viene presentata come la conquista di una capacità molto più generale, le conclusioni scientifiche corrette portano a conclusioni giornalistiche errate. Mi è tornata in mente una frase pronunciata da Zipoli Caiani durante Trieste Next: se rinunciamo al dialogo critico, rischiamo di accettare il sistema «come un oracolo». Nel caso che segue, la dimensione oracolare nasce soprattutto dal modo in cui viene raccontata una previsione statistica (Trieste Next, 2026).

### L'oracolo di silicio: l'intelligenza artificiale che prevede la morte

Nell'antica Grecia, chi desiderava conoscere il proprio destino poteva rivolgersi all'oracolo di Delfi. La Pizia, sacerdotessa di Apollo, pronunciava responsi che venivano interpretati come messaggi del dio. Erano spesso enigmatici, talvolta ambigui, ma godevano di un'autorità tale da orientare perfino decisioni politiche e militari.

Duemilacinquecento anni dopo, l'oracolo sembra esser stato trasferito dalla Grecia alla Danimarca, abbandonando il tempio per un laboratorio di ricerca. Al posto della sacerdotessa, un'intelligenza artificiale chiamata *life2vec*. Al posto dei responsi divini, milioni di dati relativi alla vita delle persone. E, secondo alcuni giornali, una capacità straordinaria: prevedere la data della nostra morte.

La realtà, naturalmente, era meno spettacolare. Lo studio pubblicato su *Nature Computational Science* non annunciava alcun oracolo digitale, ma un modello capace di individuare regolarità statistiche nelle biografie umane e utilizzarle per stimare determinati esiti, fra cui la mortalità entro un periodo di quattro anni. Nessuna profezia, dunque: ma previsioni statistiche, su questioni piuttosto private e delicate. Eppure, nel passaggio dal linguaggio scientifico a quello giornalistico, una previsione probabilistica si era trasformata nella promessa di conoscere non solo un futuro “generico” ma addirittura la data della nostra morte: l’informazione forse più temuta da ogni essere umano.

Il 18 dicembre 2023, sulla rivista *Nature Computational Science*, è stato pubblicato lo studio dal titolo *«Using sequences of life-events to predict human lives»*. I ricercatori, guidati da Germans Savcisens e Sune Lehmann, hanno sviluppato un modello chiamato *life2vec*, basato su un'architettura Transformer, per analizzare sequenze di eventi della vita umana utilizzando dati relativi a milioni di cittadini danesi. L'obiettivo era studiare se e come fosse possibile individuare regolarità nei percorsi biografici e utilizzarle per prevedere determinati esiti, tra cui la mortalità precoce e alcuni aspetti della personalità (Savcisens et al., 2024).

Il 3 gennaio 2024, il *Corriere della Sera* ha pubblicato un articolo di Velia Alvich intitolato *«Life2vec, l'intelligenza artificiale che può prevedere la data della morte»*. Il titolo è particolarmente suggestivo, ma è soprattutto un'affermazione contenuta nel testo a rendere il caso interessante per le nostre riflessioni: il modello viene descritto come capace di «predire con precisione la data del decesso» (Alvich, 2024).

Il risultato scientifico era diverso. Nel compito relativo alla mortalità, i ricercatori avevano utilizzato dati riferiti a persone di età compresa tra 35 e 65 anni per verificare se il modello riuscisse a distinguere chi sarebbe sopravvissuto e chi sarebbe morto in un periodo di quattro anni: non cercavano né promettevano di individuare il giorno esatto della morte.

La differenza è sostanziale. Stimare, con un determinato margine di errore, un esito entro un intervallo temporale non equivale a conoscere quando quell'evento si verificherà: è la distanza tra una previsione statistica e una profezia.

L'articolo del *Corriere* contiene anche informazioni corrette e importanti. Spiega che il modello è stato sviluppato a partire da dati sanitari e socioeconomici, chiarisce che si tratta di uno strumento sperimentale non disponibile al pubblico e mette in guardia dai siti che promettono di utilizzare *life2vec* per calcolare il giorno della morte… dopo aver però annunciato proprio quella capacità, addirittura nel titolo! Non siamo dunque di fronte a un testo interamente scorretto: il risultato scientifico viene descritto, attribuendo però al modello una capacità non dimostrata.

