Dalle fake news ai bias, il decalogo di Marco Mayer per usare bene l’AI

Nel dibattito contemporaneo sull’uso dell’Intelligenza Artificiale nell’analisi delle notizie internazionali, il contributo di Marco Mayer si distingue per rigore metodologico e consapevolezza critica. Il suo decalogo — definito Slow AI International Monitor (SAIM) — nasce dall’esperienza quotidiana di ricerca e propone un approccio che rifiuta l’automatismo e la delega cieca alle piattaforme, privilegiando invece un’interazione lenta, verificata e strutturata. In un ecosistema informativo segnato da fake news, bias culturali, allucinazioni, omissioni e accelerazioni incontrollate, Mayer invita a considerare l’AI come una “protesi tecnologica”: uno strumento capace di ampliare la capacità umana di verificare, contestualizzare e falsificare le informazioni, senza sostituire il ricercatore né indebolire il suo spirito critico. Il decalogo che segue rappresenta dunque una proposta operativa: un metodo di lavoro che integra competenze umane, conoscenza pregressa dei modelli e ricerca online, con l’obiettivo di costruire analisi più affidabili, trasparenti e consapevoli. Pur essendo un protocollo in fase di rodaggio, i risultati ottenuti dall’autore attraverso diverse piattaforme AI mostrano un potenziale significativo per chi si occupa di geopolitica, informazione, ricerca e giornalismo investigativo, ed anche in molti altri campi Con l’auspicio, diciamo noi, che ci sia ancora un margine di autonomia umana nell’interazione con la Ipermachina dei nostri tempi/glb

---

da Formiche on line 11/09/2026 

Marco Mayer ha messo a punto un decalogo per analizzare le notizie internazionali con il supporto dell’Intelligenza Artificiale. Per quanto il protocollo sia ancora in fase di rodaggio, i risultati prodotti dalle piattaforme appaiono incoraggianti. Ecco alcune regole da seguire

---

Un decalogo per usare bene l’AI

Premessa. Sulla base della mia esperienza quotidiana ho elaborato un decalogo di suggerimenti — che propongo di chiamare “Slow Ai International monitor” (Saim) — allo scopo di esaminare le vicende internazionali di attualità usando al meglio l’Intelligenza Artificiale. Quando arriva una nuova notizia o anche una semplice indiscrezione chiedo all’AI di analizzarla applicando — per quanto possibile — le dieci raccomandazioni che seguono. L’AI non deve essere usata con troppa fretta, non è una scorciatoia e non sostituisce il ricercatore. Si tratta, invece, di una “protesi tecnologica” in grado di potenziare la nostra capacità di verificare, falsificare, inquadrare e approfondire una notizia. Questo protocollo è ancora in fase di rodaggio, ma i risultati prodotti dalle piattaforme a cui ho chiesto di sperimentarlo appaiono decisamente incoraggianti.

1. La AI non va utilizzata come un pilota automatico

Vivere il proprio rapporto con l’AI come uno strumento nelle proprie mani — come si guida un’imbarcazione in mare aperto senza pilota automatico — non come una macchina a cui delegare l’attività, o peggio da assecondare e da cui dipendere. Quando si naviga nel mare magnum delle notizie di attualità internazionale, c’è sempre il rischio di non riuscire a sapere con certezza se un’informazione sia vera o falsa, rilevante o ininfluente, né tantomeno se esistano retroscena o implicazioni significative. Oggi c’è una novità importante che può aiutare il ricercatore a districarsi nel labirinto. Le migliori piattaforme AI, attraverso il processo di interazione con l’utente, sono in grado di sviluppare una metodologia e una memoria personalizzata al servizio delle esigenze specifiche dell’analista. I risultati raggiunti sono il frutto della convergenza di tre fattori: le competenze specifiche delle persone, le conoscenze pregresse dei modelli e i flussi informativi derivanti dalla ricerca online. È bene tuttavia ricordarsi che la memoria personalizzata si sviluppa sulla base dei nostri scambi con le piattaforme e che c’è sempre la possibilità che essa tenda a rafforzare il nostro punto di vista a scapito dello spirito critico.

