Partire con l'AI
Intelligenza artificiale e slop: governare visibilità e fiducia
L'adozione dell'intelligenza artificiale ha cambiato due dimensioni critiche della rete: la capacità di produrre grandi volumi di contenuto e la capacità.
In breve
L'intelligenza artificiale aumenta produzione e capacità, ma richiede investimenti in verifica e governance per evitare slop e accettare solo risultati affidabili.
L’adozione dell’intelligenza artificiale ha cambiato due dimensioni critiche della rete. Una dimensione è la capacità di produrre grandi volumi di contenuto. L’altra è la capacità degli stessi sistemi di proporre risultati che sembrano nuovi o risolutivi. L’articolo esplora il fenomeno definito come “AI slop”, cioè contenuti prodotti in serie con valore informativo scarso. L’articolo esplora anche il caso di un sistema di intelligenza artificiale che annuncia una scoperta scientifica che la comunità fatica a verificare. Il punto centrale è pratico: come decidere cosa promuovere, cosa controllare e come mantenere fiducia e responsabilità quando le macchine operano a scala.
Perché l’intelligenza artificiale produce “slop” a scala industriale
La generative AI non ha inventato l’economia della quantità, ma l’ha resa molto più efficiente. Gran parte dello slop deriva da tre caratteristiche ricorrenti: competenza apparente senza sostanza, forte asimmetria dello sforzo tra produzione e verifica, e possibilità di produzione di massa. La produzione massiccia riduce il costo per unità di contenuto. Pangram Labs ha trovato che nel suo campione il 13,8% dei contenuti era interamente generato da AI, e tra testi oltre le 250 parole la quota saliva al 25,72%, cioè poco più di uno su quattro. Questi numeri mostrano che l’AI già entra in modo significativo nella scrittura lungo-forma su certe piattaforme.
I numeri non sono uniformi tra i canali. LinkedIn mostrava oltre il 40% dei post long-form classificati come interamente AI-generated. La piattaforma concentrava il 62% del materiale etichettato come AI nel campione di Pangram. Un contenuto interamente generato può convivere con contenuti umani senza differenze visibili immediate. La ricerca ha analizzato siti nuovi tra il 2022 e il 2025. A metà del 2025 circa il 35% dei nuovi siti web risultava AI-generated o AI-assisted, cioè circa un sito su tre. Questo è il segnale della velocità della trasformazione, non necessariamente della qualità.
Governare visibilità, etichettatura e incentivi economici
Le piattaforme hanno risposto passando da etichette informative a strumenti più incisivi: classificatori automatici, filtri personalizzabili, demotivazione economica e limitazioni di distribuzione. Meta già dal 2024 ha iniziato a usare metadata e standard per identificare immagini generate, ma ha dovuto rivedere le etichette quando anche semplici modifiche reali venivano marcate come “Made with AI”. Etichettare in modo errato rischia di colpire contenuti umani modificati. YouTube ha spostato l’attenzione dalla tecnologia utilizzata al merito economico del contenuto, vietando la monetizzazione dei video ripetitivi o privi di contributo informativo significativo.
Le mosse più recenti sono anche economiche e normative. X ha previsto che chi pubblica video generati dall’AI su conflitti armati senza dichiararne l’origine può essere sospeso. La sospensione dura 90 giorni dal programma di revenue sharing e successive violazioni possono portare a esclusione permanente dai pagamenti. Demonetizzare la produzione industriale riduce l’incentivo a creare slop. L’Unione europea ha introdotto obblighi con l’articolo 50 dell’AI Act. L’articolo impone marcatura e rilevabilità dei contenuti generati o manipolati artificialmente, con sanzioni fino a 15 milioni di euro o al 3% del fatturato mondiale. Queste misure spostano il gioco dagli avvisi informativi verso strumenti di governance che incidono sui ricavi.
Una piattaforma può decidere se un contenuto meriti incentivi economici, indipendentemente dallo strumento usato per crearlo.
Etichettare tutto l’AI senza distinguere peggiora il rapporto tra creatori e utenti.