La vicenda ha avuto un seguito significativo. Sul sito ufficiale del progetto, gli autori hanno pubblicato chiarimenti per contrastare le interpretazioni fuorvianti circolate sui media e sul web. Specificano che *life2vec* non prevede il giorno della morte e che il valore di accuratezza del 78,8%, frequentemente citato, riguarda uno specifico test di classificazione, effettuato su un insieme di dati bilanciato (Savcisens e Lehmann, sito life2vec, 2026).

L'articolo del *Corriere* è del 3 gennaio, mentre il sito ufficiale indica il 6 gennaio 2024 come data della prima pubblicazione dei chiarimenti: il confronto documenta come una rappresentazione giornalistica possa allontanarsi dal significato di una ricerca e rendere successivamente necessarie precisazioni da parte degli stessi autori e, idealmente, la pubblicazione di una rettifica.

### La stessa ricerca, raccontata in modo diverso

Poche settimane dopo, il 18 gennaio 2024, *Scientific American* ha pubblicato un articolo di Lauren Leffer dedicato allo stesso studio: *«Can This AI Tool Predict Your Death? Maybe, But Don't Panic»*. Anche qui il punto di partenza è capace di attirare l'attenzione: la possibilità che un sistema artificiale possa prevedere la nostra morte. Il titolo, però, introduce subito una cautela, che viene sviluppata nel testo.

Leffer chiarisce che si tratta di previsioni relative alla mortalità entro un periodo di quattro anni, non dell'individuazione di una data esatta. Riporta inoltre le osservazioni di esperti esterni alla ricerca, che invitano a interpretare con prudenza le percentuali di accuratezza e a considerare i limiti dei dati utilizzati, riferiti alla popolazione danese (Leffer, 2024).

Il 22 gennaio, la stessa giornalista ha partecipato a una puntata di *«Science, Quickly»*, il podcast di *Scientific American*, dedicata a *life2vec*. Il dialogo utilizza un registro molto accessibile con battute, riferimenti alla fantascienza e un linguaggio colloquiale. Anche in questo caso si parte dall'idea inquietante di una macchina capace di prevedere la morte. Ma, appena introdotto lo studio, Leffer precisa che nessuno sta sostenendo di poter determinare con certezza la data in cui morirà una persona (Leffer, Feder e Bose, 2024).

Un aspetto interessante è proprio l'alternanza tra curiosità e spiegazione. Il podcast non rinuncia agli elementi narrativi che possono rendere coinvolgente l'argomento, ma li utilizza per accompagnare l'ascoltatore verso una descrizione più precisa dei risultati. C'è anche una metafora efficace: il modello viene accostato a un sistema di completamento automatico che lavora sulle sequenze degli eventi della vita, invece che su quelle delle parole. È un'immagine semplificata, ma coerente con l'idea alla base della ricerca, purché non venga interpretata come la capacità di scrivere in anticipo il futuro di una persona.

Il confronto con l’articolo esaminato precedentemente è istruttivo: mostra come l'efficacia narrativa e la precisione scientifica non debbano necessariamente essere alternative. Un articolo o un podcast possono partire da un'immagine suggestiva e poi guidare il pubblico a comprenderne i limiti.

### Quando un numero viene raccontato senza spiegare che cosa misura

Un caso precedente, ma altrettanto significativo, riguarda uno studio realizzato da Yilun Wang e Michal Kosinski alla Stanford University, diventato noto nel 2017 e pubblicato successivamente sul *Journal of Personality and Social Psychology*. I ricercatori avevano sperimentato un sistema di classificazione basato sull'analisi di fotografie tratte da siti di incontri, cercando di distinguere immagini associate a persone omosessuali ed eterosessuali.

Il 9 settembre 2017, Sky TG24 pubblicò un articolo dal titolo *«Gay o etero? L'intelligenza artificiale potrebbe leggerlo sul volto»*, riportando percentuali di successo superiori a quelle ottenute da valutatori umani (Sky TG24, 2017; Wang e Kosinski, 2018).

