Una domanda fatta per gioco, una sera qualunque in ufficio
Succede quasi sempre fuori orario, questo genere di scoperta. L’ufficio è vuoto, il computer è ancora acceso solo perché nessuno si è ricordato di spegnerlo, e chi lavora nella promozione turistica di un territorio — un dipendente di una Pro Loco, un funzionario di un IAT, un consulente che segue il brand di un piccolo comune — apre per curiosità, non per lavoro, una finestra di chat con un’intelligenza artificiale conversazionale. Scrive qualcosa del tipo: “Cosa mi consigli di vedere e dove mangiare a [nome del proprio paese]?” Lo fa un po’ come ci si guarda allo specchio prima di uscire. Vediamo cosa dice di noi.
La risposta arriva in pochi secondi. Fluida, sicura di sé, scritta in un italiano impeccabile, organizzata in punti elenco puliti. Sembra, a un primo sguardo, il lavoro di qualcuno che il territorio lo conosce bene. Poi, leggendo con più attenzione, qualcosa comincia a stridere. Un dettaglio non torna. Poi un altro. Chi legge si accorge, con un misto di sorpresa e fastidio che non aveva previsto, che quella macchina sta descrivendo il proprio paese — il posto dove lavora, dove magari è anche cresciuto — con un’istantanea vecchia. Non sbagliata del tutto. Vecchia.
Questo articolo parte da quella scena, moltiplicata ormai migliaia di volte in Italia e nel mondo, per affrontare una questione che il marketing territoriale non può più permettersi di trattare come una curiosità tecnologica marginale: cosa succede alla reputazione di una destinazione quando il primo racconto che un potenziale visitatore riceve non arriva più da un motore di ricerca, non arriva da una guida, non arriva nemmeno dal sito ufficiale del territorio — ma da un modello linguistico che sintetizza, in un paragrafo apparentemente autorevole, informazioni raccolte mesi o anni prima, senza che nessuno del territorio abbia potuto verificarle, correggerle, aggiornarle in tempo reale?
Non è un problema da poco. È, semmai, il problema più scomodo che la web reputation territoriale abbia mai dovuto affrontare, perché per la prima volta l’intermediario informativo non lascia una porta aperta da cui intervenire. Una scheda Google Business Profile, quando racconta qualcosa di sbagliato o datato, la si corregge da un pannello di controllo, nel giro di minuti, con un effetto quasi immediato su ciò che l’utente vede. Un’intelligenza artificiale conversazionale come ChatGPT, Gemini o Perplexity non funziona così. Non esiste, per un ente turistico, un pulsante “correggi questa informazione” da premere. Esiste, nella migliore delle ipotesi, la speranza che il prossimo aggiornamento del modello — che avviene secondo tempi e criteri decisi altrove, da aziende che non rispondono a nessun sindaco — recepisca contenuti più recenti. Nel frattempo, il paese continua a essere raccontato com’era. Non com’è.
Inquadramento Teorico: quando la macchina diventa il primo banco d’assaggio della realtà
Dal motore di ricerca al motore di risposta: cosa cambia davvero
Per almeno vent’anni, chi si occupava di reputazione digitale di una destinazione ragionava dentro una cornice abbastanza stabile: un utente digita una query su Google, riceve un elenco di link, sceglie quali aprire, confronta fonti diverse — il sito ufficiale, TripAdvisor, un blog di viaggio, una recensione — e si forma un’opinione attraverso un processo, per quanto rapido, ancora composto da più tappe visibili. L’utente restava, in un certo senso, il regista della propria ricerca. Sceglieva dove cliccare. Poteva scartare una fonte che non gli convinceva.
Le AI conversazionali cambiano questo schema alla radice, non solo nella forma. Un utente che chiede a ChatGPT, a Perplexity o a Gemini informazioni su una destinazione non riceve un elenco di link tra cui scegliere. Riceve una sintesi già pronta, presentata come risposta definitiva, spesso senza nemmeno citare le fonti da cui è stata composta — o citandole in modo talmente sommario da rendere impossibile una verifica seria. Il lavoro di confronto tra fonti diverse, che prima faceva l’utente, ora lo fa il modello. Al posto dell’utente. Senza che l’utente lo sappia con chiarezza.