Chi guadagna e chi perde: costi nascosti e benefici concreti
Le imprese che sanno usare l’intelligenza artificiale per automatizzare compiti ripetitivi ottengono efficienza e scala. Secondo AI PMI, Agenzie di marketing, editori che sfruttano A/B test automatici e content farm automatizzate possono raggiungere ampia visibilità: AI Forensics ha osservato 354 account TikTok che in un mese hanno pubblicato oltre 43.000 post raggiungendo 4,5 miliardi di visualizzazioni, e più del 65% di quegli account era nato nei primi mesi del 2025. I sistemi agentici moltiplicano la capacità di testare messaggi a basso costo. Per le PMI questo significa opportunità di sperimentare contenuti personalizzati su larga scala.
D’altro canto, ci sono costi non immediati: reputazione, fiducia degli utenti e controllo qualità. Lo studio su video di educazione biomedica ha trovato che solo 57 video su 1.082, cioè il 5,3%, erano classificati come slop. I contenuti più corti e ripetuti concentravano la maggior parte dei casi. Gli Shorts su YouTube erano il 34,3% del campione e includevano il 78,7% dei casi di slop. I formati brevi tendono a concentrare lo slop. Chi investe in moderazione automatica e revisione umana sostiene costi di implementazione. Non tutte le PMI dispongono delle competenze richieste.
Quando l’intelligenza artificiale fa una scoperta e non si riesce a verificarla
L’AI può produrre risultati che appaiono rivoluzionari. Secondo AI PMI, OpenAI ha annunciato che un modello interno ha proposto una soluzione al problema di Navier-Stokes in 88 ore, generando 130 miliardi di token di output e con l’apporto di GPT6 Astra nella formalizzazione. Un’intelligenza artificiale può produrre proposte di soluzione complesse. Il problema pratico è la verifica: una scoperta che non passa il vaglio della comunità scientifica resta una proposta non valida per applicazioni industriali o regolatorie.
La crescente autonomia dei modelli complica anche l’attribuzione di responsabilità e l’originalità della scoperta. Alcuni studi trovano segnali che l’uso dei modelli è diventato così diffuso da modificare l’uso del linguaggio scientifico. Analisi di PubMed suggeriscono che almeno il 10% degli abstract del 2024 mostra segnali compatibili con elaborazione tramite modelli. In alcuni sottoinsiemi la quota arriva al 30%. L’uso diffuso degli LLM lascia tracce statistiche nel corpus scientifico. Per manager e consulenti, la raccomandazione pratica è chiara. Qualsiasi risultato tecnico prodotto dall’AI richiede processi interni di verifica, documentazione dei passaggi e, quando necessario, revisione esterna indipendente.
La prossima sfida è integrare strumenti di detection, politiche economiche e pratiche di verifica scientifica nella governance aziendale. Le PMI devono decidere dove investire tra controllo qualità umano, filtri tecnici e politiche di etichettatura per i propri contenuti. Resta aperta la domanda che conta per il business. Le aziende devono capire come far convivere l’efficienza dell’automazione con l’affidabilità necessaria per decisioni operative e la fiducia dei clienti.
Fonti:
Punti chiave
- La generative AI ha reso più efficiente la produzione di contenuti a basso valore informativo.
- Il 13,8% dei contenuti analizzati da Pangram Labs risultava interamente AI-generated.
- Misure come demonetizzazione e l'articolo 50 dell'AI Act limitano incentivi economici allo slop.
- Sistemi agentici hanno pubblicato oltre 43.000 post in un mese raggiungendo 4,5 miliardi di visualizzazioni.
- Un modello ha proposto una soluzione a Navier-Stokes in 88 ore usando 130 miliardi di token di output.
- Le PMI devono implementare verifica umana, detection e documentazione delle pratiche AI.
Parti con Junto
Non sai da quale processo partire?
Un assessment con Junto Innovation Hub mette a fuoco il primo caso d'uso, i costi e gli incentivi applicabili alla tua azienda. Un'ora, senza impegno, con chi l'ha già fatto con altre PMI.