La formulazione suggerisce una capacità generale di riconoscere l'orientamento sessuale osservando una persona. Lo studio, invece, valutava la capacità del classificatore di distinguere categorie all'interno di uno specifico insieme di fotografie e secondo determinate condizioni sperimentali. Anche gli autori del *paper* discutevano possibili interpretazioni biologiche dei risultati; tuttavia, le prestazioni osservate non dimostrano, da sole, che l'orientamento sessuale sia riconoscibile universalmente dai tratti del volto.

L'articolo segnala alcuni limiti del campione e i possibili rischi per la privacy, ma non chiarisce sufficientemente al lettore come debbano essere interpretate le percentuali riportate. Utilizza inoltre, per definire una rete neurale, un paragone diretto con il funzionamento del cervello umano, che può rafforzare un'altra analogia problematica.

Anche qui il punto è distinguere ciò che è stato effettivamente misurato dalle capacità più generali che il racconto può indurre ad attribuire alla tecnologia.

Gli esempi analizzati mostrano problemi diversi. Nel caso *life2vec*, una previsione statistica circoscritta è stata trasformata in una capacità di previsione individuale molto più precisa. Nell'articolo sull'orientamento sessuale, invece, il rischio riguarda soprattutto la generalizzazione dei risultati di un classificatore oltre le condizioni nelle quali era stato valutato.

Naturalmente non esiste una formula che garantisca automaticamente una buona divulgazione. Esiste però un criterio che questi casi contribuiscono a chiarire: una semplificazione è utile quando permette di comprendere meglio una ricerca, non quando la rende più spettacolare modificandone il significato. Per il giornalista, questo comporta un'attenzione particolare alle parole, ai numeri e alle analogie, rinunciando alla spettacolarizzazione. Significa saper distinguere una capacità dimostrata da una possibile applicazione, una correlazione da una spiegazione causale, una previsione statistica da una certezza. Ed è proprio la comunicazione di ciò che rimane incerto, anche davanti a risultati promettenti, a costituire uno dei passaggi più delicati del racconto scientifico.

### Comunicare l'incertezza

Durante l'incontro *Macchine che parlano, menti che pensano* (Trieste Next 2026), ho chiesto a Sebastian Goldt che cosa imparino concretamente i modelli linguistici durante l'addestramento. La sua risposta è partita da un compito apparentemente semplice: dato un testo, prevederne la continuazione. Da questo esercizio statistico, ripetuto su enormi quantità di dati, emergono capacità che vanno ben oltre il completamento di una frase. I modelli riescono ad affrontare problemi matematici, elaborare spiegazioni e produrre risposte che spesso appaiono frutto di un ragionamento. Ma come si sviluppano precisamente queste capacità?

Goldt ha spiegato che si tratta ancora di una grande sfida scientifica, sulla quale esistono diverse teorie, ma non una spiegazione generale condivisa. A un certo punto del suo intervento ha riconosciuto, semplicemente, che ancora non lo sappiamo (Trieste Next, 2026). Quella risposta mi ha colpita anche per il modo in cui è stata formulata. Non diminuiva il valore delle capacità raggiunte dai modelli; al contrario, rendeva più interessante la ricerca che cerca di spiegarle.

Nel linguaggio quotidiano, dichiarare di non sapere qualcosa può apparire come un'ammissione di debolezza. Nella ricerca scientifica, invece, individuare ciò che ancora non sappiamo è parte del lavoro. Una teoria permette di spiegare determinati fenomeni entro certe condizioni; un esperimento produce risultati che devono essere interpretati alla luce del metodo utilizzato; una congettura indica una possibile spiegazione che richiede ulteriori verifiche. Per chi racconta la scienza, la difficoltà è proprio questa: trasmettere l'importanza di una scoperta senza cancellare le condizioni e i limiti entro i quali quella scoperta è valida.

Questo problema si è presentato più volte nelle interviste ai ricercatori della SISSA. Fabiola Ricci, che ho intervistato sul suo lavoro con Claudia Merger e Sebastian Goldt, studia come le reti neurali apprendano differenti caratteristiche statistiche delle immagini. Il gruppo ha cercato di capire perché alcune informazioni vengano utilizzate prima di altre, combinando risultati sperimentali e analisi teoriche.

