Sempre più consumatori affidano agli assistenti AI il compito di condensare recensioni e informazioni prima di scegliere un prodotto, un albergo o un servizio. Ma la sintesi non si limita ad accorciare il passaparola: può nascondere le opinioni minoritarie, accentuare il giudizio prevalente e trasformare esperienze contraddittorie in un verdetto apparentemente neutro.
Indice degli argomenti
Dal cliente al riassunto del cliente
Il passaparola esiste da sempre. Le piattaforme di recensioni non lo hanno inventato: lo hanno reso pubblico, permanente e consultabile su una scala prima impossibile. Prima di acquistare una lavatrice, prenotare un albergo o scegliere un professionista, il consumatore può confrontare decine o migliaia di esperienze, individuare problemi ricorrenti e valutare direttamente le ragioni di chi è soddisfatto o deluso.
Naturalmente, non è proprio il paradiso. Esistono recensioni false, vendette personali, clienti entusiasti per motivi incomprensibili e utenti capaci di assegnare una stella a un ristorante perché fuori pioveva. Ma il materiale è lì, leggibile. Si possono confrontare le esperienze, riconoscere le esagerazioni e distinguere un problema ricorrente da un incidente isolato.
Le recensioni non sono scomparse. La novità è che, sempre più spesso, tra quelle testimonianze e il consumatore si inserisce un sistema incaricato di selezionarle, interpretarle e sintetizzarle. Il cambiamento non riguarda quindi l’esistenza delle recensioni, ma il modo in cui vengono trasformate prima di raggiungere chi deve decidere.
Il passaggio è già misurabile. In un’indagine Adobe su 5.000 consumatori statunitensi, il 39% dichiarava di avere utilizzato strumenti di AI generativa durante gli acquisti online. Tra questi utenti, il 55% li aveva impiegati per cercare informazioni sui prodotti e il 47% per ricevere raccomandazioni [1].
L’obiettivo è comprensibile. Quando un prodotto raccoglie centinaia o migliaia di commenti, la scelta non è più tra leggere tutto e leggere un riassunto. È tra affidarsi a una sintesi e selezionare casualmente cinque recensioni, magari le prime, le più recenti o le più arrabbiate.
L’AI riduce quindi un problema reale: il sovraccarico informativo. Ma lo risolve sostituendo una moltitudine di testimonianze con una sola voce. Ed è proprio in questa trasformazione che cominciano i guai.
La sintesi non abbrevia il giudizio: lo ricostruisce
Un riassunto non è una riproduzione in scala dell’originale: è una sua ricostruzione. Il sistema decide quali argomenti conservare, quali eliminare, quali accorpare, quanto spazio concedere ai giudizi positivi e negativi e come trasformare espressioni diverse in una frase comune. Se cento utenti scrivono cento cose leggermente differenti, deve stabilire quali differenze siano rumore e quali informazione.
Nel paper Polarity Calibration for Opinion Summarization, presentato alla conferenza NAACL 2024, Yuanyuan Lei e gli altri autori hanno analizzato modelli impiegati per riassumere recensioni di prodotti e opinioni politiche. La conclusione è poco rassicurante: i sistemi tendevano ad amplificare la polarità prevalente, enfatizzando le opinioni maggioritarie e trascurando quelle minoritarie [2].
Il fenomeno è facile da comprendere. Se 80 recensioni sono positive e 20 negative, una sintesi fedele non dovrebbe necessariamente dedicare metà del testo a ciascuna posizione. Ma non dovrebbe neppure tradurre quella distribuzione nella frase: “Gli utenti sono soddisfatti”.
In quella formula scompaiono almeno tre informazioni: esiste un dissenso, riguarda un quinto dei recensori e potrebbe concentrarsi su una caratteristica specifica del prodotto.
Il riassunto conserva il risultato generale e cancella la struttura del giudizio. È la differenza tra dire che un partito ha vinto le elezioni e mostrare come hanno votato i diversi territori. La prima informazione è corretta. La seconda permette di capire che cosa è realmente accaduto.
Quando cambia il tono, cambia anche l’acquisto
Il problema non è soltanto teorico.