Gli operatori del settore parlano ormai, con un’espressione che si sta consolidando rapidamente nel lessico tecnico, di answer engine per distinguere questi strumenti dai tradizionali motori di ricerca: non un sistema che restituisce un ventaglio di possibilità, ma un sistema che restituisce una risposta. Una sola. Confezionata. Il passaggio, apparentemente solo terminologico, comporta una conseguenza pratica enorme per chi gestisce la comunicazione di un territorio: se prima bastava presidiare bene alcune posizioni nei risultati di ricerca — la scheda Google ottimizzata, il sito ben posizionato, qualche recensione curata — oggi bisogna sperare che, tra le mille fonti digerite dal modello durante il proprio addestramento o durante una ricerca web in tempo reale, quelle relative al proprio territorio siano sufficientemente chiare, aggiornate, coerenti da finire dentro la sintesi finale. Sperare, appunto. Perché il controllo diretto, quello vero, qui manca.
Va aggiunta una precisazione tecnica che chiarisce perché il problema non è uniforme: alcuni sistemi, come Perplexity o le versioni più recenti di ChatGPT con navigazione attiva, effettuano una ricerca web al momento della domanda, e quindi possono — in teoria — attingere a informazioni più fresche. Altri, quando rispondono senza attivare la ricerca in tempo reale, si affidano esclusivamente a quanto hanno “imparato” durante l’addestramento, che ha una data di taglio (un cutoff) spesso di mesi o anni prima del momento in cui l’utente pone la domanda. Il rischio di informazioni datate è più alto nel secondo caso, ma non sparisce nel primo: anche una ricerca web in tempo reale può privilegiare una pagina vecchia ma ben posizionata rispetto a una pagina nuova ma poco linkata, poco strutturata, poco “leggibile” per un sistema automatico. Non sempre. Non ovunque. Il problema non è solo la data. È la leggibilità della novità.
Boorstin e lo pseudo-evento che sostituisce il territorio: quando la sintesi diventa più reale del reale
Daniel Boorstin, storico americano, bibliotecario del Congresso degli Stati Uniti per oltre un decennio, pubblica nel 1962 The Image: A Guide to Pseudo-Events in America (Atheneum), un libro che introduce un concetto diventato da allora patrimonio comune degli studi sulla comunicazione: lo pseudo-evento. Boorstin lo definisce come un accadimento organizzato appositamente per essere riportato dai media — non spontaneo, non nato dalla realtà dei fatti, ma costruito su misura per la telecamera o per il taccuino del cronista — che finisce per diventare, agli occhi del pubblico, indistinguibile o addirittura più vivido dell’evento genuino che avrebbe dovuto solo raccontare. Una conferenza stampa organizzata per produrre una notizia, più che per comunicarne una già esistente, è l’esempio classico che Boorstin usa nel suo libro. Un classico, appunto.
L’angolazione utile per il nostro tema è diversa da quella con cui Boorstin viene solitamente citato — di solito applicato a eventi promozionali costruiti ad arte da uffici stampa — ma resta fedele al nucleo del suo ragionamento. Una risposta generata da un’intelligenza artificiale conversazionale su una destinazione turistica è, a suo modo, un piccolo pseudo-evento cognitivo: non nasce da un’esperienza diretta del luogo, non nasce da un sopralluogo, non nasce nemmeno da un giornalista che ha effettivamente visitato quel borgo e ha scritto cosa ha visto. Nasce da una sintesi statistica di testi già esistenti, alcuni accurati, altri superati, alcuni scritti da chi conosceva il territorio, altri copiati e ricopiati in rete senza controllo. Il risultato, però, si presenta all’utente con la stessa sicurezza linguistica, la stessa fluidità, lo stesso tono autorevole con cui si presenterebbe l’opinione di una guida turistica esperta che quel borgo lo ha visitato la settimana scorsa. Non lo ha visitato affatto. Non può averlo fatto: è un modello statistico, non un turista con le scarpe impolverate.
Il rischio, in questi termini, non è che l’intelligenza artificiale menta deliberatamente — non è nella posizione di “mentire” in senso proprio, perché non ha intenzioni. Il rischio è che produca uno pseudo-evento informativo così ben confezionato, così scorrevole nella forma, da risultare per l’utente più credibile e più immediato della realtà stratificata e in continuo mutamento del territorio reale. Boorstin, sessant’anni prima che esistesse ChatGPT, aveva già messo il dito su questo meccanismo preciso: la forma perfetta di un’informazione costruita a tavolino tende a soppiantare, nella percezione pubblica, la sostanza imperfetta e mutevole della realtà che dovrebbe solo descrivere. Sessant’anni. E il meccanismo non è cambiato di una virgola, solo la macchina che lo produce.
