Il dibattito sull’utilizzo dell’intelligenza artificiale nel mondo dell’informazione è ormai entrato in una fase di piena maturità. Abbiamo spesso analizzato i benefici e i limiti di questi strumenti all’interno delle redazioni, ma per comprendere davvero il loro impatto bisogna considerare che il giornalismo non è un blocco unico.
Ci sono varie tipologie di giornalismo, ognuna con le sue regole, i suoi tempi e i suoi linguaggi. Si va dalla tempestività del giornalismo di cronaca, che racconta i fatti in tempo reale, al giornalismo d’opinione, dove editorialisti e commentatori analizzano l’attualità per stimolare il dibattito pubblico. Negli ultimi anni, inoltre, l’evoluzione tecnologica ha dato vita ad approcci completamente nuovi: è il caso del data journalism, in cui i reporter usano software e codice per scovare notizie nascoste tra enormi flussi di dati, o del giornalismo immersivo e visuale, che sfrutta video in 3D, mappe interattive e infografiche complesse, long-form, facendo immergere il lettore nella notizia.
C’è però un settore in cui la tecnologia si scontra con sfide ancora più complesse: il giornalismo investigativo, dove non ci si può limitare a riportare i fatti, ma è necessario scavare dietro le quinte alla ricerca di illeciti, scandali e verità nascoste. Prendendo spunto dalla dettagliata analisi pubblicata lo scorso giugno dal Center for News, Technology & Innovation (CNTI), in questo articolo ci concentreremo proprio sui principali utilizzi e sui limiti dell’AI applicata alle grandi inchieste.
Il giornalismo investigativo, infatti, è per sua natura un lavoro “caso per caso”. Ogni indagine si muove in un contesto unico, fatto di reportage sul campo, interviste confidenziali e, molto spesso, della gestione di dati “sporchi”, disordinati o deliberatamente nascosti. Proprio perché ogni progetto richiede metodi d’indagine specifici, un’altissima accuratezza e profonde valutazioni etiche e legali, la supervisione umana e il giudizio di contesto rimangono elementi insostituibili.
Vediamo allora come l’intelligenza artificiale sta ridefinendo questo delicato equilibrio.
Principali usi dell’AI nelle inchieste
Innanzitutto, l’intelligenza artificiale si dimostra imbattibile nel rintracciare il classico “ago nel pagliaio”. Davanti a montagne di documenti illeggibili, i software riescono a fare pulizia, estrarre nomi e luoghi, analizzare il tono dei testi (sentiment analysis) e individuare anomalie. Un esempio calzante è Pinpoint, la piattaforma di Google, ideale per il giornalismo investigativo, che permette di effettuare ricerche rapide all’interno di enormi archivi digitali contenenti migliaia di PDF, e-mail, appunti scritti a mano, file audio o video.
Un altro caso emblematico è quello del classificatore automatico addestrato della radiotelevisione svizzera SRF. Si tratta di un algoritmo pensato per scansionare migliaia di profili Instagram che permette di distinguere i follower reali da quelli “falsi” acquistati dagli influencer.
Un altro utilizzo dell’intelligenza artificiale da parte dei giornalisti è legato all’algorithmic accountability, ovvero alla responsabilità algoritmica. L’AI in questo caso è utilizzata per testare su larga scala sistemi e piattaforme poco trasparenti. Grazie a questa tecnica, sono state svelate le discriminazioni razziali nel software della giustizia penale americana. Si tratta della famosissima inchiesta del 2016 condotta da ProPublica sull’algoritmo COMPAS, un software utilizzato dai giudici in molti stati americani per calcolare il “rischio di recidiva”, cioè la probabilità che una persona arrestata possa commettere un altro reato in futuro.
I giornalisti di ProPublica fecero proprio un lavoro di algorithmic accountability: analizzarono i punteggi assegnati dal software a oltre 7.000 persone arrestate e dimostrarono, dati alla mano, che l’algoritmo era affetto da un forte bias razziale. Il software tendeva a sovrastimare sistematicamente il rischio per gli imputati neri e a sottostimarlo per quelli bianchi, commettendo errori macroscopici. È rimasto nella storia del giornalismo computazionale come il primo, grande esempio di come un’inchiesta giornalistica possa “processare” un algoritmo per difendere i diritti civili.
L’AI si rivela preziosa quando si tratta di ricostruire e mappare reti di relazioni estremamente complesse. I software possono infatti incrociare dati di tracciamento navale, segnali di soccorso e testimonianze dei sopravvissuti, oppure mappare reti finanziarie e normative.
