La riflessione sul ruolo della verità non è mai stata estranea alla psicologia delle comunicazioni, dimostrando che essa non si stabilisce mai soltanto sul piano logico o fattuale, quanto piuttosto attraverso parametri psicosociali quali, ad esempio, la fonte che ispira fiducia, il modo in cui un’affermazione viene formulata, la sua capacità di risultare immediatamente comprensibile e utilizzabile, solo per citarne alcuni (Hovland, Weiss, 1951; Petty, Cacioppo, 1986).
Eppure nella riflessione contemporanea questa antica questione assume un’attualità del tutto peculiare.
Indice degli argomenti
Dalla verità alla diffusione dei contenuti
La velocità dei ritmi comunicativi ha, infatti, creato una dicotomia tra “credere” e “condividere”, che ci porta ad alimentare informazioni a prescindere dal concetto di veridicità ad esse sotteso. Con il prevalere del digitale, i criteri con cui diffondiamo un contenuto sono legati prevalentemente a quanto impatto questi possono avere sulla nostra attenzione, quanto stimolano le nostre emozioni più antiche e come quel determinato contenuto sia scalabile in termini di valuta sociale.
Potremmo dire che la verità non è un parametro tanto avvincente per un contenuto quanto il valore della sua diffusione. Se un articolo è in trend topic verrà condiviso a prescindere dalla propria fondatezza, proprio perché ne parlano tutti e l’utente medio vuole poter partecipare alla conversazione pubblica al fine di capitalizzare quei segnali aggregati di popolarità, come like visualizzazione e commenti, che il tema garantisce.
Questo meccanismo impatta non solo sul nostro sistema di conoscenze, ma interviene più a monte sui processi attraverso cui valutiamo le informazioni, modificando i criteri con cui decidiamo che cosa meriti di essere creduto.
In queste dinamiche e mentre ancora si cerca di spiegare l’importanza del debunking alla massa che popola la rete, la questione si complica ulteriormente.
Non solo le fake news create ad hoc per attirare traffico sono e restano dietro l’angolo, ma ora c’è anche l’AI ad alterare la realtà, non più solo come informazione generata e non necessariamente attendibile, ma anche come produzione di immagini del tutto verosimili, che rendono ancora più complesse le sfumature tra ciò che è reale e ciò che non lo è. Il problema, allora, non riguarda più soltanto la possibilità di credere al falso ma anche la possibilità opposta, dubitare del vero. Se qualsiasi immagine può essere sospettata di essere artificiale, anche una prova autentica può perdere parte della propria forza epistemica. In questo modo viene coinvolta l’intera economia della credibilità e lo stesso debunking può diventare più fragile.
Nuovi parametri di vigilanza epistemica
Alla luce di questi cambiamenti, non conta più soltanto capire da chi provenga un’informazione o quanto sia fondata, ma appare rilevante chiedersi se sembri abbastanza credibile da poter essere ripresa e rimessa in circolo. È uno spostamento che modifica l’ecologia della fiducia e investe gli stessi processi di vigilanza epistemica ossia i meccanismi attraverso cui valutiamo un’informazione prima di accordarle credito (Sperber et al., 2010). La vigilanza epistemica non scompare, è ovvio, ma si trova oggi a operare in un ambiente in cui la fonte è più difficile da riconoscere e l’apparente solidità di un contenuto può precedere, e talvolta sostituire, la verifica della sua fondatezza.
Prendiamo la competenza della fonte, anzitutto, dal momento che cambia il modo in cui la competenza stessa ci appare. Un modello generativo può recuperare, riassumere e restituire informazioni con una velocità e una sicurezza espositiva che diventano esse stesse segnali di autorevolezza per l’utente finale. Non è necessario che la macchina sia realmente competente su tutto ciò di cui parla: basta che ne riproduca bene gli indizi.
Più complicato è il tema dell’affidabilità. La questione dell’honesty della fonte diventa più difficile da leggere sui contenuti prodotti da modelli generativi, proprio perché manca quell’intenzionalità che siamo abituati ad attribuire agli esseri umani. Un’allucinazione non è una menzogna nel senso umano del termine eppure, a livello percettivo, per chi riceve l’informazione il problema resta dal momento che distinguere un contenuto falso da uno corretto richiede troppo sforzo cognitivo. A complicare ulteriormente questo rapporto interviene la sycophancy che introduce un’altra variabile, perché un sistema può adattare la risposta alle aspettative dell’utente, fino a confermarle, più di quanto i dati permetterebbero e probabilmente converrebbe contraddirle. In questo caso il problema dell’affidabilità cambia ancora natura giacché una risposta può sembrarci convincente proprio perché restituisce ciò che siamo già inclini a credere (bias di conferma).