GEO: ottimizzare non più per un elenco di link, ma per una sintesi
Se il modo in cui gli utenti si informano cambia in modo così radicale, cambia necessariamente anche il modo in cui un territorio dovrebbe cercare di farsi conoscere. Nel 2024 un gruppo di ricercatori — tra cui autori afferenti a Princeton University e Georgia Institute of Technology, con Aggarwal, Murahari e Rajpurohit tra i nomi che compaiono nel lavoro — pubblica su arXiv un paper dal titolo GEO: Generative Engine Optimization, che introduce e formalizza per la prima volta in modo sistematico il concetto a cui il titolo fa riferimento: una disciplina emergente, sorella della più nota SEO (Search Engine Optimization), pensata non per scalare le prime posizioni di un elenco di risultati, ma per aumentare le probabilità che i propri contenuti vengano effettivamente citati, ripresi, sintetizzati dentro le risposte generate dai modelli linguistici. Vale la pena usare cautela nel riportare cifre specifiche di quello studio — i dettagli sperimentali di un paper di ricerca in rapida evoluzione vanno sempre verificati sulla fonte originale prima di essere citati in un contesto operativo — ma il nucleo concettuale del lavoro è solido e ha già iniziato a orientare, nel giro di pochi mesi, l’intero dibattito su come i contenuti web debbano essere scritti in questa nuova fase. Ricerca ancora aperta.
L’idea di fondo del GEO, per come viene descritta nel paper e ripresa poi da chi se ne è occupato successivamente, è che i modelli generativi tendono a privilegiare, nella costruzione delle proprie risposte, contenuti che presentano alcune caratteristiche specifiche: citazioni verificabili, statistiche precise, struttura chiara con sottotitoli e liste, linguaggio che risponde direttamente a una domanda implicita piuttosto che limitarsi a descrivere in modo generico. Un testo scritto per un lettore umano che scorre distrattamente una pagina — pieno di frasi a effetto, povero di dati verificabili, organizzato più per suggestione che per chiarezza — tende paradossalmente a essere meno “digeribile” per un sistema che deve estrarne informazioni sintetizzabili e citabili. Per un territorio, questo significa una cosa molto concreta: non basta più scrivere un bel testo evocativo sul proprio borgo. Serve scrivere anche — non al posto di, insieme a — contenuti strutturati, verificabili, con dati aggiornati e riferimenti chiari, pensati per essere “leggibili” da una macchina che dovrà poi restituirli, magari tra sei mesi, a un turista che non ha mai sentito nominare quel borgo prima.
Detto in modo più diretto: il sito ufficiale di una destinazione, il profilo social dell’ente turistico, il comunicato stampa sull’apertura di una nuova attrazione, oggi non parlano più soltanto a un pubblico umano. Parlano, insieme, a un pubblico di modelli linguistici che quei testi li leggeranno — se saranno inclusi nei dati di addestramento futuri, o se saranno raggiungibili durante una ricerca web in tempo reale — e ne faranno una sintesi che arriverà a migliaia di persone senza che il territorio abbia più voce in capitolo su come quella sintesi verrà formulata. Una responsabilità nuova. Silenziosa, ma reale. Lo dico spesso ai piccoli operatori che formo: scrivere per un pubblico che include anche le macchine non è una stranezza da addetti ai lavori, è già oggi parte del mestiere.
Analisi Critica e Sfide: l’opacità del sistema e l’assenza di un pulsante “correggi”
Kate Crawford e la scatola nera che nessun amministratore locale può aprire
Kate Crawford, ricercatrice australiana, tra le voci più citate a livello internazionale negli studi critici sull’intelligenza artificiale, pubblica nel 2021 Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence (Yale University Press), un libro che smonta pezzo per pezzo l’immagine dell’intelligenza artificiale come tecnologia neutra, immateriale, quasi eterea. Crawford — che ha lavorato tra l’altro come ricercatrice senior presso Microsoft Research e ha co-fondato l’AI Now Institute presso la New York University — insiste su un punto che nel dibattito pubblico tende a scomparire dietro l’entusiasmo per le capacità dei nuovi modelli: questi sistemi sono profondamente opachi, non per un difetto tecnico temporaneo destinato a essere risolto con la prossima versione, ma per una caratteristica strutturale del modo in cui vengono costruiti. Nessuno, spiega Crawford, può ricostruire con precisione perché un modello linguistico, di fronte a una domanda specifica, produce esattamente quella risposta e non un’altra leggermente diversa. La scala dei dati di addestramento — miliardi di documenti, testi, pagine web raccolte da fonti innumerevoli — rende impossibile, persino per chi ha costruito il sistema, tracciare con certezza da dove venga una singola affermazione contenuta in una risposta. Scala enorme, davvero.
