Prosegue qui la riflessione di Fiorello Casi sulla trasformazione della ricerca online nell’era dell’intelligenza artificiale agentica. Dopo aver ricostruito, nella prima parte, il passaggio da PageRank alle nuove forme di mediazione algoritmica, l’autore si concentra ora sulle implicazioni epistemiche e professionali di questa transizione: la perdita di controllo metodologico, il rischio di delega cognitiva e la necessità di una nuova cultura della verifica.
VI. La perdita dello ‘spirito di intelligence’ e le sue implicazioni
6.1 Il ricercatore come investigatore
Esiste una tradizione professionale — che attraversa il giornalismo investigativo, l’analisi dell’intelligence aperta (OSINT), la ricerca accademica, il fact-checking, e la due diligence aziendale — che si fonda su una metodologia specifica: la costruzione attiva di un’immagine della realtà attraverso l’aggregazione critica di fonti primarie eterogenee. Questa metodologia richiede che il ricercatore mantenga il controllo della selezione delle fonti, della pesatura delle evidenze e della formulazione delle conclusioni.
Con PageRank, questo processo si svolgeva in un ambiente imperfetto ma metodologicamente compatibile. Il ricercatore costruiva le proprie query, navigava i risultati, selezionava le fonti, le confrontava, identificava le contraddizioni. Il motore di ricerca era uno strumento che amplificava la capacità investigativa senza sostituire il giudizio del ricercatore.
Con un agente AI agentico, il rischio è la sostituzione progressiva del giudizio del ricercatore con il giudizio del sistema. Non perché il sistema sia malintenzionato, ma perché è strutturalmente ottimizzato per produrre risposte coerenti e utili alla media degli utenti — non per supportare l’investigazione di casi edge, la ricerca di narrazioni contraddittorie, o la verifica di ipotesi non mainstream.
6.2 Il paradosso della competenza delegata
C’è un paradosso sottile nell’adozione acritica di sistemi AI per la ricerca professionale: quanto più il sistema è efficiente, tanto più atrofizza le competenze che lo renderebbero inutile. Un professionista che delega sistematicamente a Gemini Spark la fase di ricerca perde gradualmente la capacità di costruire query efficaci, di navigare sistemi di indicizzazione alternativi, di riconoscere i pattern di absence of evidence — quell’assenza di risultati che, per un ricercatore esperto, è essa stessa un dato informativo.
Questo non è un argomento luddista contro l’adozione dell’AI: è un argomento per un’adozione consapevole e metodologicamente fondata. Gli strumenti cambiano le pratiche professionali, e le pratiche professionali costruiscono competenze. Se il nuovo strumento ottimizza l’efficienza ma riduce la complessità cognitiva richiesta all’operatore, il rischio è la produzione di professionisti dell’informazione dipendenti da un sistema che non possono ispezionare, correggere o sostituire quando fallisce.
Il fallimento di Google Flu Trends fu identificato e corretto da ricercatori che sapevano come costruire modelli alternativi e confrontarli con i dati grezzi. Se il paradigma futuro non prevede accesso ai dati grezzi e non allena la competenza necessaria per costruire modelli alternativi, chi identificherà il prossimo fallimento sistematico?
6.3 Il caso delle narrazioni controfattuali e delle fonti marginali
Un problema specifico riguarda la ricerca su eventi controversi, narrazioni alternative, o fenomeni documentati da fonti che non raggiungono la soglia di autorevolezza necessaria per essere selezionate dall’AI. Nella ricerca epidemiologica, nella documentazione di violazioni dei diritti umani, nel monitoraggio di fenomeni emergenti, alcune delle informazioni più rilevanti si trovano in fonti che i sistemi di valutazione mainstream classificherebbero come non autorevoli: rapporti di organizzazioni locali, documenti amministrativi di bassa visibilità, testimonianze di singoli individui.
Con il vecchio sistema, un ricercatore capace poteva trovare queste fonti attraverso operatori di ricerca avanzati, ricerche per dominio, filtraggio temporale. Con un sistema conversazionale ottimizzato per la coerenza e l’utilità media, queste fonti rischiano di scomparire dalla superficie accessibile della conoscenza — non per censura intenzionale, ma per ottimizzazione algoritmica.
VII. Scenari e proposte: verso una ricerca professionale nell’era agentica
7.1 L’ibrido come strategia metodologica
La risposta professionale alla transizione in corso non può essere né il rifiuto acritico né l’adozione acritica. Deve essere la costruzione di un approccio ibrido che utilizzi le capacità di sintesi e aggregazione dell’AI come primo livello di esplorazione, mantenendo come livello obbligatorio la verifica diretta sulle fonti primarie.
In pratica, questo significa adottare Gemini Spark come strumento di ricognizione — efficiente per identificare il panorama delle fonti disponibili su un tema — ma non come strumento di conclusione. Ogni affermazione critica estratta da un report AI deve essere verificata sulla fonte citata, e la fonte citata deve essere valutata indipendentemente, controllando anche le fonti non citate che potrebbero offrire prospettive alternative.
