L'intelligenza artificiale non sa se sbaglia. Quando afferma qualcosa con tono sicuro, il lettore tende a crederci, soprattutto se il testo è ben strutturato e usa un linguaggio tecnico. Ma gli errori accadono di frequente: dati invertiti, citazioni inventate, nomi di studi che non esistono, percentuali false, fatti storici distorti. Il problema è che il modello non distingue tra verità verificata e probabilità statistica. Per lui, scrivere "il diabete colpisce il 30% dei gatti" suona plausibile quanto "il diabete colpisce il 30% dei cani". Non sa la differenza.

Riconoscere un errore dell'IA richiede attenzione su tre fronti. Il primo è il sospetto iniziale: non tutte le frasi hanno lo stesso rischio. Un paragrafo che descrive un concetto generale o una metodologia ha meno probabilità di contenere errori rispetto a uno che cita dati precisi, nomi di persone reali, date o percentuali. Se l'IA scrive "secondo uno studio del 2019 dell'Università di Cambridge", quella frase è sospetta per definizione. Se scrive "il riscaldamento globale è causa di stress negli ecosistemi", la probabilità di errore è più bassa ma comunque presente.

Riconoscere i tipi di errore più comuni

L'IA commette errori prevedibili. I più comuni sono quattro.

Il primo è l'invenzione di citazioni. L'IA non consulta i testi per costruire una fonte: genera una frase che "sembra" una citazione plausibile. Dirà "come affermato nel rapporto ISTAT del 2021" senza sapere se quel rapporto esiste davvero o contiene quella informazione. Il sintomo è facile da cogliere: se la citazione è molto specifica ma nemmeno vagamente ricordi di averla letta, è falsa.

Il secondo errore è la confusione tra concetti simili. L'IA mescola proprietà di categorie diverse. Potrebbe attribuire al grano saraceno le stesse caratteristiche del grano tradizionale, confondere sintomi di due malattie, mischiare i meccanismi di funzionamento tra due tecnologie. Il sintomo è una somiglianza sospetta, come se l'IA avesse applicato uno schema universale senza differenziare.

Il terzo è l'errore numerico. Percentuali sbagliate, date errate, numeri di abitanti inesatti, cifre di produzione inventate. L'IA non calcola: genera numeri che suonano ragionevoli statisticamente. Leggerai "il 23% della popolazione mondiale" e ti chiederai se è vero. Spesso non lo è.

Il quarto è il rimescolamento di sequenze temporali. L'IA inverte ordine degli eventi, attribuisce a un periodo storico un fatto che è accaduto in un altro, combina cronologie diverse. Un personaggio potrebbe essere presentato come contemporaneo a un altro quando i loro periodi di vita non si sovrappongono.

La procedura di verifica rapida in tre step

Non serve una ricerca esaustiva. Bastano tre controlli sistematici.

Primo step: leggi il testo dell'IA e cerchia mentalmente (o realmente) tutte le affermazioni specifiche. Cerchia nomi di persone, date precise, percentuali, nomi di enti, titoli di studi, risultati di ricerche. Non i concetti generali. Se scritto "il colesterolo alto favorisce le malattie cardiache", non lo cerchi. Se scritto "secondo l'American Heart Association, il colesterolo LDL oltre 130 mg/dL è un fattore di rischio", la cerchi. Questa è una affermazione verificabile.

Secondo step: per ogni affermazione cerchiata, chiedi all'IA direttamente. Non ricerca esterna subito: chiedi al modello stesso dove ha preso quel dato. Digita: "Dove hai trovato questa informazione? Qual è la fonte esatta?" L'IA, di solito, ammette di non essere sicura oppure inventa ulteriormente. Se accade, quella affermazione è sospetta. Se invece cita una fonte reale (un link, un libro, un'agenzia internazionale), annota il riferimento.

Terzo step: ricerca il riferimento citato. Non ricercare il concetto generale. Ricerca il fatto specifico. Se l'IA ha detto "ISTAT ha registrato nel 2022 che il 45% delle aziende italiane usa il cloud", non cercare "cloud computing in Italia". Cerca direttamente "ISTAT 2022 cloud 45%". Se il dato compare in una fonte ufficiale, è probabilmente corretto. Se non compare, l'IA l'ha inventato.

Come risparmiare tempo nei controlli

La tentazione è verificare tutto. Non farlo. Concentrati su tre categorie ad alta priorità.

Primo: affermazioni che sostengono raccomandazioni. Se l'IA dice "puoi assumere 2000 mg di vitamina C al giorno senza rischi", verificalo immediatamente. Secondo: dati numerici su salute, economia, ambiente. Se cita cifre su pandemia, inquinamento, disoccupazione, controlla. Terzo: fatti attribuiti a persone viventi. Se dice che una persona ha fatto o detto qualcosa di rilevante, verifica.

Per tutto il resto (definizioni, descrizioni di processi, spiegazioni di meccanismi generali) il rischio è più basso. Non sprecare tempo.

Una tecnica ulteriore è la verifica comparata. Chiedi la stessa cosa a due diversi modelli di IA. Se entrambi dicono lo stesso (soprattutto con dettagli identici), la probabilità che sia vero è più alta. Se dicono cose diverse, una delle due mente. A quel punto ricerca ufficialmente.

Cosa fare dopo aver trovato l'errore

Se scopri che l'IA ha sbagliato, non perdi il lavoro già fatto. Puoi usare l'informazione corretta per una nuova richiesta. Digita al modello: "L'affermazione precedente conteneva un errore. In realtà [dato corretto]. Scrivi un nuovo paragrafo basato su questo dato." L'IA, nella maggior parte dei casi, accetta la correzione e prosegue in modo coerente.

Se l'errore è grave e il modello continua a sbagliare, cambia strategia. Invece di chiedergli di verificare, forniscigli tu le fonti. Incolla un passaggio da un sito ufficiale, una data storica corretta, un numero verificato, e chiedi di usare quello come base. L'IA farà meno fatica a generare contenuti sbagliati se ha già il contenuto giusto davanti.

La procedura non eliminates il rischio, ma lo riduce drasticamente. Una verifica mirata su affermazioni specifiche in pochi minuti è più efficace di ore di riletttura ansiosa. L'IA è uno strumento, non una fonte. Chi la usa bene sa quando dubitare.