Applicata al nostro tema, la critica di Crawford diventa immediatamente operativa, non solo teorica. Un piccolo comune che scopre di essere descritto in modo scorretto o datato da un’intelligenza artificiale conversazionale non ha, nella maggioranza dei casi, alcun modo di sapere con certezza perché il modello lo descrive così. Ha attinto da un vecchio articolo di giornale mai aggiornato? Da una pagina Wikipedia lasciata ferma al 2019? Da un forum di viaggiatori con informazioni raccolte anni prima? Da una combinazione statistica di decine di fonti diverse, nessuna delle quali, presa singolarmente, sarebbe sufficiente a spiegare il risultato finale? Non lo sa. Non può saperlo con certezza. E se non sa da dove viene l’errore, non sa nemmeno con precisione dove intervenire per correggerlo — se non attraverso un lavoro indiretto, lento, per certi versi simile a gettare messaggi in una bottiglia nella speranza che il mare li porti nel punto giusto.
Questa opacità non è distribuita in modo uguale tra chi ha potere di intervenire e chi lo subisce. Le aziende che sviluppano questi modelli — poche, concentrate, con sede quasi sempre fuori dal territorio che viene descritto — decidono quando e come aggiornare i propri sistemi, quali fonti privilegiare nella fase di addestramento, quali meccanismi di verifica adottare prima di pubblicare una nuova versione. Un piccolo comune toscano, una Pro Loco, persino una regione con un budget di comunicazione consistente, restano dall’altra parte di un rapporto profondamente asimmetrico: possono solo produrre contenuti nella speranza che vengano raccolti, non possono in alcun modo forzare l’aggiornamento diretto di ciò che un modello già dice su di loro. Crawford userebbe, probabilmente, l’espressione che ricorre spesso nel suo libro a proposito di altri ambiti dell’AI: una logica di potere che si estrae dal basso — dai dati generati da milioni di persone comuni, comprese le pagine web scritte da un piccolo ufficio turistico — e si concentra verso l’alto, in mani che restano, per chi subisce gli effetti di quella concentrazione, in gran parte invisibili. Rapporto sbilanciato, sempre.
La differenza pratica con Google Business Profile: chi ha davvero le chiavi della porta
Per capire quanto sia diversa questa situazione rispetto a ciò a cui il marketing territoriale era abituato, basta un confronto molto concreto. Una scheda Google Business Profile — quella che compare a destra dei risultati di ricerca con orari, foto, recensioni — appartiene, con precisi diritti di gestione verificati tramite Google Search Console o Google Business, al titolare dell’attività o al referente dell’ente. Se un orario è sbagliato, lo si corregge da un pannello di controllo. Se una foto è vecchia, la si sostituisce. Se arriva una recensione ingiusta, esiste almeno la possibilità di rispondere pubblicamente, di segnalarla, in alcuni casi di richiederne la rimozione se viola le linee guida. Non è un sistema perfetto — chi lavora nella reputazione digitale sa bene quante frustrazioni comporti anche solo ottenere la verifica di una scheda — ma è un sistema che prevede, almeno in linea di principio, un canale diretto di correzione. Una porta. Con una chiave in mano a chi gestisce il territorio.
Un’intelligenza artificiale conversazionale non prevede nulla del genere. Non esiste un modulo di reclamo standard per “correggere ciò che ChatGPT dice sul mio paese”. Esistono, in alcuni casi, meccanismi generici di segnalazione di contenuti problematici messi a disposizione dalle aziende produttrici — un pulsante “non mi piace questa risposta”, un modulo di feedback pensato più per casi di contenuti offensivi o pericolosi che per l’aggiornamento di informazioni turistiche superate. Nessuno di questi meccanismi garantisce che la correzione venga effettivamente recepita, né in che tempi. La logica di fondo resta statistica, non editoriale: il modello non “ricorda” una segnalazione singola come farebbe un redattore che aggiorna un articolo. La cambia, se la cambia, solo quando l’insieme dei dati su cui verrà ri-addestrato o su cui si baserà per una ricerca in tempo reale conterrà, in massa sufficiente, informazioni più aggiornate di quelle vecchie. Il singolo territorio, da solo, ha un potere di correzione minimo. Quasi nullo, se agisce isolato.