Nel lavoro Quantifying Cognitive Bias Induction in LLM-Generated Content, pubblicato negli atti IJCNLP-AACL 2025, i ricercatori hanno valutato cinque famiglie di LLM impegnate in attività di sintesi e verifica delle informazioni. Mediamente, il sentiment o l’inquadramento del testo originario veniva modificato nel 26,42% delle sintesi. Nel 10,12% dei casi emergeva inoltre un effetto di primacy: il riassunto attribuiva un peso sproporzionato alle informazioni collocate all’inizio del testo [3].
Una recensione moderatamente critica poteva così diventare un riassunto sostanzialmente positivo. Il prodotto funzionava bene, ma aveva una batteria deludente e accessori fragili; il riassunto conservava il pregio e lasciava semplicemente per strada i difetti. Non inventava nulla: selezionava la parte del giudizio capace di renderlo più favorevole.
Gli autori hanno poi verificato che cosa accadeva alle decisioni dei consumatori. In un esperimento con 70 partecipanti, i prodotti accompagnati da sintesi positivamente riformulate venivano scelti nell’83,7% dei casi. Quando gli stessi prodotti erano presentati attraverso le recensioni originarie, dal tono neutro o negativo, la percentuale scendeva al 52,3%.
La disponibilità a pagare aumentava inoltre del 4,5% rispetto al prezzo del prodotto di confronto [3].
Il campione è limitato e l’esperimento non può essere trasformato in una previsione generale sull’intero commercio elettronico. Ma dimostra che una variazione introdotta durante la sintesi non resta confinata alle parole: può modificare la scelta e il valore economico attribuito all’oggetto, contribuendo così a orientare il mercato.
La maggioranza prende tutto
Il criterio più intuitivo per costruire un riepilogo consiste nell’individuare gli argomenti menzionati più spesso. È anche quello più facile da presentare al consumatore: “La maggior parte degli utenti apprezza la qualità”, “Molti clienti criticano la durata della batteria”, “Gli ospiti lodano la posizione”.
Amazon descrive i propri riepiloghi AI come brevi testi che evidenziano i temi comuni e i sentimenti positivi, neutrali e negativi presenti nelle recensioni. La società dichiara inoltre di utilizzare un corpus di recensioni provenienti da acquisti verificati [4].
È un’impostazione ragionevole. Se un difetto viene segnalato da centinaia di acquirenti, il sistema deve renderlo visibile. Ma frequenza e importanza non sono sinonimi.
Dieci utenti possono lamentarsi del colore poco fedele alle fotografie, mentre un solo utente può segnalare che il dispositivo si è surriscaldato. Se il modello ragiona esclusivamente per ricorrenza, il colore diventa un tema e il surriscaldamento un dettaglio. Statisticamente impeccabile, praticamente assurdo: la lettura diretta permette di riconoscere che un’esperienza rara può essere più importante di cento osservazioni ricorrenti ma innocue.
Un secondo studio, REFER: Mitigating Bias in Opinion Summarisation via Frequency Framed Prompting, ha mostrato che la rappresentazione delle diverse opinioni migliora quando il modello viene indotto a ragionare attraverso frequenze esplicite. Non genericamente “molti sono favorevoli”, ma “sette opinioni su dieci sono favorevoli, tre sono contrarie”. Il metodo ha ottenuto risultati migliori soprattutto con modelli più grandi e istruzioni di ragionamento più strutturate [5].
Per impedire al modello di trasformare il consenso in unanimismo, bisogna ricordargli di contare.
Il caso Tripadvisor e i problemi che spariscono
La differenza tra un problema frequente e un problema grave non è un esercizio accademico.
Nel luglio 2026, un’indagine dell’associazione britannica Which? ha confrontato alcuni riepiloghi AI di Tripadvisor con le recensioni pubblicate dagli utenti. In diversi casi, le sintesi restituivano descrizioni complessivamente rassicuranti di strutture interessate da segnalazioni molto più serie.
Per un resort di Capo Verde, Which? aveva individuato 102 menzioni di intossicazioni alimentari. Tra dicembre 2025 e aprile 2026 erano inoltre comparse 32 recensioni da una o due stelle; 14 riferivano che almeno un componente del gruppo si era ammalato gravemente. Il riepilogo continuava però a privilegiare camere spaziose, intrattenimento, personale cordiale e varietà della ristorazione [6].