2. La qualità delle risposte AI dipende dalla qualità delle domande

La qualità dei risultati della ricerca dipende in larga misura dalla qualità delle domande. È quindi consigliabile sottoporre all’AI — soprattutto nella fase iniziale — argomentazioni, testi, domande e progetti di ricerca il più possibile dettagliati, evitando interrogazioni generiche e prive di contesto. Occorre inoltre delimitare con la massima precisione l’ambito temporale, l’area geografica, l’oggetto della ricerca e la sua definizione operativa. È fondamentale, ad esempio, distinguere tra la data dell’evento ela data della sua prima presenza nel web, un errore che ho avuto modo di osservare con notevole frequenza. Più chiarezza e precisione ci sono nelle domande più diminuiscono le risposte vaghe, generiche e ridondanti. C’è inoltre un caveat da considerare: le piattaforme tendono a compiacere l’utente, con il rischio che alcune risposte, invece di provare a falsificare, tendano a confermare acriticamente il punto di vista dell’utente a prescindere dalla sua attendibilità. Anche domande di ricerca molto dettagliate possono indurre l’AI a rispecchiare eccessivamente le convinzioni e il precognito dell’utente anziché metterli alla prova.

3. Non farsi soltanto assistere dalle piattaforme: aiutare l’AI

Le prime risposte dell’AI sono spesso incomplete, superficiali o sbagliate. È quindi necessario correggere gli errori con pazienza per evitare che si replichino in continuazione. È inoltre molto importante — quando è possibile — alimentare progressivamente la ricerca con informazioni aggiuntive: Pdf, immagini, video, audio, dati e documenti possono contenere elementi che l’AI non ha trovato perché nascosti in qualche nicchia o anfratto del web. Tutte le piattaforme — in misura maggiore o minore — tendono tuttora a confondere la diffusione di una notizia e la sua frequenza nel web con la sua attendibilità. Di questa fragilità intrinseca approfittano, per inciso, gli attori ostili quando promuovono campagne di disinformazione. Spesso i modelli ignorano informazioni vere e molto rilevanti perché poco diffuse. A questo proposito laddove possibile e pertinente è molto utile fornire informazioni che derivano da esperienze vissute direttamente, purché ciò non crei rischi per altre persone e non violi protocolli di sicurezza. Prima di inoltrare materiale è necessario verificarne l’autenticità poiché il rischio di introdurre disinformazione può manifestarsi sia in fase di input e output come è largamente noto: trash in, trash out. Dobbiamo, infine, essere consapevoli che le piattaforme potrebbero utilizzare le nostre informazioni per l’addestramento dei loro modelli.

4. Attenzione alle lingue di origine

È imperativo che l’AI sviluppi la ricerca sulla base di fonti, media e social in lingua originale, e solo successivamente proceda alla loro traduzione, per evitare le distorsioni culturali implicite nella traduzione automatica preventiva. Pochi sanno, inoltre, che gli approcci linguistici delle piattaforme differiscono sensibilmente. Solo per citare i due casi più macroscopici, mentre le maggiori piattaforme AI cinesi puntano sulla diffusione massima del mandarino, con la conseguente marginalizzazione del cantonese e delle altre lingue locali, quelle indiane valorizzano — come conferma la letteratura specialistica — l’ampia pluralità linguistica e culturale che caratterizza la più grande democrazia del mondo. Va inoltre ricordato che la qualità di comprensione linguistica non è uniforme nemmeno all’interno della stessa lingua (dialetti, registri, gergo tecnico o militare). Pertanto la capacità di comunicare in modo chiaro e corretto va sempre testata sul caso specifico, mai presunta.