Uno degli aspetti che mi ha interessata maggiormente riguarda proprio il rapporto tra il modello matematico e la realtà che cerca di descrivere. Durante l'intervista, Ricci mi ha spiegato che, quando si studia un fenomeno complesso, il modello deve essere sufficientemente semplice da poter essere analizzato, ma non tanto semplice da perdere ciò che rende interessante il fenomeno stesso (Meriani, intervista a Ricci, 2026).

È una difficoltà che ricorre in molta della ricerca sul *machine learning*: costruire un esperimento controllato permette di isolare determinati meccanismi, ma non garantisce che i risultati possano essere estesi senza ulteriori verifiche a tutti i sistemi artificiali. Nel lavoro di Ricci e colleghi, alcune conclusioni sono sostenute da dimostrazioni matematiche relative a condizioni specifiche; altre osservazioni vengono studiate attraverso esperimenti numerici su reti e dati più complessi. Raccontare correttamente la ricerca significa mantenere visibile questa distinzione, invece di presentare ogni risultato come una legge generale sul funzionamento dell'intelligenza artificiale (Ricci, Merger e Goldt, 2026a).

Proviamo a immaginare due titoli, costruiti a partire dallo stesso argomento: «Scoperto come imparano le reti neurali: prima le informazioni semplici, poi quelle complesse». Oppure: «Una ricerca chiarisce perché, in determinate condizioni, le reti neurali apprendono alcune caratteristiche statistiche prima di altre».

La prima formulazione è più breve e più efficace nell'attirare l'attenzione, ma sembra annunciare una spiegazione generale dell'apprendimento artificiale. La seconda limita la portata dell'affermazione e permette di rappresentare più fedelmente il risultato. I due esempi mostrano quanto possano pesare poche parole nella percezione di una scoperta scientifica.

### Il risultato possibile e quello effettivamente ottenuto

Un altro esempio viene dalla ricerca di Rudy Skerk e dei suoi colleghi dell'ICTP e della SISSA. Come abbiamo visto nel primo capitolo, lo studio analizza alcune condizioni nelle quali una rete neurale può apprendere caratteristiche dei dati e generalizzare quanto appreso. Ma mette anche in evidenza una distinzione importante: il risultato teoricamente ottimale non coincide necessariamente con quello che un algoritmo concreto riesce a raggiungere.

Negli esperimenti numerici considerati dagli autori, alcuni metodi di addestramento incontrano difficoltà e possono fermarsi su soluzioni meno efficaci di quella ottimale. Questo non smentisce la teoria: segnala che la possibilità di ottenere una determinata prestazione e la capacità pratica di raggiungerla sono due questioni differenti (Barbier et al., 2026).

Il modo in cui raccontiamo questo risultato cambia molto a seconda delle parole che scegliamo. Dire che i ricercatori “hanno dimostrato le condizioni in cui una rete può raggiungere determinate prestazioni” non equivale a dire che “hanno trovato un metodo che permette alle reti neurali di raggiungerle”. Nel primo caso si descrive un risultato teorico circoscritto; nel secondo si potrebbe far credere che sia stato risolto anche un problema di addestramento pratico.

Il confine è sottile, soprattutto quando chi legge non conosce gli strumenti matematici utilizzati nella ricerca. Proprio per questo, nel racconto giornalistico, chiarire la natura di un risultato è importante quanto riportarlo.

La stessa cautela vale per le ricerche ancora in corso. Nell'intervista a Cristopher Erazo, dedicata ad alcuni meccanismi dell'apprendimento dal contesto nei *Transformer*, è emerso il carattere preliminare dell'indagine. Anche in questo caso, una prospettiva interessante non dev’essere raccontata come una spiegazione già consolidata. (Erazo, intervista dell’autrice, 7 ottobre 2026).

### Plausibile non significa vero: il rischio epistemico.

Un'osservazione particolarmente pertinente è emersa anche durante il Master in Filosofia del Digitale e Intelligenza Artificiale. Nella lezione *«Nuovi Modelli di Business Digitali. Il Business Model Canvas nell'era dell'AI generativa»*, Roberto Pugliese ha sintetizzato un problema epistemologico con una formula efficace: «Plausibile non è vero: il rischio epistemico».

Il docente si riferiva all'utilizzo dell'intelligenza artificiale generativa nella progettazione di modelli di business. Un sistema può produrre un documento coerente, completo, ben scritto e apparentemente convincente, ma questo non significa che le ipotesi sulle quali si fonda siano state verificate.