C’è un’ultima asimmetria che vale la pena nominare con chiarezza, perché aggrava tutto il resto: la velocità con cui un territorio cambia — apre un ristorante, ne chiude un altro, inaugura un percorso, rinnova un museo — è molto più alta della velocità con cui i modelli linguistici principali vengono aggiornati in modo sostanziale. Un ristorante può chiudere in un mese. Un modello linguistico, nella sua versione di base, può restare fermo agli stessi dati di addestramento per un anno o più, salvo aggiornamenti incrementali. Il divario temporale tra il ritmo della realtà locale e il ritmo dell’aggiornamento dei sistemi che la raccontano è strutturale. Non temporaneo. E cresce, paradossalmente, proprio nei territori più piccoli e meno centrali, quelli su cui esiste meno materiale scritto, meno aggiornato, meno ridondante — quindi più difficile da “correggere” nella massa statistica che il modello elabora. Ritmi diversi, sempre. Ho visto più di un funzionario di ufficio turistico restare spiazzato proprio da questo, nei corsi che tengo: la sensazione di aver perso il controllo di un canale che, fino a ieri, si poteva correggere con un clic.
Case Study: Sassoborgo e il disallineamento scoperto per caso (un episodio interamente inventato)
Come nasce la scoperta — un caso di fantasia, costruito per essere chiaro fin da subito
Quanto segue è una ricostruzione immaginaria, pensata apposta per rendere concreto un meccanismo che si sta ripetendo, in forme diverse, in decine di territori reali. Il nome del paese, il nome della protagonista, i dettagli del ristorante e del percorso ciclabile: tutto inventato, costruito a tavolino per illustrare un pattern che chi lavora nel settore riconoscerà comunque, pur senza alcun riferimento a fatti realmente accaduti a una persona identificabile.
Sassoborgo, poco più di duemilaseicento abitanti, un centro storico su un poggio, un ufficio turistico aperto tre giorni a settimana in bassa stagione e tutti i giorni in estate. Lo gestisce da quattro anni Silvia Bacci, trentotto anni, laurea in scienze del turismo, prima esperienza lavorativa proprio lì, nel paese in cui è cresciuta. Una sera di primavera, dopo un corso di aggiornamento professionale in cui un relatore aveva accennato di sfuggita al tema delle intelligenze artificiali conversazionali applicate al turismo, Silvia torna a casa, si versa un caffè decaffeinato — sono già le nove passate — e apre ChatGPT sul telefono, più per curiosità personale che per dovere professionale. Scrive: “Sono in vacanza in Toscana, cosa mi consigli di fare e dove mangiare a Sassoborgo?”
La risposta arriva quasi subito. Ben scritta, tono caldo, elenco puntato con quattro cose da vedere — la torre civica, la pieve romanica, il belvedere, il mercato del sabato — e, sotto, un paragrafo dedicato alla ristorazione. Il modello scrive, testuali parole nella ricostruzione di questo caso: “Per un pasto tipico, la Trattoria del Cacciatore è un’ottima scelta, apprezzata per i piatti della tradizione contadina e per l’atmosfera familiare.” Silvia sorride, per un attimo. Poi si ferma. Il caffè, ancora caldo, resta a metà tra il tavolo e la bocca. Un attimo, sospeso.
Il dettaglio sporco: una telefonata a un numero che ora risponde per altro
La Trattoria del Cacciatore ha chiuso da poco più di due anni. Silvia lo sa bene: al posto suo, oggi, c’è un piccolo studio di commercialista che ha rilevato i locali e ha tenuto, per pigrizia o per caso, la stessa insegna esterna ancora per qualche mese dopo il trasferimento — abbastanza da confondere qualche passante, non abbastanza da giustificare un consiglio gastronomico ancora attivo online. Silvia, quasi per verificare che i propri occhi non stiano ingannandola, prende il telefono fisso e compone il vecchio numero della trattoria, quello ancora indicato — lo controlla — su almeno tre siti di recensioni mai aggiornati. Risponde una voce femminile, gentile, un po’ spazientita: “Studio Marradi, buonasera, chi cerca?” Silvia balbetta una scusa, riaggancia. Imbarazzo puro, quello. Le si stringe un po’ lo stomaco, la stessa sensazione fisica di quando si scopre di aver dato un’informazione sbagliata a qualcuno di persona, davanti a lui, senza potersela rimangiare in tempo.
