Introduzione: i chatbot come nuovi punti di riferimento

Le intelligenze artificiali conversazionali –​ ChatGPT, Claude, Gemini e altre –​ sono ormai presenti nella vita quotidiana di milioni di persone. Forniscono risposte immediate a richieste di sintesi di notizie, pianificazione di viaggi, ricette culinarie e persino consigli medici o psicoterapeutici. In molti casi stanno sostituendo i tradizionali motori di ricerca, diventando la prima fonte di informazione per gli utenti.

Tuttavia, la facilità d'uso e la rapidità di risposta non garantiscono la diversità delle informazioni offerte. Alcuni studi hanno già evidenziato che l'uso intensivo di questi sistemi può impoverire la nostra lingua e la nostra creatività, riducendo la varietà di espressioni e di idee a cui siamo esposti.

Il focus della ricerca: diversità epistemica

Fino ad ora, le indagini sui modelli linguistici si erano concentrate soprattutto sulla capacità di generare nuove idee e formulazioni originali. Perla di novità di questo studio è la valutazione della diversità epistemica, cioè la varietà delle informazioni che i chatbot estraggono e sintetizzano rispetto a una classica ricerca su Google.

Metodologia dello studio

Un team guidato da Dustin Wright, dell'Università di Aalborg (Danimarca), ha messo a confronto 27 grandi modelli linguistici (LLM) con i risultati della ricerca Google. Le fasi operative sono state:

    • Selezione di 200 prompt su 155 argomenti diversi, tutti basati su domande reali degli utenti. Tra gli argomenti spaziavano: armi nucleari, democrazia, inquinamento da plastica, pornografia, la caduta del Muro di Berlino, Vladimir Putin e il fenomeno K‑Pop.
    • Generazione di 1,7 milioni di risposte dai chatbot, contenenti complessivamente 70 milioni di singole affermazioni.
    • Confronto di tale produzione con le prime 40 risposte fornite da Google per le stesse domande.

Risultati principali: un panorama più ristretto

Secondo Wright, “ogni modello testato fornisce informazioni più uniformi rispetto a una semplice ricerca Google”. In altre parole, gli utenti tendono a ricevere le stesse informazioni più volte, riducendo la varietà di prospettive disponibili.

Il modello più diversificato, GPT‑5 di OpenAI, mostrava comunque una riduzione della varietà di almeno 18,7 % rispetto ai primi 40 risultati di Google. Quando la comparazione si limitava ai primi 20 risultati di Google, la differenza si attenuava, ma rimaneva comunque presente.

Le ricadute per gli utenti sono notevoli: affidandosi esclusivamente ai grandi LLM come fonte primaria di conoscenza, si corre il rischio di accontentarsi di un set di informazioni più ristretto rispetto a quello che una ricerca tradizionale potrebbe fornire.

Implicazioni sociali e culturali

La co‑autrice Isabelle Augenstein dell'Università di Copenhagen ha avvertito che “potremmo esporre le persone a meno prospettive e a uno spettro di conoscenza più limitato”. Un tale scenario potrebbe innescare un circolo vizioso: i contenuti più popolari diventano ancora più dominanti, mentre gli altri vengono progressivamente trascurati.

Perché la diversità è così bassa?

Il team di ricerca attribuisce il fenomeno a due fattori chiave:

    • Apprendimento da pattern predominanti: i LLM sono addestrati su enormi corpora testuali e imparano a replicare i modelli più frequenti. Ciò che è già diffuso viene amplificato, mentre le informazioni atipiche tendono a scomparire.
    • Rischio di dati “ciclati”: se i futuri modelli fossero addestrati sempre più su testi generati da altri chatbot, la gamma di contenuti si ridurrebbe ulteriormente, potenzialmente portando a un collasso della conoscenza.

Possibili contromisure: il ruolo del RAG

Nonostante le preoccupazioni, lo studio indica segni di speranza. Gli autori hanno osservato che i modelli più recenti tendono a fornire risposte leggermente più variegate rispetto ai loro predecessori, suggerendo che il fenomeno non sia ancora completo.

Una strategia promettente è il Retrieval‑Augmented Generation (RAG). Questa tecnica consente ai chatbot di recuperare informazioni da fonti esterne prima di formulare la risposta, inserendo così dati più freschi e potenzialmente più diversificati. Tuttavia, i modelli più grandi tendono a performare peggio in termini di varietà rispetto ai più piccoli, indicando che una semplice scalatura non è sufficiente.

Raccomandazioni per sviluppatori e utenti

Per i creatori di intelligenza artificiale, il messaggio è chiaro: “Aumentare la dimensione del modello non migliora la diversità epistemica; anzi, può danneggiarla”. È necessario progettare architetture che preservino la pluralità delle fonti e includano meccanismi come il RAG.

Per gli utenti, la raccomandazione è altrettanto importante:

    • Non fare affidamento esclusivo sulle risposte sintetizzate dai chatbot.
    • Consultare più fonti, inclusi i risultati di ricerca tradizionali, per catturare le sfumature e i punti di vista meno evidenti.
    • Mantenere un approccio critico e verificare le informazioni, specialmente su temi complessi o controversi.

Conclusioni

Lo studio di Wright e colleghi, pubblicato su arXiv nel 2026 (doi: 10.48550/arXiv.2510.04226), solleva una questione cruciale per il futuro della conoscenza digitale: se le intelligenze artificiali diventeranno la porta d’ingresso predominante al sapere, è fondamentale garantirne la capacità di riflettere la ricchezza e la complessità del panorama informativo globale.

Il rischio di un “collasso della conoscenza” è reale, ma può essere mitigato mediante l’adozione di tecniche come il RAG e una più attenta gestione dei dati di training. La sfida è bilanciare l’efficienza offerta dai chatbot con la necessità di mantenere una pluralità di prospettive, affinché gli utenti continuino a beneficiare di una visione ampia, critica e variegata del mondo.