Questo approccio richiede più tempo del semplice accettare la risposta dell’agente, ma garantisce la continuità della responsabilità metodologica del ricercatore. Non è una limitazione delle capacità dell’AI: è un riconoscimento che la validazione epistemica non può essere delegata a un sistema che non ha accountability pubblica per le sue scelte di selezione.
7.2 La necessità di standard di trasparenza algoritmici
A livello sistemico, la comunità professionale ha il dovere di chiedere standard di trasparenza algoritmica che vadano oltre le dichiarazioni di principio. Non si tratta di rendere pubblico il codice sorgente di Gemini — un’aspettativa irrealistica data la complessità dei sistemi e le legittime preoccupazioni di sicurezza. Si tratta di definire un livello minimo di trasparenza che includa: la pubblicazione dei criteri di selezione delle fonti primarie utilizzate nel training; l’indicazione delle categorie di fonti sistematicamente escluse o penalizzate; la messa a disposizione di meccanismi di audit indipendente per casi di interesse pubblico.
L’Unione Europea, attraverso l’AI Act e il Digital Services Act, ha già stabilito obblighi di trasparenza e accountability per i sistemi AI ad alto impatto. La ricerca applicata — in senso lato — è esattamente uno dei contesti in cui questi obblighi devono trovare applicazione concreta. I professionisti dell’informazione, i bibliotecari, i giornalisti, i ricercatori accademici hanno un interesse diretto a che questi standard vengano definiti e applicati.
7.3 La formazione come risposta sistemica
Sul piano formativo, la transizione in corso impone una revisione profonda dei curricula professionali. La competenza nella costruzione di query booleane, nella navigazione dei sistemi di indicizzazione specialistica, nell’uso degli operatori di ricerca avanzati — competenze che il vecchio paradigma rendeva indispensabili — non devono essere abbandonate ma integrate con nuove competenze specifiche per l’era agentica.
Queste nuove competenze includono: la capacità di valutare criticamente le risposte AI identificando i punti di possibile distorsione; la familiarità con le tecniche di prompt engineering per estrarre dall’agente informazioni più sfumate e meno convergenti con il mainstream; la conoscenza delle alternative all’ecosistema Google per la ricerca su fonti specializzate; e la comprensione dei meccanismi di base dei modelli linguistici che permetta di anticiparne i punti di cedimento.
In questo senso, la transizione da PageRank a Gemini Spark non è la fine della competenza del ricercatore: è l’inizio di una sua trasformazione. La competenza richiesta diventa più sofisticata, non meno. Ma richiede un investimento formativo che il mercato, da solo, non produrrà spontaneamente — perché il mercato premia l’efficienza, non la profondità epistemica.
VIII. Il nodo irrisolto: fiducia, verità e mediazione algoritmica
8.1 Il problema filosofico sottostante
Sotto la superficie tecnica di questa transizione si nasconde un problema filosofico antico: il rapporto tra mediazione e verità. Ogni sistema di recupero dell’informazione è un sistema di mediazione. PageRank mediava attraverso la struttura dei link del web. I bibliotecari mediano attraverso i sistemi di classificazione. I giornalisti mediano attraverso i criteri editoriali. La domanda non è se vogliamo una mediazione, ma che tipo di mediazione accettiamo e a quali condizioni.
La specificità della mediazione algoritmica — e in particolare della mediazione AI — è la sua opacità scalare. Un sistema di classificazione bibliotecaria è ispezionabile, contestabile, modificabile da qualsiasi utente sufficientemente competente. Un modello linguistico di grandi dimensioni non lo è. La sua complessità intrinseca — miliardi di parametri addestrati su miliardi di testi — rende impossibile, anche per i suoi creatori, tracciare il percorso esatto che conduce da una query a una risposta specifica.
Questo non significa che il sistema sia arbitrario: è addestrato su criteri precisi e produce risultati sistematici. Ma significa che la sua sistematicità non è ispezionabile dall’utente, e che le sue distorsioni sistematiche — i bias incorporati nel training data, le penalizzazioni implicite di certe tipologie di fonti, le tendenze verso la coerenza narrativa — non possono essere identificate e corrette con gli strumenti metodologici che i professionisti dell’informazione hanno sviluppato nei decenni precedenti.
8.2 La fiducia come problema collettivo
La risposta individuale all’opacità algoritmica è il mantenimento di uno sguardo critico e di una prassi di verifica indipendente. Ma questa risposta, per quanto necessaria, è insufficiente. Il problema dell’opacità algoritmica nella ricerca è un problema collettivo che richiede risposte collettive.
Google non è un ente pubblico soggetto agli obblighi di trasparenza delle istituzioni democratiche. È un’azienda privata che eroga un servizio di interesse pubblico in regime di quasi-monopolio. Questa combinazione crea una vulnerabilità strutturale: il sistema che media l’accesso alla conoscenza per la grande maggioranza degli utenti globali è sottratto ai meccanismi di accountability che applichiamo a qualsiasi altra istituzione con un impatto comparabile sulla vita pubblica.