Non è finita. Scorrendo la risposta ancora una volta, Silvia nota — o meglio: nota l’assenza, che è più difficile da notare di un errore vero e proprio — che l’elenco delle cose da fare non menziona in nessun punto la Ciclovia dei Mulini, il percorso ciclabile di dodici chilometri lungo il torrente che l’amministrazione ha inaugurato otto mesi prima con tanto di nastro tagliato dal sindaco, un piccolo servizio del telegiornale regionale, un comunicato stampa diffuso a tutte le testate locali e caricato sul sito del comune il giorno stesso dell’apertura. Otto mesi. Non anni. Eppure, per il modello, quella ciclovia semplicemente non esiste. Non è stata negata. È come se non fosse mai stata costruita. Silenzio totale, dove ci si aspetterebbe almeno una menzione.
Silvia richiude il telefono, si siede sul divano, e resta per un momento a fissare il soffitto — un gesto che farà notare, mesi dopo, raccontando l’episodio a una collega durante una pausa caffè, con un mezzo sorriso che nasconde ancora un po’ di fastidio residuo. “Mi sono sentita,” dirà, “come se qualcuno avesse fotografato il paese due anni fa e continuasse a mostrare quella foto a chiunque me lo chieda, spacciandola per una diretta streaming.” Un’immagine efficace. Anche un po’ amara.
La correzione: pubblicare per essere letti anche dalla macchina, non solo dalla persona
Il giorno dopo, Silvia porta il caso in riunione con il sindaco e con l’assessore al turismo. La prima reazione, comprensibile, è quasi di irritazione verso un sistema che nessuno dei presenti aveva mai considerato parte del proprio lavoro di comunicazione. La seconda reazione, più utile, arriva quando Silvia propone di trattare il problema non come un incidente isolato da lamentare, ma come un sintomo da correggere con un metodo. Ricorda quanto sentito al corso di aggiornamento sul tema del GEO, e propone un piccolo piano operativo, realizzabile con le risorse ridotte di cui l’ufficio dispone davvero — niente budget straordinario, solo tempo e metodo.
Primo intervento: aggiornare in modo sistematico ogni fonte pubblica collegabile al paese — il sito ufficiale del comune, la pagina Wikipedia (modesta, tre righe, mai toccata dal 2020), il profilo Google Business dell’ufficio turistico, i canali social — rimuovendo esplicitamente i riferimenti alla trattoria chiusa e aggiungendo, con dati verificabili e non solo con toni entusiastici, informazioni sulla ciclovia: lunghezza esatta, dislivello, punti di accesso, un link alla pagina ufficiale con le coordinate GPS del percorso. Secondo intervento: pubblicare un comunicato stampa aggiornato, strutturato con sottotitoli chiari e dati verificabili — esattamente il tipo di contenuto che il paper sul GEO indica come più facilmente ripreso dai sistemi generativi — da distribuire alla stampa locale, e insieme caricato in formato accessibile sul sito, con una sezione dedicata alle “novità 2025-2026” scritta apposta per essere facilmente estraibile da un sistema automatico, con frasi dichiarative brevi invece di prosa evocativa priva di dati. Terzo intervento, il più faticoso da mantenere nel tempo: una verifica trimestrale, segnata sul calendario dell’ufficio, in cui qualcuno — a rotazione, non sempre Silvia da sola — pone alle principali AI conversazionali le stesse domande che farebbe un turista, e annota gli scostamenti tra quello che il modello racconta e quello che il paese è diventato nel frattempo.
Silvia non ha la garanzia, e lo sa bene, che questi interventi producano un effetto immediato o misurabile con precisione: nessuno, nemmeno chi lavora dentro le aziende che sviluppano questi modelli, può assicurare quando e come un aggiornamento di addestramento recepirà un contenuto specifico. Quello che ha, però, è la consapevolezza — nuova, acquisita a proprie spese in una serata qualunque davanti a un caffè ormai freddo — che restare fermi, continuare a scrivere solo per il visitatore umano che legge una brochure, non basta più. Il territorio, oggi, scrive anche per un lettore che non ha occhi, non ha gambe per camminare sulla ciclovia, non ha mai assaggiato un piatto della trattoria chiusa — ma che, nonostante questo, parlerà del paese a migliaia di persone che quel lettore artificiale non lo sanno nemmeno immaginare.