Il caso non dimostra che tutte le sintesi di Tripadvisor siano inattendibili né che i contenuti delle recensioni costituiscano automaticamente fatti accertati. Una piattaforma non può trasformare ogni accusa individuale in una sentenza.
Ma tra trasformare una testimonianza in un fatto accertato e farla sparire dal riepilogo esiste una terza possibilità: segnalarne l’esistenza, indicarne la frequenza e la data, collegarla alle recensioni originali e lasciare al consumatore la valutazione finale.
La sintesi perfettamente levigata piace alle piattaforme perché riduce l’attrito. Il consumatore non deve fermarsi, confrontare, dubitare: legge il verdetto e procede. Peccato che, quando si sceglie un albergo, quell’attrito possa essere esattamente ciò che evita una pessima vacanza.
L’oggettività recitata dall’AI
Le sintesi automatiche possiedono un altro vantaggio persuasivo: non sembrano avere interessi.
Un cliente può essere prevenuto, arrabbiato o euforico. Un’impresa vuole vendere. Un influencer può essere pagato. L’AI, invece, parla con il tono del notaio elettronico: “Gli utenti apprezzano generalmente il prodotto, pur segnalando alcuni problemi minori”.
Chi siano questi utenti, quanti siano, quali problemi abbiano incontrato e perché siano stati definiti minori non è dato sapere. Ma la frase è ben stirata e quindi pare oggettiva.
Uno studio pubblicato nel 2026 sul Journal of Business Research ha esaminato la risposta dei consumatori a riepiloghi attribuiti all’AI o a persone. In quattro esperimenti, i partecipanti reagivano più favorevolmente alle sintesi AI quando queste utilizzavano espressioni probabilistiche verbali, come “la maggior parte”. Il vantaggio era mediato dalla percezione di oggettività e dalla fiducia.
Quando la stessa informazione veniva espressa numericamente, per esempio “l’89% degli utenti”, il vantaggio attribuito all’AI scompariva [7].
Il numero riduce lo spazio dell’autorità retorica: “La maggior parte” è un’interpretazione; “Ottantanove su cento” è un dato che il lettore può valutare.
È dunque possibile che proprio l’assenza di esperienza, normalmente considerata un limite dell’AI, diventi una risorsa persuasiva. La macchina non ha provato il prodotto, non ha dormito nell’albergo e non ha parlato con l’assistenza clienti. Però, siccome non ha provato nulla, viene percepita come meno coinvolta e quindi più imparziale.
L’ignoranza, con il tono giusto, diventa distacco professionale.
Dalla reputazione alla rappresentazione algoritmica
Per le imprese il cambiamento è altrettanto profondo.
La reputazione online non dipende più soltanto da ciò che scrivono i clienti, dalla media delle stelle o dalla visibilità delle singole recensioni. Dipende anche dal modo in cui una piattaforma o un assistente ricostruisce quelle informazioni.
Entrano in gioco la finestra temporale selezionata, le fonti recuperate, le lingue comprese, il peso assegnato alla recenza, le categorie riconosciute, il metodo di classificazione del sentiment e le istruzioni impartite al modello.
Due sistemi possono leggere lo stesso insieme di recensioni e produrre giudizi differenti senza inventare nulla. Basta che uno privilegi i temi più frequenti e l’altro quelli più recenti; che uno raggruppi “batteria debole” e “autonomia insufficiente”, mentre l’altro li consideri problemi distinti; che uno descriva dieci segnalazioni negative come “alcuni clienti” e l’altro come “un problema ricorrente”.
La reputazione diventa così una rappresentazione algoritmica della reputazione.
Un’impresa potrebbe ricevere cento recensioni dettagliate e scoprire che il suo principale difetto, secondo l’AI, è un elemento secondario. Oppure beneficiare temporaneamente di un riepilogo troppo positivo, salvo poi pagarlo con aspettative irrealistiche.