La comunità professionale dell’informazione — bibliotecari, archivisti, giornalisti, ricercatori, data scientists — ha la competenza e la responsabilità di contribuire alla definizione degli standard di trasparenza che il sistema deve rispettare. Non come avversari dell’innovazione, ma come custodi di una tradizione epistemica che l’innovazione non può permettersi di distruggere.
8.3 Lo spaesamento come punto di partenza
C’è qualcosa di onesto nello spaesamento che molti professionisti provano di fronte a questa transizione. Per venticinque anni, PageRank ha costituito l’infrastruttura cognitiva della ricerca online — non solo uno strumento, ma una grammatica condivisa attraverso cui professionisti di ambiti diversissimi si orientavano nella rete. La sua logica era diventata intuitiva, interiorizzata, parte del background cognitivo del lavoro quotidiano.
Sostituire questa grammatica con un’interfaccia conversazionale che risponde in linguaggio naturale ma decide autonomamente cosa includere ed escludere non è solo un cambiamento tecnico: è una ristrutturazione delle pratiche cognitive professionali. Lo spaesamento che ne risulta non è irrazionale né regressivo. È la risposta adeguata di professionisti che hanno sviluppato competenze precise intorno a un paradigma specifico, e che ora devono ricalibrare quelle competenze su un sistema fondamentalmente diverso.
Il rischio da evitare è la doppia trappola del rifiuto nostalgico (‘il vecchio era meglio’) e dell’adozione entusiasta (‘il nuovo risolve tutto’). Entrambe le posizioni obliterano la complessità reale della transizione e impediscono la costruzione di un rapporto professionale maturo con gli strumenti dell’era agentica.
Conclusioni: per un’epistemologia della ricerca nell’era agentica
Il passaggio da PageRank a Gemini Spark è, nella sua essenza, il passaggio da un sistema che mostrava la realtà caotica della rete filtrata per rilevanza a un sistema che costruisce una rappresentazione coerente della realtà sulla base di criteri non completamente ispezionabili. Non è una differenza di grado: è una differenza di natura.
Questo non significa che il nuovo sistema sia peggiore in assoluto. Per la grande maggioranza degli usi quotidiani, la sintesi conversazionale è più efficiente, più accessibile, più utile. La democratizzazione dell’accesso all’informazione che Gemini Spark promette è reale e non va minimizzata. Un sistema che consente a chiunque di formulare domande complesse in linguaggio naturale e ricevere risposte articolate e citate abbassa barriere cognitive che hanno storicamente limitato l’accesso alla conoscenza specialistica.
Ma per i professionisti dell’informazione, la domanda rilevante non è se il nuovo sistema sia più efficiente in media: è se sia metodologicamente affidabile per gli usi professionali che richiedono non la risposta più probabile, ma la risposta più completa, incluse le contraddizioni, le eccezioni, le fonti minoritarie, i silenzi informativi. E su questo piano, il verdetto non può ancora essere favorevole.
L’eredità di PageRank non era la sua precisione — era la sua onestà sulla propria natura di strumento. Mostrava risultati, non verità. Ordinava senza interpretare. Lasciava al ricercatore la responsabilità epistemica della selezione e della sintesi. Questa responsabilità era un peso, ma era anche una garanzia: la garanzia che tra noi e la realtà non ci fosse un intermediario che aveva già deciso cosa dovevamo sapere.
La sfida dei prossimi anni non è difendere PageRank — è costruire un’epistemologia professionale dell’era agentica che preservi l’autonomia cognitiva del ricercatore, che esiga trasparenza dagli strumenti utilizzati, e che mantenga viva la consapevolezza che tra la risposta dell’agente e la verità resta sempre uno spazio — spesso invisibile, mai irrilevante — di mediazione algoritmica.
Note e riferimenti
Page, L. e Brin, S. (1998). The Anatomy of a Large-Scale Hypertextual Web Search Engine. Proceedings of the 7th International World Wide Web Conference, Brisbane, Australia.
Ginsberg, J. et al. (2009). Detecting influenza epidemics using search engine query data. Nature, 457(19). — Il paper originale su Google Flu Trends pubblicato in collaborazione con il CDC.
Yang, S. et al. (2015). Accurate estimation of influenza epidemics using Google search data via ARGO. Proceedings of the National Academy of Sciences (PNAS). — Analisi del fallimento di Google Flu Trends e proposta del modello correttivo ARGO.
Google I/O 2026 — Annunci ufficiali sulla Search AI Mode e Gemini Spark. Blog ufficiale Google, maggio 2026.
Google Search Quality Rater Guidelines — Framework E-E-A-T per la valutazione della qualità delle fonti. Documento pubblico Google.
Lazer, D. et al. (2014). The Parable of Google Flu: Traps in Big Data Analysis. Science, 343(6176). — Analisi retrospettiva degli errori sistematici di Google Flu Trends.
Regolamento (UE) 2024/1689 — AI Act. Parlamento Europeo e Consiglio dell’Unione Europea. — Quadro normativo europeo per la trasparenza e l’accountability dei sistemi AI.
Immagini generate tramite ChatGPT. Tutti i diritti sono riservati. Università di Torino (2026).