Implicazioni Etiche e Normative: chi risponde di un’allucinazione commerciale
Allucinazioni e responsabilità: cosa succede quando l’errore danneggia un’attività reale
Il caso di Sassoborgo, per quanto costruito a tavolino, tocca un problema che nella realtà si sta già presentando, in forme anche più gravi, a esercenti e strutture ricettive vere. Cosa succede, in termini di responsabilità, quando un’intelligenza artificiale conversazionale produce quella che nel gergo tecnico si chiama allucinazione — un’affermazione presentata con piena sicurezza linguistica ma priva di fondamento nei fatti — e questa allucinazione danneggia economicamente un’attività reale? Si pensi a un caso più severo di quello raccontato finora: non un ristorante chiuso ancora consigliato, ma un ristorante aperto e regolarmente funzionante a cui un modello attribuisce, inventandola di sana pianta, una recensione negativa mai esistita, o una chiusura mai avvenuta, o un’intossicazione alimentare mai verificatasi. Chi risponde di un danno reputazionale generato non da un cliente insoddisfatto, non da un concorrente scorretto, ma da un sistema statistico che ha semplicemente prodotto la sequenza di parole più probabile, senza alcuna verifica fattuale intermedia? Danno vero, concreto.
La risposta, allo stato attuale del diritto italiano ed europeo, resta parzialmente scoperta — un vuoto, non una zona già disciplinata con chiarezza. Le condizioni d’uso dei principali fornitori di questi servizi contengono, quasi senza eccezione, clausole che escludono la garanzia di accuratezza delle informazioni generate, invitando esplicitamente l’utente a verificare in modo indipendente qualunque affermazione fattuale prima di prendere decisioni basate su di essa. Una clausola che protegge l’azienda produttrice, ma che lascia scoperto proprio l’attore più debole della catena: non l’utente che ha posto la domanda, spesso in buona fede, ma il terzo — il ristorante, l’albergo, il territorio — descritto in modo scorretto senza aver mai interagito direttamente con il sistema che lo ha danneggiato. Un soggetto silenzioso, per così dire, colpito da un dialogo a cui non ha nemmeno preso parte. Nessuna tutela diretta.
Alcuni ordinamenti, inclusa una prima giurisprudenza emersa in altri paesi su casi di diffamazione generata da chatbot, cominciano a orientarsi verso un principio di responsabilità che distingue tra il fornitore del modello — chiamato a rispondere se ha agito con negligenza nella progettazione di misure di controllo ragionevoli — e l’utente che diffonde pubblicamente un’informazione palesemente falsa ottenuta dal sistema, sapendo o dovendo sapere che non era stata verificata. Per un territorio che scopre di essere descritto in modo dannoso, la strada concreta resta, oggi, più amministrativa che giudiziaria: segnalare il contenuto attraverso i canali di feedback previsti dal fornitore, documentare con cura lo scostamento tra realtà e risposta generata, e — soprattutto — muoversi in modo proattivo con la pubblicazione di contenuti aggiornati e verificabili, nella speranza realistica, non nella certezza, che l’insieme dei segnali corretti prevalga nel tempo su quello vecchio o distorto. Una strada lenta. Non sempre soddisfacente. Ma, al momento, l’unica davvero percorribile su larga scala.
L’AI Act e la trasparenza che manca ancora sul piano locale
Il Regolamento europeo sull’intelligenza artificiale, il cosiddetto AI Act (Regolamento UE 2024/1689), entrato progressivamente in vigore proprio in questi mesi, introduce per la prima volta a livello continentale obblighi specifici di trasparenza per i sistemi di AI generativa: l’obbligo, tra gli altri, di informare chiaramente l’utente quando sta interagendo con un sistema artificiale e non con una persona, e l’obbligo per i fornitori di modelli di grandi dimensioni di documentare, almeno in parte, le fonti e i criteri con cui i propri sistemi vengono addestrati. Un passo reale, non simbolico soltanto. Resta, però, un passo che riguarda la trasparenza generale del sistema — sapere che si sta parlando con una macchina, sapere in linea di principio da dove viene addestrata — molto più che la correggibilità puntuale di una singola informazione territoriale sbagliata. L’AI Act non prevede, allo stato attuale, un meccanismo paragonabile al “diritto di rettifica” che esiste da decenni per la stampa tradizionale, né qualcosa di assimilabile alla gestione diretta di una scheda Google Business. Trasparenza, non correzione.
