L’intelligenza artificiale può riassumere migliaia di recensioni in pochi secondi. Ma quali opinioni vengono rappresentate e quali rischiano di scomparire? Una sintesi utile deve preservare non soltanto le opinioni più diffuse, ma anche la diversità dei punti di vista.
Prima di prenotare un albergo, acquistare uno smartphone o scegliere un ristorante, molti di noi leggono le recensioni pubblicate online. Sono diventate uno degli strumenti più utilizzati per orientare le nostre decisioni. Il problema è che, quando le recensioni sono centinaia o migliaia, leggerle tutte diventa praticamente impossibile. Ed è proprio qui che entra in gioco l’intelligenza artificiale.
Sempre più piattaforme utilizzano sistemi di AI generativa per sintetizzare le opinioni degli utenti. Invece di leggere centinaia di commenti, possiamo ottenere un breve testo che riassume i principali punti di forza e di debolezza di un prodotto o di un servizio. È una possibilità estremamente utile, perché permette di trasformare grandi quantità di informazioni in pochi paragrafi facilmente comprensibili.
Ma c’è una domanda che raramente ci poniamo: quel riassunto rappresenta davvero ciò che pensano gli utenti?
Indice degli argomenti
Sintesi recensioni AI: il rischio di perdere le opinioni meno diffuse
Immaginiamo un albergo con mille recensioni. La maggior parte degli ospiti apprezza la posizione centrale, la pulizia e la cortesia del personale. Un gruppo più piccolo segnala invece problemi con l’insonorizzazione delle camere, mentre alcuni clienti lamentano addebiti inattesi. Un sistema automatico potrebbe produrre una sintesi complessivamente positiva, concentrandosi sugli aspetti più frequentemente menzionati. Il risultato sarebbe plausibile, ma rischierebbe di nascondere informazioni importanti per chi sta decidendo se prenotare.
Il punto è che opinioni poco frequenti non sono necessariamente poco importanti. Un problema segnalato da pochi utenti può riguardare un aspetto decisivo per altri. Pensiamo a un dispositivo elettronico con ottime recensioni generali, ma con alcune segnalazioni di surriscaldamento. Oppure a un albergo molto apprezzato, ma con lamentele ricorrenti sull’accessibilità delle strutture. La frequenza di un’opinione non coincide sempre con la sua rilevanza.
Questo problema diventa ancora più evidente quando analizziamo grandi quantità di contenuti. I modelli linguistici, come quelli alla base di ChatGPT, possono elaborare testi e produrre sintesi molto efficaci, ma non garantiscono automaticamente che tutte le prospettive siano rappresentate in modo adeguato. Inoltre, analizzare intere raccolte di recensioni può richiedere una notevole quantità di risorse computazionali.
La questione, quindi, non riguarda soltanto la capacità dell’intelligenza artificiale di scrivere un buon riassunto. Riguarda soprattutto quali informazioni vengono selezionate prima di generarlo.
Come selezionare le recensioni più rappresentative con l’intelligenza artificiale
È proprio su questo aspetto che abbiamo lavorato in un recente studio, disponibile su arXiv[1]. Abbiamo sviluppato un approccio che permette ai modelli linguistici di produrre sintesi delle opinioni utilizzando una quantità molto ridotta di testo, cercando allo stesso tempo di preservare la varietà dei contenuti e dei punti di vista presenti nelle recensioni originali.
L’idea di partenza è relativamente semplice. Per ottenere una buona sintesi non è sempre necessario leggere tutte le recensioni. Potrebbe essere sufficiente selezionarne un numero molto più piccolo, a condizione che quelle scelte rappresentino adeguatamente l’intera raccolta.
Ma come possiamo individuare le recensioni più rappresentative?
Il campionamento stratificato per preservare argomenti ed emozioni
Nel nostro approccio, ogni opinione viene analizzata attraverso diverse dimensioni. Non consideriamo soltanto se una recensione sia positiva o negativa, ma anche gli argomenti trattati e le emozioni espresse. Due recensioni negative, ad esempio, potrebbero riferirsi a problemi completamente differenti: una alla qualità del servizio, l’altra alla pulizia. Se selezionassimo soltanto le opinioni negative più frequenti, rischieremmo di perdere questa distinzione.