Quando l’influenza dell’AI non appare come persuasione
Ad esempio, Jakesch e colleghi hanno mostrato che un assistente di scrittura orientato verso una determinata posizione può modificare non solo ciò che le persone scrivono, ma anche le opinioni che esprimono successivamente (Jakesch et al., 2023). Letto attraverso il concetto di vigilanza epistemica, quindi, se l’influenza non si presenta come un tentativo esplicito di persuasione, abbiamo meno ragioni per riconoscerla come tale. Riceviamo un suggerimento di scrittura, un compito percepito come tecnico e neutro e proprio per questo l’orientamento del sistema può passare senza presentarsi mai come una tesi da vagliare.
Anche la semplice indicazione della provenienza può orientare il giudizio prima che il contenuto venga esaminato nel dettaglio, dal momento che le persone elaborano inferenze, mostrandosi più scettiche nei confronti dei titoli etichettati come generati dall’AI anche quando questi sono veri o, addirittura, effettivamente scritti da un essere umano (Altay & Gilardi, 2024). Il dato suggerisce che l’etichetta funzioni come un indizio capace di attivare inferenze sul modo in cui quel contenuto è stato prodotto. In assenza di spiegazioni precise, infatti, gli utenti tendono ad attribuire all’AI un ruolo molto più esteso di quello che potrebbe avere realmente, immaginando un processo interamente automatizzato quindi privo di supervisione umana; quando agli utenti viene invece chiarito che l’AI ha svolto una funzione circoscritta, come per esempio un controllo formale del testo, l’effetto negativo dell’etichetta tende a scomparire. L’etichetta “AI-generated” agisce dunque anche come una scorciatoia interpretativa inducendo il destinatario a formulare ipotesi sulla presenza di intenzionalità e responsabilità umana nel processo. La valutazione, quindi, arriva prima ancora della lettura approfondita.
Quando l’etichetta AI diventa un’euristica
Dal 2 agosto 2026 si applicano gli obblighi di trasparenza previsti dall’articolo 50 dell’AI Act (Regolamento UE 2024/1689) che introducono forme di marcatura e, in alcuni casi, di disclosure dei contenuti generati o manipolati dall’intelligenza artificiale con l’obiettivo di rendere riconoscibile l’origine artificiale di un contenuto. Nell’ottica dei legislatori, in questo modo chi legge può calibrare in maniera autonoma la propria fiducia rispetto a quel contenuto. Dal punto di vista psicologico, che è quello che ci interessa in questa sede, sappiamo che un’etichetta, una volta entrata nel campo percettivo, non resta un’informazione neutra.
Un recente studio sperimentale, per quanto non possa essere generalizzato, ci offre uno spunto interessante di riflessione relativa al ruolo di questa marcatura nel favorire la credibilità di un testo. Gli autori hanno, infatti, misurato l’effetto dell’etichettatura AI su contenuti di comunicazione scientifica, distinguendo tra informazione corretta e disinformazione con risultato controintuitivo: l’etichetta riduce significativamente la credibilità percepita dell’informazione quando questa è corretta, mentre aumenta quella della disinformazione. (Lin & Zhang, 2026)
Il risultato è quello che viene definito “truth-falsity crossover effect”: se il contenuto è corretto, vederlo etichettato come AI-generated fa scendere la credibilità percepita rispetto a non vederlo etichettato. Se il contenuto è falso, la stessa etichetta fa salire la credibilità percepita rispetto al contenuto non etichettato. Quindi l’etichetta nata per aumentare la trasparenza diventa un indizio euristico.
La machine heuristic e la percezione di neutralità
Già con il modello MAIN di Sundar (2008) sappiamo che alcune caratteristiche degli ambienti digitali ci offrono indizi rapidi su come interpretare ciò che vediamo. Un’etichetta, un numero di like, il fatto che un contenuto sembri prodotto da una macchina, la presenza di commenti o di una fonte riconoscibile possono attivare scorciatoie cognitive già presenti nell’utente. Nel momento in cui le persone vedono l’etichetta “AI” si può attivare un’euristica rapida, chiamata machine heuristic, che dice più o meno che se è stato fatto da una macchina è probabilmente più neutro e pertanto credibile. Il giudizio quindi si sposta in parte dalla qualità epistemica del contenuto alle rappresentazioni di ciascun soggetto sull’AI. In sostanza, vedere l’etichetta “AI”, non porta tutti alla stessa conclusione.