Questo scarto tra trasparenza generale del sistema e correggibilità puntuale delle singole informazioni rappresenta, per chi si occupa di marketing territoriale, il vero terreno da presidiare nei prossimi anni — non per attendere passivamente un intervento legislativo che colmi il vuoto, ma per costruire, nel frattempo, pratiche di pubblicazione che riducano alla fonte la probabilità di essere descritti male. Alcune associazioni di categoria del turismo, in diversi paesi europei, hanno già iniziato a chiedere in sede di dialogo con le istituzioni comunitarie l’introduzione di meccanismi specifici per la correzione di informazioni commerciali e territoriali errate diffuse da sistemi di AI generativa — una sorta di equivalente, adattato alla scala e alla velocità di questi strumenti, del meccanismo già esistente per la rettifica giornalistica. Non esiste, al momento in cui scriviamo, nulla di simile già operativo. Esiste solo la discussione. Aperta, non chiusa. Solo parole, ancora.
C’è infine un profilo che riguarda più da vicino chi, come consulenti e formatori, introduce questi temi presso amministrazioni locali e operatori turistici privi di competenze tecniche specifiche: la responsabilità di non presentare il GEO e le pratiche correttive descritte in questo articolo come una soluzione definitiva e garantita. Non lo sono. Sono, più onestamente, un modo per aumentare le probabilità — non per garantire i risultati — che un territorio venga raccontato in modo corretto da sistemi il cui funzionamento interno resta, per usare ancora la lezione di Crawford, largamente opaco anche a chi li produce. Chi promette risultati certi in questo campo, oggi, sta vendendo qualcosa che nessuno può davvero garantire. Nessuna garanzia, mai.
Conclusioni e Takeaways: la reputazione che nessuno aggiorna da solo
Settant’anni dopo l’intuizione di Boorstin sugli pseudo-eventi che sostituiscono, nella percezione pubblica, la realtà più lenta e più complessa che dovrebbero solo raccontare, quella dinamica si ripresenta oggi in una forma che nessuno, negli anni Sessanta, avrebbe potuto prevedere con precisione: una macchina conversazionale che sintetizza in pochi secondi un’intera destinazione turistica, con la stessa sicurezza linguistica con cui racconterebbe un fatto verificato ieri. Kate Crawford ha ragione a insistere sull’opacità strutturale di questi sistemi. Il paper sul GEO ha ragione a indicare che esiste, comunque, un margine di azione concreto per chi accetta di scrivere anche per un lettore che non ha occhi né gambe.
Nessun territorio, piccolo o grande che sia, può oggi permettersi di ignorare questo nuovo intermediario informativo solo perché non ne comprende fino in fondo il funzionamento interno. Non serve diventare esperti di intelligenza artificiale per affrontarlo con metodo. Serve, più modestamente, l’abitudine — poco spettacolare, quasi mai raccontata nei piani di comunicazione ufficiali — a chiedersi ogni tanto cosa dice di noi una macchina che nessuno ha mai invitato a cena, che non ha mai camminato per le nostre vie, ma che oggi, prima ancora di Google, prima ancora del sito ufficiale, è spesso il primo a rispondere a chi sta decidendo dove andare in vacanza. Poca cosa, apparentemente. Decisiva, in realtà.
Punti Chiave per Studenti e Professionisti
- Le AI conversazionali (ChatGPT, Perplexity, Gemini) si stanno affermando come un nuovo intermediario informativo che precede, in molti casi, il ricorso a un motore di ricerca tradizionale: restituiscono una sintesi già confezionata invece di un elenco di fonti tra cui scegliere, spostando sul modello — e non più sull’utente — il lavoro di selezione e verifica delle informazioni su una destinazione.
- A differenza di una scheda Google Business Profile, correggibile direttamente da chi gestisce il territorio, un’informazione errata o datata diffusa da un’AI generativa non dispone di un canale di rettifica diretto e immediato: l’opacità strutturale di questi sistemi, descritta da Kate Crawford, rende difficile persino individuare l’origine dell’errore, prima ancora di poterlo correggere.
- Pratiche di Generative Engine Optimization — contenuti aggiornati, strutturati, verificabili, pubblicati con costanza su tutte le fonti pubbliche collegate al territorio — non garantiscono un risultato certo, ma restano oggi lo strumento più concreto per aumentare le probabilità che i modelli, nei prossimi aggiornamenti, recepiscano la realtà attuale di una destinazione invece di una sua fotografia superata.
Chi lavora oggi nella promozione di un territorio, piccolo o grande, avrebbe il coraggio di fare la stessa domanda che si è posta Silvia una sera qualunque — chiedere a un’intelligenza artificiale conversazionale cosa racconta del proprio paese — sapendo che la risposta, quasi certamente, non racconterà tutto quello che il territorio è diventato nell’ultimo anno?