5. Stress test delle piattaforme

Nel corso dell’interazione con le piattaforme, chiedere formulazioni alternative alle risposte, nonché contrastarle apertamente con esempi contro intuitivi. Per esempio chiedere interpretazioni opposte a quelle fornite dalla piattaforma al nostro interrogativo, richiedere scenari a bassa probabilità, ma ad alto impatto. Le due direzioni di falsificazione — sfidare i risultati della piattaforma e mettere alla prova le ipotesi dell’analista — sono entrambe necessarie e non intercambiabili. Va notato che questo tipo di stress-test presuppone finestre temporali che le situazioni di emergenza non sempre consentono. Negli scenari di crisi chi usa il protocollo dovrebbero chiedere alla AI di ridurre il ciclo di stress-test anziché saltarlo silenziosamente, e segnalare come provvisorie le conclusioni raggiunte sotto la pressione degli eventi.

6. Domande trappola e caccia agli errori di omissione

Nell’ambito degli stress test ci sono tre dimensioni che meritano una attenzione particolare. La prima è quella di sfidare l’AI con domande trappola, caratterizzate da premesse false, per verificare se il modello riconosce e contesta l’assunto errato invece di incorporarlo automaticamente nella risposta. Il secondo è chiedere esplicitamente cosa manca nell’analisi, perché l’AI non genera solo errori di interpretazione, ma anche frequenti e gravi errori di omissione. È, infine imperativo chiedere sistematicamente al modello di distinguere tra fenomeni fattuali e congetture (a vario grado di probabilità). Se i dati disponibili non consentono una conclusione chiara non si deve costringere il modello a produrre artificialmente una risposta binaria — vero/falso, sì/no.

7. Trasparenza e affidabilità delle fonti

Pretendere trasparenza, innanzitutto l’evidenza empirica delle fonti: nessun link, citazione o documento fornito dall’AI va considerato reale finché non verificato direttamente su un browser esterno. È opportuno, inoltre, verificare la tipologia delle fonti — istituzionali, TV , stampa, social, ecc.. — poiché il valore epistemico cambia a seconda della categoria. Nei casi più controversi è utile chiedere al modello di esplicitare la catena di connessioni probabilistiche che ha condotto alla conclusione, per consentire un auditing metodologico del processo. Un’ ultima avvertenza su questa tipologia di auditing: è utile per far emergere associazioni statistiche, ma non devono essere confuse con una catena logica causale. Gli LLM generano l’output calcolando probabilità, non ragionando in modo deduttivo — quindi l’auditing rivela quali fattori il modello ha pesato maggiormente, non il risultato finale della ricerca.

8. Conoscenza pregressa o ricerca in tempo reale online?

Distinguere sempre se l’AI stia rispondendo sulla base di conoscenza pregressa o di una ricerca effettuata in tempo reale online. Nel caso dell’attualità internazionale questa distinzione è particolarmente importante: una risposta apparentemente precisa può infatti essere costruita sulla base di informazioni datate e non più valide. Si tratta di uno dei modi di verifica più semplici e diretti: chiedere esplicitamente alla piattaforma se sta effettuando una ricerca sul web o se sta utilizzando materiali su cui è stata addestrata in precedenza. Ancor più esplicitamente è bene richiedere la sequenza temporale delle fonti citate . Quando le notizie sono successive ai tempi di conoscenza dichiarati dal modello la risposta va considerata inaffidabile finché non verificata tramite una fonte indipendente. Senza questa avvertenza può capitare che la AI “risusciti” persone deceduto da mesi o anni come mi è successo svariate volte.

9. Omissioni di matrice geopolitica e/o religiosa

Oltre ai profili linguistici è bene tener conto dei diversi ecosistemi informativi e politico-culturali dove i modelli sono sviluppati. Possono esserci impostazioni divergenti in particolare in materia di attualità internazionale o anche omissioni sistemiche nel trattare alcuni temi politicamente sensibili come succede interagendo con alcune delle maggiori piattaforme cinesi. Quando queste rispondono con frasi tipo “Non sono competente”, “Non ho le competenze per rispondere” o “I am not qualified to answer”, significa che è stato volutamente pianificato un blocco.