Pugliese distingue infatti la forma della conoscenza dal suo contenuto effettivamente accertato. Tra gli antidoti metodologici suggerisce di rendere esplicito il grado di fiducia nelle ipotesi, dichiarare le lacune informative e stabilire in anticipo i criteri con i quali verificarle (Pugliese, 2026).

Nelle *slide* propone anche una distinzione operativa tra fatti verificati, indizi parziali e ipotesi ancora da sottoporre a verifica. Non si tratta di una misura statistica dell'incertezza, ma di un metodo per evitare di attribuire a tutte le affermazioni lo stesso grado di attendibilità.

Il collegamento con il giornalismo scientifico è, a mio parere, evidente. Una spiegazione ben costruita, una narrazione coerente e persino un risultato sperimentale sorprendente possono apparire convincenti senza che ogni interpretazione proposta abbia ricevuto lo stesso livello di conferma. È quindi necessario distinguere ciò che è stato dimostrato, ciò che è stato osservato in condizioni specifiche, ciò che viene ipotizzato e ciò che resta ancora da verificare.

Il principio illustrato da Pugliese si applica a un contesto diverso da quello della divulgazione scientifica, ma richiama un problema comune: la qualità apparente di un'informazione non deve essere confusa con la solidità delle prove che la sostengono. È una distinzione ancora più importante quando nella produzione di contenuti interviene l'intelligenza artificiale generativa, capace di presentare con lo stesso linguaggio sicuro e scorrevole tanto un'informazione corretta quanto un'affermazione inesatta.

Per chi fa giornalismo, il rischio non consiste soltanto nel pubblicare un errore, ma anche nel trasformare un'ipotesi in una certezza attraverso il modo in cui viene raccontata, dall’essere umano o dalla stessa intelligenza artificiale.

### L'incertezza fa perdere credibilità?

C'è però un problema ulteriore, che riguarda direttamente il giornalismo. Quanto spazio possiamo dedicare alle cautele senza rischiare di perdere l'attenzione del pubblico? E dichiarare l'incertezza di un risultato non rischia di indebolire la fiducia di chi legge o ascolta? La questione è stata studiata anche sperimentalmente.

Nel 2020, Anne Marthe van der Bles e alcuni colleghi dell'Università di Cambridge hanno pubblicato sui *Proceedings of the National Academy of Sciences* una ricerca dedicata agli effetti della comunicazione dell'incertezza sulla fiducia del pubblico. Attraverso cinque esperimenti, che hanno coinvolto complessivamente 5.780 partecipanti, gli autori hanno verificato come diverse formulazioni dell'incertezza, numeriche e verbali, influenzassero la percezione delle informazioni e l'affidabilità attribuita alle fonti (van der Bles et al., 2020).

I risultati sono interessanti proprio perché non confermano correlazioni semplici e automatiche. Comunicare l'incertezza induce effettivamente le persone a percepire un'informazione come meno certa, ma gli effetti negativi sulla fiducia nei dati e nella fonte risultano generalmente contenuti. E conta anche la formulazione del concetto: espressioni verbali generiche possono avere effetti più negativi rispetto alla comunicazione numerica dell'incertezza.

Lo studio non riguarda specificamente il giornalismo sull'intelligenza artificiale e non dimostra che esplicitare ogni limite renda automaticamente più credibile un contenuto. Suggerisce però che la paura di perdere la fiducia del pubblico non costituisce, da sola, una buona ragione per nascondere l'incertezza.

Per un giornalista, questo comporta una responsabilità anche linguistica. Scrivere che una ricerca *dimostra*, *suggerisce*, *ipotizza* o *osserva* non è una scelta indifferente. Sono verbi che possono segnalare diversi livelli di evidenza, anche se il loro significato preciso dipende dal contesto. Non basta, naturalmente, aggiungere un «forse» o un «potrebbe» a ogni frase. Il compito è spiegare che cosa sappiamo, sulla base di quali prove, entro quali limiti e quale domanda rimane aperta.

Durante il tirocinio ho incontrato ricercatori che lavorano proprio su questo confine: cercano di comprendere sistemi che già producono risultati straordinari, ma dei quali non sappiamo ancora spiegare completamente ogni comportamento. Le loro ricerche non sono meno interessanti perché circoscritte; spesso lo sono proprio per le domande che riescono a formulare.