Per un contenuto “vero” gli indizi di competenza e responsabilità sono proprio quelli che normalmente lo renderebbero credibile: se l’etichetta li mette in ombra, il contenuto potrebbe perdere proprio la fonte della sua credibilità originaria e quindi la credibilità percepita diminuirebbe. Per un contenuto “falso”, invece, l’etichetta introduce un ulteriore indizio di neutralità senza migliorare la fondatezza del contenuto, anzi potrebbe aggiungere quella patina di neutralità oggettiva della macchina che il contenuto prima non aveva e la credibilità percepita ne gioverebbe. È un paradosso solo apparente. L’etichetta ci dice qualcosa sulla provenienza del contenuto, eppure il credito che attribuiamo continua a dipendere dagli indizi che siamo abituati a usare più quello nuovo che è l’etichetta stessa.
Al contempo, proprio quegli indizi – coerenza, fluidità, sicurezza, pertinenza – sono diventati facilmente riproducibili.
L’apparenza come indizio di verità
Proprio rispetto alla riproducibilità di indizi epistemici un altro aspetto da valutare è il ruolo del concetto di apparenza. Se, infatti, la vigilanza epistemica è ancora valida per calibrare la fiducia che accordiamo alle informazioni valutandone fonte e contenuto, non può che operare sugli indizi di cui disponiamo, che non coincidono necessariamente con la realtà che dovrebbero rappresentare.
La questione non è allora se smettiamo di essere epistemicamente vigili, ma se gli strumenti cognitivi attraverso cui esercitiamo questa vigilanza siano ancora adeguati a un ambiente nel quale l’apparenza della competenza può essere separata dalla fonte che tradizionalmente la garantiva.
Sappiamo quanto difficilmente le persone usino la verifica per giudicare la verità di un’affermazione e il ruolo, invece, che assume la semplicità con cui viene presentata. La sensazione soggettiva di facilità con cui un’informazione viene processata influenza i giudizi sulla sua affidabilità (Alter & Oppenheimer, 2009) così come semplificazione e reiterazione sono da sempre strumenti della comunicazione persuasiva, storicamente dalla pubblicità alla propaganda (Smiraglia 2009).
Il problema è che il segnale non distingue la fonte della fluidità. Una frase può risultare fluida perché è ben costruita, perché è familiare, perché è stata ripetuta o perché è vera. Sono cose diverse, ma nell’esperienza immediata possono somigliarsi.
Con un sistema generativo questo meccanismo cambia scala. Un modello linguistico non ha bisogno di argomentare una posizione per renderla facile da leggere: la restituisce con coerenza sintattica, assenza di esitazioni e leggibilità immediata. La forma dell’output diventa quindi parte del problema, perché produce quella sensazione di facilità che il lettore può scambiare per segnale di attendibilità.
Dalla fluidità alla rappresentazione della realtà
La fluidità, tuttavia, spiega solo una parte del problema dal momento che prima ancora di stabilire se qualcosa sia vero, dobbiamo stabilire che cosa abbiamo davanti ed è qui che il confine tra realtà e apparenza diventa meno netto di quanto un’etichetta possa suggerire.
Noi non reagiamo alla realtà nella sua complessità, ma alla rappresentazione che riusciamo a costruirne attraverso strumenti quali categorie, etichette e schemi, che rendono cognitivamente trattabile il nostro mondo instabile. In questo senso l’apparenza non è semplicemente il contrario della realtà, quanto il modo inevitabilmente parziale attraverso cui la realtà diventa per noi conoscibile, attraverso un meccanismo che prescinde dalla sincerità o dalla malevolenza di chi comunica.
Con l’intelligenza artificiale questo meccanismo incontra una situazione nuova. Se il percettore sociale è un avaro cognitivo, limitato nella capacità di elaborare informazione e incline a ricorrere a schemi automatici quando può, bastano pochi indizi per attivare una determinata rappresentazione dell’interlocutore (Fiske & Taylor, 1991; Taylor & Fiske, 1978). In poche parole, non è necessario che dietro una risposta esista davvero un soggetto competente perché la competenza venga percepita laddove sicurezza espositiva, capacità di rispondere in modo pertinente e fluidità sintattica diventano indizi a partire dai quali costruiamo un’impressione.