Ma la tecnologia sa essere anche uno scudo, trasformandosi in una risorsa vitale per la protezione delle fonti e la sicurezza stessa dei giornalisti, soprattutto nei Paesi in cui la libertà di stampa è calpestata. Un esempio emblematico arriva dal Venezuela, dove è nato “Venezuela Retweets”, un notiziario interamente basato sull’intelligenza artificiale e creato da un gruppo di testate giornalistiche per proteggere i propri reporter dalla repressione scatenata dal regime di Nicolás Maduro in seguito alle contestate elezioni del luglio 2024. I telegiornali vengono infatti condotti da avatar digitali fotorealistici al fine di diffondere notizie verificate senza che i giornalisti in carne e ossa rischino l’identificazione o l’arresto.
Infine, l’AI sta rivoluzionando lo storytelling, ovvero il modo in cui la notizia viene confezionata per il pubblico. Una volta conclusa l’inchiesta, i modelli linguistici aiutano a trasformare quel materiale immenso in formati adatti a ogni lettore. Un esempio virtuoso arriva dal quotidiano argentino Clarín, che grazie a UalterAI, un assistente virtuale alla lettura, permette agli utenti di fruire dello stesso reportage in modi diversi: c’è chi preferisce leggere la sintesi classica, chi vuole consultare una cronologia interattiva, chi un elenco di domande frequenti (FAQ) o chi preferisce concentrarsi solo sul confronto dei dati numerici.
Le sfide dell’IA: i cinque limiti che i giornalisti devono superare
Nonostante le enormi potenzialità, l’introduzione dell’intelligenza artificiale nel giornalismo investigativo si scontra con barriere complesse. Il primo ostacolo è legato alla qualità dei dati. Le inchieste, per loro natura, nascono spesso da informazioni incomplete, disordinate o nascoste intenzionalmente. Se i dati di partenza sono “sporchi”, l’automazione rischia di amplificare l’errore e produrre risultati fuorvianti. Per questo motivo il lavoro umano di negoziazione, raccolta e pulizia dei dataset resta un prerequisito insostituibile.
A questa situazione si aggiunge una forte dipendenza dei sistemi algoritmici da attori esterni, come colossi tecnologici, università o piattaforme cloud. Questa dinamica minaccia l’autonomia editoriale e solleva seri dubbi sulla sicurezza delle informazioni, sulla privacy e sulla reale protezione delle fonti, ricordandoci che la tecnologia non è mai neutrale ma rimodella i processi stessi del fare informazione.
Esiste poi un limite tecnico ed epistemico fondamentale: per fare inchiesta, le prove devono essere tracciabili, verificabili e difendibili in tribunale. I modelli di AI più potenti, come le reti neurali profonde, funzionano spesso come “scatole nere” opache di cui è impossibile spiegare il ragionamento. Per ovviare a questo problema, molte redazioni preferiscono sacrificare un po’ di potenza a favore della trasparenza, scegliendo modelli di machine learning più interpretabili. È il caso degli alberi decisionali che analizzano i dati attraverso una serie di domande a bivio per arrivare a una conclusione logica o delle random forest, che mettono insieme decine di questi alberi per ottenere un voto collettivo e più stabile. Sapere esattamente quale percorso logico ha seguito la macchina è l’unico modo che il giornalista ha per garantire l’accuratezza della sua inchiesta.
Infine, a pesare sono anche i limiti linguistici ed economici. I migliori strumenti di AI sul mercato sono addestrati in inglese e tarati su contesti culturali occidentali, creando una barriera che penalizza i giornalisti del Sud del mondo e rischia di rafforzare le gerarchie geopolitiche esistenti invece di democratizzare l’informazione.
Sul fronte economico, sebbene l’AI possa accelerare l’analisi dei documenti, non cancella i costi vivi del giornalismo. Il lavoro sul campo, la protezione dei testimoni, le verifiche incrociate e le tutele legali richiedono un investimento umano enorme. Le piccole redazioni locali, prive di budget per infrastrutture tecnologiche o ingegneri dedicati, rischiano così di rimanere escluse da questa transizione, ampliando il divario con le grandi testate internazionali.
Ma dunque cosa serve nelle redazioni? Il vero motore del cambiamento è la collaborazione multidisciplinare. Le moderne inchieste nascono dall’incontro ravvicinato tra reporter, programmatori, esperti legali, scienziati dei dati e specialisti della sicurezza. In questo ecosistema emerge una figura chiave, ovvero il “facilitatore di confine”. Si tratta di un professionista capace di fare da ponte tra la redazione e il team tecnico, traducendo le necessità giornalistiche in strumenti informatici concreti.
Allo stesso tempo, diventa vitale una profonda alfabetizzazione digitale. Le redazioni devono sviluppare una solida consapevolezza critica riguardo ai limiti della tecnologia, imparando a gestire rischi concreti come le allucinazioni dell’IA, i pregiudizi linguistici e la dipendenza dalle grandi piattaforme proprietarie.