Raccontare l'incertezza non significa quindi raccontare una scienza debole o incapace di dare risposte. Significa rappresentarla come un processo di conoscenza nel quale risultati, verifiche, correzioni e domande aperte convivono. La credibilità di un racconto scientifico dipende anche dalla capacità di rispettare questa complessità. E quando si chiede al pubblico di fidarsi di un'informazione, diventa essenziale poter mostrare non soltanto ciò che viene affermato, ma anche perché abbiamo buone ragioni per considerarlo attendibile.

È qui che la comunicazione dell'incertezza incontra un'altra questione fondamentale per il giornalismo: la qualità delle fonti, la verificabilità delle affermazioni e la trasparenza del lavoro che precede la pubblicazione.

### Quando l’informazione “smette di sapere”

Una notizia può essere accurata, ben scritta, accompagnata da immagini convincenti e firmata da una fonte apparentemente autorevole: ma questi elementi non sono sufficienti per considerarla credibile. Non è una novità: è una questione che riguarda il giornalismo da sempre, ma che assume nuove caratteristiche nell'era dell'intelligenza artificiale generativa. La possibilità di produrre rapidamente testi, immagini, audio e video realistici rende ancora più difficile distinguere un contenuto costruito attraverso un lavoro di raccolta e verifica delle informazioni da uno che ne riproduce soltanto l'aspetto esteriore.

Il problema, in realtà, non riguarda esclusivamente i contenuti falsi. Una notizia può contenere informazioni vere, ma presentarle fuori contesto, attribuire loro un significato non giustificato oppure omettere elementi necessari per comprenderle correttamente. Lo abbiamo visto nel caso *life2vec*: non era falsa l'esistenza di una ricerca sulla previsione della mortalità, ma era inesatta la capacità attribuita al modello di conoscere la data della morte.

La questione è al centro del *Rapporto 2026 dell'Osservatorio sul giornalismo digitale*, promosso dal Consiglio nazionale dell'Ordine dei giornalisti e dedicato alla verosimiglianza. Il documento riunisce le riflessioni di studiosi, giornalisti ed esperti sul rapporto fra informazione, conoscenza e trasformazioni tecnologiche (Ordine dei giornalisti, 2026).

Fra i contributi del Rapporto figura il saggio «Quando l'informazione smette di sapere» di Walter Quattrociocchi, professore ordinario di Informatica alla Sapienza Università di Roma e direttore del *Center for Data Science and Complexity for Society*. Quattrociocchi, che studia anche disinformazione e polarizzazione online, utilizza il termine *epistemia* per descrivere la situazione in cui la forma della conoscenza viene riprodotta senza necessariamente conservarne il fondamento. Un testo può avere il linguaggio, la struttura e il tono dell'informazione autorevole, pur non essendo sostenuto da una ricerca effettiva delle prove.

I modelli linguistici rendono particolarmente evidente questa possibilità. Possono produrre una spiegazione convincente senza che la correttezza delle singole affermazioni sia garantita. Il rischio, osserva Quattrociocchi, non riguarda soltanto l'AI: anche il giornalismo può finire per privilegiare scorrevolezza, velocità e plausibilità rispetto al lavoro di verifica (Quattrociocchi, 2026).

È una riflessione che richiama quanto osservato nella lezione di Roberto Pugliese: plausibile non significa vero. Da giornalista, trovo interessante che questa critica non riguardi anzitutto gli strumenti, ma il metodo. Un articolo scritto interamente da un essere umano non è automaticamente attendibile; viceversa, l'impiego dell'intelligenza artificiale in una fase del lavoro non rende necessariamente scorretto il prodotto finale. La differenza dipende da ciò che sostiene le affermazioni pubblicate: documenti, testimonianze, dati, confronti con le fonti originali e controlli editoriali.

### Autorevolezza, fonti e dati FAIR

La credibilità di un'informazione viene spesso associata all'autorevolezza della fonte. Una pubblicazione scientifica, un'istituzione riconosciuta, un ricercatore universitario o una testata giornalistica affermata possono offrire importanti elementi di affidabilità. Ma l'autorevolezza non dovrebbe sostituire la verifica.