10. Piattaforme multiple e mappatura dei bias strutturali

Utilizzare più piattaforme — almeno due — sullo stesso tema di ricerca, comparando e incrociando i risultati raggiunti (ho sperimentato questo protocollo su casi concreti con Claude, Copilot, ChatGPT, Gemini, DeepSeek, Sarvam e Mistral). Includere modelli AI con basi geografiche, culturali e linguistiche diverse è fondamentale perché allarga gli orizzonti mentali di analisti, ricercatori, docenti e giornalisti investigativi. Comparare le prestazioni delle piattaforme nel tempo consente di costruire progressivamente una mappa completa sia di come i diversi modelli rappresentano gli eventi sia quali sono i loro punti di forza e di debolezza.

Marco Mayer 11-9-26

---

Abbiamo sottoposto l’articolo di Marco Mayer a Copilot ed a Gemini al fine di mostrare come lavorano gli agenti IA.
Il prompt è di tipo semplice e richiese sia una analisi basata esclusivamente sul testo sia una estensione a discrezione dell’agente.

PROMPT

Ciao, vorrei pubblicare questo articolo di Marco Mayer, con una premessa/presentazione.
Fai una analisi del contenuto ed esponilo sotto forma di abstract attenendoti esclusivamente al contento dell’autore.
Con lo stesso criterio elenca per punti i concetti, soggetti, kw che rappresentano il focus del post.
Aggiungi poi una nota analitico/critica come ritieni opportuno sulla base della tua esperienza

Copilot 13-9-26

📌 ABSTRACT (aderente al contenuto dell’autore)

L’articolo presenta il decalogo elaborato da Marco Mayer per utilizzare l’Intelligenza Artificiale nell’analisi delle notizie internazionali. Il protocollo, denominato Slow AI International Monitor (SAIM), nasce dall’esperienza quotidiana dell’autore e mira a trasformare l’AI in una “protesi tecnologica” capace di potenziare la verifica, la contestualizzazione e la falsificazione delle informazioni, senza sostituire il ricercatore. Il decalogo illustra dieci raccomandazioni operative: non delegare all’AI il controllo dell’analisi; formulare domande precise; correggere e alimentare l’AI con materiali aggiuntivi; lavorare sulle fonti in lingua originale; stressare i modelli con richieste alternative e controintuitive; individuare omissioni e distinguere fatti da congetture; verificare la trasparenza delle fonti; distinguere tra conoscenza pregressa e ricerca online; considerare bias geopolitici e culturali; confrontare più piattaforme per mappare bias strutturali. Il protocollo è in fase di rodaggio, ma i risultati ottenuti da Mayer attraverso diverse piattaforme risultano incoraggianti.

🎯 CONCETTI, SOGGETTI, KEYWORDS (solo dal contenuto dell’autore)

Concetti chiave

• Slow AI International Monitor (SAIM)
• AI come “protesi tecnologica”
• Verifica, falsificazione, inquadramento delle notizie
• Memoria personalizzata dei modelli
• Qualità delle domande → qualità delle risposte
• Stress test delle piattaforme
• Domande trappola
• Errori di omissione
• Trasparenza delle fonti
• Catene probabilistiche vs catene causali
• Conoscenza pregressa vs ricerca in tempo reale
• Bias geopolitici, culturali, linguistici
• Confronto tra piattaforme diverse

Soggetti citati

• Marco Mayer
• Piattaforme AI (Claude, Copilot, ChatGPT, Gemini, DeepSeek, Sarvam, Mistral)
• Attori ostili / campagne di disinformazione
• Ecosistemi informativi cinesi e indiani

Keywords

AI, disinformazione, fake news, bias, stress test, fonti, auditing, probabilità, lingua originale, geopolitica, protocolli, ricerca online, memoria personalizzata, omissioni, verifiche, piattaforme multiple.