Uno studio pubblicato su Tourism Management ha analizzato l’introduzione delle sintesi AI su Ctrip attraverso un esperimento quasi naturale. I ricercatori hanno riscontrato, dopo l’introduzione del sistema, una riduzione delle valutazioni successive e una maggiore dispersione dei punteggi. Un esperimento controllato ha indicato come possibile meccanismo il carattere sistematicamente positivo delle sintesi, capace di gonfiare le aspettative prima del viaggio [8].
Il riepilogo favorevole può dunque aiutare la conversione e danneggiare la soddisfazione. Il cliente compra più convinto, arriva più fiducioso e resta più deluso.
Non proprio il miracolo commerciale che sembrava nella presentazione PowerPoint.
Il vero prezzo della comodità
Le sintesi AI non distruggono il passaparola digitale: lo riscrivono nella lingua di chi domanda, rendendo più facile delegare al sistema non soltanto la lettura delle opinioni, ma anche il giudizio da ricavarne.
Il consumatore crede di ricevere una versione abbreviata delle recensioni. In realtà ne riceve un’interpretazione già organizzata secondo la domanda che ha posto: il sistema non riduce soltanto la quantità di informazioni, ma anticipa una parte del lavoro critico necessario per valutarle.
Una sintesi utile dovrebbe quindi rendere visibili i propri criteri. Dovrebbe indicare quante recensioni sono state analizzate, come si distribuiscono i giudizi, quale periodo è stato considerato e se dietro una valutazione apparentemente uniforme esista una forte polarizzazione. Dovrebbe inoltre distinguere ciò che ricorre spesso da ciò che, pur raro, può avere conseguenze gravi: una segnalazione sulla sicurezza o sulla salute non diventa irrilevante perché rappresenta un’eccezione statistica.
Ogni conclusione dovrebbe rimandare alle testimonianze originali e aiutare il consumatore a individuare quelle pertinenti alla propria situazione. Altrimenti le opinioni non vengono soltanto riassunte: vengono tradotte in una risposta già pronta, nella quale la pluralità diventa consenso, la distribuzione un aggettivo e l’eccezione rumore.
Per le imprese, invece, si apre un nuovo terreno reputazionale. Non sarà più sufficiente sapere che cosa dicono i clienti. Bisognerà sapere che cosa l’AI dice che i clienti hanno detto.
E magari controllare che, nel frattempo, non abbia deciso di mettersi d’accordo con la maggioranza.
Riferimenti
[1] Adobe. “Traffic to U.S. Retail Websites from Generative AI Sources Jumps 1,200 Percent.” Adobe Analytics, 17 marzo 2025.
[2] Lei, Yuanyuan, et al. “Polarity Calibration for Opinion Summarization.” Proceedings of NAACL 2024, pp. 5211–5224, 2024. DOI: 10.18653/v1/2024.naacl-long.291.
[3] Alessa, Abeer, et al. “Quantifying Cognitive Bias Induction in LLM-Generated Content.” Proceedings of IJCNLP-AACL 2025, pp. 2890–2910, 2025. DOI: 10.18653/v1/2025.ijcnlp-long.155.
[4] Amazon. “Here’s How Amazon’s AI-Generated Review Highlights Help You Make Better Shopping Decisions.” About Amazon, 30 luglio 2024.
[5] Huang, Nannan, Haytham M. Fayek e Xiuzhen Zhang. “REFER: Mitigating Bias in Opinion Summarisation via Frequency Framed Prompting.” Proceedings of the 5th New Frontiers in Summarization Workshop, pp. 74–93, 2025. DOI: 10.18653/v1/2025.newsum-main.6.
[6] Pasola, Kate. “Why Isn’t Tripadvisor Warning Guests about Dangerous Hotels?.” Which?, 2 luglio 2026.
[7] Chai, Shaowei, Yaping Chang e Han Wang. “How Consumers Respond to AI- versus Human-Generated Review Summaries: The Moderating Role of Verbal versus Numerical Probability Expressions.” Journal of Business Research, vol. 214, 116245, 2026. DOI: 10.1016/j.jbusres.2026.116245.
[8] Wang, Yujie, et al. “Too Concise to Decide? The Impact of AI-Generated Review Summaries on Tourist Decision Satisfaction.” Tourism Management, vol. 115, 105415, 2026. DOI: 10.1016/j.tourman.2026.105415.
Partecipa alla community