Anche una fonte istituzionale può proporre una lettura parziale dei risultati; un comunicato stampa può enfatizzare le applicazioni future (ma non ancora certe) di una ricerca; un esperto può formulare considerazioni che vanno oltre il proprio settore di competenza. Per il giornalista, quindi, identificare una fonte autorevole rappresenta l'inizio del controllo, non necessariamente la sua conclusione.

Nel mio lavoro di divulgazione scientifica, questa distinzione è diventata concreta quando ho dovuto confrontare le spiegazioni ricevute dai ricercatori con il contenuto dei loro articoli scientifici. La testimonianza dello studioso è preziosa per comprendere una ricerca, ma il *paper* permette di individuare le condizioni sperimentali, i limiti e le conclusioni effettivamente documentate.

Il Codice deontologico delle giornaliste e dei giornalisti, in vigore dal 1° giugno 2025, offre indicazioni precise. L'articolo 18 richiede di accertare l'attendibilità delle informazioni e citare le fonti, salvo esigenze di riservatezza. L'articolo 26, dedicato specificamente all'informazione ambientale, scientifica e sanitaria, richiede di verificare l'attendibilità e l'autorevolezza delle fonti, evitando timori o speranze infondate (Ordine dei giornalisti, 2025).

Quest'ultimo punto è particolarmente importante per il giornalismo che racconta l'intelligenza artificiale. La tecnologia viene spesso presentata attraverso due rappresentazioni contrapposte: da un lato una soluzione capace di affrontare problemi fino a ieri irrisolvibili, dall'altro una minaccia destinata a compromettere lavoro, conoscenza e autonomia umana.

Entrambe possono essere utilizzate per costruire racconti capaci di attirare l'attenzione. Ma il compito giornalistico non consiste nello scegliere preventivamente una di queste narrazioni: piuttosto, il giornalista dovrebbe esaminare ciò che le fonti permettono effettivamente di sostenere, distinguendo capacità dimostrate, potenziali applicazioni, rischi documentati e scenari ipotetici. Non soltanto quando racconta il mondo dell'AI: ogni articolo, reportage o inchiesta dovrebbe basarsi su fatti accertati e fonti verificabili. In questo senso, il data journalism, o giornalismo dei dati, rivestirà un ruolo sempre più importante.

Si tratta di un approccio giornalistico che utilizza la raccolta, l'organizzazione, l'analisi e la rappresentazione dei dati per individuare notizie, documentare fenomeni, verificare affermazioni e raccontare realtà complesse. Attraverso l'incrocio di *database*, statistiche, documenti e fonti differenti, il giornalista può portare alla luce informazioni e connessioni che altrimenti resterebbero nascoste, rendendo comprensibili al pubblico anche grandi quantità di dati (Bounegru e Gray, 2021; Cohen, 2021).

Nell'era dell'intelligenza artificiale, questa pratica assume un'importanza particolare. Da un lato, gli strumenti di AI permettono di esplorare grandi archivi, analizzare documenti, individuare ricorrenze e correlazioni, facilitando attività che in passato avrebbero richiesto molto più tempo. Dall'altro, proprio perché gli stessi strumenti possono produrre dati inesatti, analisi fuorvianti e risultati apparentemente convincenti, diventano ancora più importanti le competenze necessarie per controllarli (Associated Press, 31 marzo 2026).

Anche i dati, infatti, possono essere incompleti, distorti, raccolti con metodi discutibili o interpretati in maniera scorretta. Una correlazione statistica non dimostra necessariamente un rapporto di causa ed effetto; un grafico può essere formalmente corretto e tuttavia suggerire una conclusione ingannevole.

Il valore del *data journalism* non risiede dunque soltanto nella possibilità di utilizzare grandi quantità di informazioni o strumenti tecnologici avanzati, ma soprattutto nel metodo: sapere da dove provengono i dati, come sono stati raccolti, quali elaborazioni hanno subito e che cosa permettono realmente di affermare. È una questione che ho ritrovato anche nell' *Open Science Café* del 13 novembre 2025, durante il quale Federica Bazzocchi e Mariarita de Luca, di Area Science Park, hanno illustrato la cura dei dati scientifici e i principi FAIR: *Findable, Accessible, Interoperable, Reusable*. Per rendere i dati reperibili, accessibili secondo regole definite, interoperabili e riutilizzabili, è importante occuparsi della loro organizzazione fin dall'origine, non soltanto al momento dell'analisi (Bazzocchi e de Luca, 2025; Wilkinson et al., 2016).