La novità è che oggi questi indizi possono essere prodotti da un sistema che riproduce le forme esteriori dell’interazione senza possedere necessariamente le proprietà interne che siamo abituati ad attribuire a chi le manifesta. Gli studi mostrano, non a caso, che le persone attribuiscono ai sistemi di AI dimensioni tipicamente sociali come competenza e calore (McKee, Bai, & Fiske, 2023).
Un contenuto falso può sembrare vero, ma diventano mobili anche le categorie attraverso le quali siamo abituati a distinguere umano e artificiale, autore e strumento, competenza reale e competenza percepita, rappresentazione e realtà.
A questo punto anche l’etichetta “generato con AI” assume un significato psicologico diverso. Può rispondere alla domanda “da dove proviene questo contenuto?”, ma non necessariamente a quella “questo contenuto è vero?”. Proprio perché categorizza immediatamente ciò che abbiamo davanti come artificiale, può attivare nuove euristiche e nuovi stereotipi che sono inevitabilmente il frutto dell’educazione che andremo a costruire attorno a questi temi, imparando a leggere le etichette senza smettere di valutare ciò che c’è dietro.
Bibliografia
Alter, A. L., & Oppenheimer, D. M. (2009). Uniting the tribes of fluency to form a metacognitive nation. Personality and Social Psychology Review, 13(3), 219–235.
https://doi.org/10.1177/1088868309341564
Altay, S., & Gilardi, F. (2024). People are skeptical of headlines labeled as AI-generated, even if true or human-made, because they assume full AI automation. PNAS Nexus, 3(10), pgae403.
https://doi.org/10.1093/pnasnexus/pgae403
Fiske, S. T., & Taylor, S. E. (1991). Social cognition (2nd ed.). McGraw-Hill.
Hovland, C. I., & Weiss, W. (1951). The influence of source credibility on communication effectiveness. Public Opinion Quarterly, 15(4), 635–650.
https://doi.org/10.1086/266350
Jakesch, M., Bhat, A., Buschek, D., Zalmanson, L., & Naaman, M. (2023). Co-writing with opinionated language models affects users’ views. Proceedings of the 2023 CHI Conference on Human Factors in Computing Systems, Article 111.
https://doi.org/10.1145/3544548.3581196
Lin, T., & Zhang, Y. (2026). Visible sources and invisible risks: Exploring the impact of AI disclosure on perceived credibility of AI-generated content. JCOM, 25(1), A09.
https://doi.org/10.22323/358020260107085703
McKee, K. R., Bai, X., & Fiske, S. T. (2023). Humans perceive warmth and competence in artificial intelligence. iScience, 26(8), 107256.
https://doi.org/10.1016/j.isci.2023.107256
Petty, R. E., & Cacioppo, J. T. (1986). The elaboration likelihood model of persuasion. In L. Berkowitz (Ed.), Advances in Experimental Social Psychology (Vol. 19, pp. 123–205). Elsevier.
https://doi.org/10.1016/S0065-2601(08)60214-2
Regolamento (UE) 2024/1689 del Parlamento europeo e del Consiglio, art. 50.
Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., Cheng, N., Durmus, E., Hatfield-Dodds, Z., Johnston, S. R., Kravec, S., Maxwell, T., McCandlish, S., Ndousse, K., Rausch, O., Schiefer, N., Yan, D., Zhang, M., & Perez, E. (2024). Towards understanding sycophancy in language models. International Conference on Learning Representations (ICLR).
Smiraglia, S., (2009). Le vie della persuasione sono infinite. Scriptaweb
Sperber, D., Clément, F., Heintz, C., Mascaro, O., Mercier, H., Origgi, G., & Wilson, D. (2010). Epistemic vigilance. Mind & Language, 25(4), 359–393.
https://doi.org/10.1111/j.1468-0017.2010.01394.x
Sundar, S. S. (2008). The MAIN model: A heuristic approach to understanding technology effects on credibility. In M. J. Metzger & A. J. Flanagin (Eds.), Digital media, youth, and credibility (pp. 73–100). The MIT Press.
Taylor, S. E., & Fiske, S. T. (1978). Salience, attention, and attribution: Top of the head phenomena. In L. Berkowitz (Ed.), Advances in Experimental Social Psychology (Vol. 11, pp. 249–288). Academic Press.
https://doi.org/10.1016/S0065-2601(08)60009-X
Partecipa alla community