Successivamente utilizziamo tecniche di campionamento stratificato, un principio già conosciuto in statistica, per selezionare un insieme ridotto di recensioni che conservi il più possibile la distribuzione delle diverse opinioni. In altre parole, cerchiamo di costruire una piccola rappresentazione dell’intera raccolta, mantenendo proporzioni, argomenti e sfumature. Soltanto a questo punto interviene il modello linguistico, che genera la sintesi finale.
La ricerca sulle sintesi AI: risultati e riduzione dei token
Per verificare l’efficacia dell’approccio abbiamo condotto esperimenti su tre contesti differenti: recensioni di prodotti Amazon, valutazioni di alberghi su Tripadvisor e discussioni politiche pubblicate su X, precedentemente Twitter. Quest’ultimo scenario è particolarmente interessante perché, quando si sintetizzano opinioni politiche, il rischio di privilegiare determinate posizioni o trascurarne altre assume un significato ancora più delicato.
I risultati mostrano che è possibile ridurre drasticamente la quantità di testo fornita al modello mantenendo una buona somiglianza semantica con le sintesi generate utilizzando l’intera raccolta. In un caso relativo alle recensioni di un albergo, ad esempio, abbiamo ottenuto una sintesi utilizzando soltanto 20 recensioni selezionate, passando da oltre 54.000 a circa 1.500 token, le unità di testo elaborate dai modelli linguistici. Una riduzione superiore al 97%, mantenendo un’elevata somiglianza con il riassunto completo.
Non si tratta soltanto di risparmiare risorse. Negli esperimenti, la selezione basata sulle caratteristiche delle opinioni ha permesso di preservare meglio gli argomenti trattati rispetto alla scelta casuale delle recensioni. Anche una valutazione condotta da esperti ha evidenziato una maggiore copertura delle informazioni e un migliore equilibrio tra i punti di vista rappresentati [1].
I limiti della selezione automatica delle opinioni
Naturalmente, questo approccio presenta dei limiti. Se l’analisi iniziale delle recensioni contiene errori, anche la selezione successiva può risentirne. Inoltre, quando un’opinione è estremamente rara, un campione molto piccolo potrebbe comunque non includerla. Una sintesi equilibrata non deve necessariamente attribuire lo stesso peso a tutte le posizioni, ma dovrebbe evitare che alcune scompaiano semplicemente a causa del metodo con cui vengono selezionati i contenuti.
Dalle recensioni alle decisioni: perché la rappresentatività dell’AI conta
Il tema va ben oltre le recensioni online. Pensiamo alle aziende che utilizzano l’intelligenza artificiale per comprendere le esigenze dei clienti, alle istituzioni che analizzano i commenti dei cittadini o ai sistemi che sintetizzano le discussioni sui social network. In tutti questi casi, una sintesi può influenzare decisioni concrete. E se alcune informazioni vengono trascurate, anche le decisioni successive possono risentirne.
Per molti anni ci siamo concentrati soprattutto sulla capacità dei sistemi di intelligenza artificiale di elaborare quantità crescenti di informazioni. Oggi dobbiamo affrontare anche un’altra sfida: assicurarci che la riduzione di queste informazioni non ne alteri il significato.
Perché una buona sintesi non è semplicemente un testo più corto. È un testo che riesce a conservare ciò che conta, senza cancellare la diversità delle opinioni da cui nasce.
E quando affidiamo all’intelligenza artificiale il compito di raccontarci cosa pensano migliaia di persone, dobbiamo ricordare una cosa: non basta che il riassunto sia convincente. Deve anche essere rappresentativo.
Riferimenti
[1] Marozzo, F., & Iannicelli, S. Large Language Models for Token-Efficient and Semantic-Preserving Opinion Summarization. arXiv:2607.10825 (2026). https://arxiv.org/abs/2607.10825
[2] Belcastro, L., et al. Balanced and Token-Efficient Summarization of User Reviews via Stratified Sampling and Large Language Models. ECML PKDD (2025).
Partecipa alla community