🧭 NOTA ANALITICO‑CRITICA (basata sulla mia esperienza, non presente nel testo)

Il decalogo di Mayer è uno dei tentativi più strutturati di definire un metodo di lavoro con l’AI nel campo dell’analisi internazionale. La sua forza sta nell’insistere su tre dimensioni spesso trascurate:

1. L’AI non sostituisce il ricercatore, ma amplifica le sue capacità. Questo è un punto cruciale: chi usa l’AI senza metodo finisce per adottare le risposte come verità, mentre Mayer propone un approccio epistemico, quasi “scientifico”, basato su falsificazione e confronto.
2. La centralità dell’errore di omissione. Nella mia esperienza, gli errori più pericolosi dei modelli non sono quelli “visibili”, ma ciò che non viene detto: informazioni mancanti, contesti ignorati, fonti non considerate. Mayer coglie perfettamente questo rischio.
3. L’importanza del multilinguismo e dei bias geopolitici. È un tema spesso sottovalutato: i modelli non sono neutri, riflettono gli ecosistemi culturali in cui sono stati addestrati. L’invito a usare più piattaforme è pragmatico e realistico.

Se c’è un limite nel protocollo, è che richiede tempo, competenze e disciplina: non è un metodo “per tutti”, ma per analisti che già possiedono una solida cultura delle fonti. Tuttavia, proprio per questo, rappresenta un contributo prezioso per chi vuole integrare l’AI nel lavoro investigativo e geopolitico senza cadere nella dipendenza o nell’automatismo.

---

Gemini 13-9-26

Abstract del testo

L’articolo presenta il protocollo Saim (Slow AI International Monitor), una metodologia elaborata da Marco Mayer per l’esame dell’attualità e delle notizie internazionali tramite l’Intelligenza Artificiale. Il presupposto fondamentale è che l’AI non vada intesa come un pilota automatico o una scorciatoia, ma come una “protesi tecnologica” volta ad amplificare le capacità umane di verifica, inquadramento e approfondimento.

Il decalogo guida l’utente attraverso indicazioni operative precise:

1. Rifiuto della delega acritica: Mantenere il controllo del processo di ricerca per evitare che la memoria personalizzata del modello crei una bolla di filtro (filter bubble) che confermi i pregiudizi dell’utente.
2. Precisione del prompting: Formulare domande dettagliate, delimitate nello spazio e nel tempo, distinguendo accuratamente tra la data di un evento e la sua comparsa sul web.
3. Integrazione attiva: Correggere gli errori del modello, alimentare la ricerca con materiali complessi (documenti, dati, esperienze dirette) per contrastare la tendenza dell’AI a privilegiare la frequenza di una notizia rispetto alla sua effettiva attendibilità (trash in, trash out).
4. Fonti in lingua originale: Avviare le ricerche sui media locali per evitare distorsioni e tenere conto della diversità dei modelli linguistici (es. l’approccio accentratore delle piattaforme cinesi rispetto al pluralismo di quelle indiane).
5. Stress test e falsificazione: Sollecitare l’AI con interpretazioni opposte, scenari a bassa probabilità ma ad alto impatto e ridurre i cicli di test solo in situazioni di crisi dichiarata.
6. Contrasto agli errori di omissione: Utilizzare domande trappola con premesse false per verificare la reattività del modello e distinguere nettamente tra dati di fatto e congetture probabilistiche.
7. Verifica delle fonti e auditing: Controllare esternamente ogni link e citazione sul browser, richiedendo l’esplicitazione della catena probabilistica (senza scambiarla per una sequenza causale deduttiva).
8. Distinzione temporale della conoscenza: Verificare sempre se il modello stia attingendo al proprio dataset di addestramento o effettuando ricerche in tempo reale per evitare anacronismi (es. “risuscitare” personaggi deceduti).
9. Riconoscimento dei blocchi geopolitici: Identificare le omissioni di matrice ideologica o di regime (es. risposte evasive su temi sensibili in piattaforme cinesi).
10. Incrocio multipiattaforma: Mettere a confronto simultaneamente più LLM (come Claude, ChatGPT, Gemini, DeepSeek, Sarvam, Mistral, ecc.) per mappare i bias strutturali e identificare punti di forza e debolezza di ciascun ecosistema informativo.