Federica Bazzocchi ha illustrato la distinzione con una metafora visiva basata sui mattoncini LEGO: *FAIRification* significa intervenire su dati già esistenti per renderli conformi ai principi FAIR; *FAIR-by-design* significa invece predisporre sin dall'inizio processi e sistemi che li rispettino.

![](https://storage.ghost.io/c/46/70/467017c5-54b8-4e09-98d0-13e7209e14af/content/images/2026/11/FAIR_by_design_e_FAIRification_blog.jpg)

****FAIR-by-design e FAIRification illustrati attraverso i mattoncini LEGO.** Slide presentate durante l’Open Science Café «Chi ha a cura la cura dei dati?» (13 novembre 2025) e condivise da Federica Bazzocchi.

Nella prima immagine il bambino dispone di molti mattoncini sparsi e deve cercare, dopo averli ricevuti, ciò che gli occorre per costruire (*FAIRification);* nella seconda l'attività è pensata per partire già da materiali organizzati e istruzioni accessibili: è più facile ritrovare i pezzi giusti e procedere nel lavoro (*FAIR-by-design)*. È un esempio efficace di divulgazione: la differenza tra sistemare dati a posteriori e progettarne bene la gestione fin dall'inizio diventa immediatamente comprensibile. Per il giornalismo dei dati, richiama l'importanza di documentare provenienza e trasformazioni delle informazioni. I principi FAIR, tuttavia, non certificano la correttezza dei dati: qualità e attendibilità devono comunque essere verificate.

Questi principi ci riportano al problema della credibilità: la fiducia nel giornalismo non dovrebbe dipendere soltanto dall'autorevolezza di chi racconta, ma anche dalla possibilità di ricostruire e verificare il percorso che ha portato a una determinata conclusione.

### La trasparenza è sufficiente?

Una possibile risposta alla crisi di credibilità consiste nel rendere più trasparente il processo attraverso il quale viene costruita un'informazione. Deborah Bianchi, nel contributo al Rapporto 2026 dedicato agli standard etici e deontologici nell'infosfera delle piattaforme, richiama iniziative come *The Trust Project*, che propongono di rendere riconoscibili elementi del lavoro giornalistico: competenze dell'autore, fonti utilizzate, metodi di raccolta delle informazioni, natura del contenuto e organizzazione della testata (Bianchi, 2026).

È un approccio interessante perché sposta l'attenzione dal solo prodotto finale al processo che lo ha generato. Il lettore non dovrebbe essere chiamato semplicemente a credere a una notizia perché pubblicata da una testata conosciuta. Dovrebbe poter comprendere, almeno nei suoi elementi essenziali, come quell'informazione è stata ottenuta e controllata.

Nel medesimo Rapporto, tuttavia, Luciano Floridi introduce un'importante precisazione: la trasparenza non esaurisce il problema della responsabilità. Rendere visibile un procedimento non garantisce automaticamente che sia stato seguito un metodo corretto, né si può trasferire al pubblico l'obbligo di verificare ciò che il giornalista pubblica (Floridi, 2026).

La posizione di Floridi è una riflessione filosofica sui limiti della trasparenza; l'obbligo di dichiarare l'impiego dell'AI, che sarà approfondito nel capitolo dedicato alla responsabilità giornalistica, appartiene invece al piano delle regole professionali. I due livelli vanno distinti: rendere esplicito un procedimento può aiutare il lettore a valutarlo, ma non dimostra, da solo, che siano state compiute verifiche adeguate. La trasparenza ha valore quando si accompagna a una responsabilità editoriale effettiva.

> Continua con il prossimo capitolo, [Responsabilità](https://ai-in-fvg.ghost.io/responsabilita/).

> Capitolo precedente, [Affidabilità](https://ai-in-fvg.ghost.io/affidabilita/).

> La bibliografia verrà fornita a pubblicazione completata di tutti i capitoli della tesi. Stay tuned!