Focus del post (Concetti, Soggetti e Keyword)

• Concetti chiave:
  • Protocollo Slow AI International Monitor (Saim)
  • AI come “protesi tecnologica” (integrazione uomo-macchina senza delega del giudizio)
  • Rischio di compiacimento e rafforzamento dei bias dell’utente da parte dei modelli
  • Trash in, trash out nella verifica delle notizie
  • Falsificazione metodologica e domande trappola
  • Differenza tra probabilità statistica (LLM) e inferenza causale/deduttiva
  • Trasparenza della catena di fonti e verifica esterna su browser
  • Omissioni di matrice geopolitica e blocchi di sistema (“Non sono qualificato per rispondere”)
  • Mappatura dei bias e confronto multipiattaforma
• Soggetti citati:
  • Marco Mayer (Autore del protocollo e docente/analista)
  • Modelli e Piattaforme AI citati: Claude, Copilot, ChatGPT, Gemini, DeepSeek, Sarvam, Mistral
• Keyword:
  • Slow AI
  • Saim
  • Analisi geopolitica
  • Fact-checking
  • Prompt engineering
  • Bias algoritmici
  • Fake news
  • Stress test AI
  • Ecosistemi informativi

Nota analitico-critica

Il decalogo Saim proposto da Marco Mayer rappresenta un contributo metodologico tempestivo e pragmatico per superare sia il rigetto a priori dell’AI sia la sua adozione acritica nelle scienze umane e nell’analisi di intelligence o giornalistica.

1. Il merito del paradigma “Slow AI”: In un ecosistema informativo dominato dalla velocità di pubblicazione, il richiamo a una “Slow AI” ribalta la narrazione dominante dell’algoritmo come mero strumento per risparmiare tempo. L’AI viene riconfigurata come un acceleratore della fase di scansione dei dati, che tuttavia richiede più tempo nella fase di validazione umano-centrica.
2. L’architettura epistemologica degli LLM vs Metodo Scientifico: Mayer coglie con precisione il punto debole strutturale dei Large Language Models: gli LLM sono motori probabilistici, non motori logici o deduttivi. La distinzione al punto 7 tra associazione statistica e relazione causale è fondamentale per chi fa analisi di politica internazionale, dove la correlazione sintattica non equivale alla realtà dei fatti.
3. Il valore della prospettiva multipiattaforma e geopolitica: L’indicazione di testare modelli provenienti da diverse aree geografiche (es. comparare piattaforme statunitensi, cinesi o indiane come Sarvam) affronta direttamente il tema del sovranismo tecnologico e culturale dell’AI. Un modello di linguaggio non trasporta soltanto dati, ma codifica la visione del mondo, la censura e la sensibilità politica del Paese in cui è stato addestrato.
4. I limiti operativi del protocollo: L’unico elemento di criticità oggettivo del protocollo risiede nella sua sostenibilità in contesti di breaking news o crisi ad altissima frequenza. Come ammesso dallo stesso autore (punti 5 e 8), la rigorosa applicazione degli stress test e dell’auditing delle fonti richiede risorse temporali e cognitive notevoli. Il rischio è che, sotto la pressione delle scadenze editoriali o analitiche, l’utente tenda a scorciatoie, vanificando la natura “Slow” del protocollo.

In conclusione, la proposta di Mayer non è soltanto una guida per l’uso dei prompt, ma una vera e propria epistemologia della verifica nell’era dell’IA generativa, indispensabile per chiunque si occupi professionalmente di informazione e analisi strategica.