Internet ha conosciuto spam, clickbait, content farm e SEO content molto prima di ChatGPT, Claude e degli altri sistemi di intelligenza artificiale generativa.
Esisteva già un’economia costruita sulla produzione di grandi quantità di materiale mediocre progettato per intercettare ricerche, visualizzazioni e pubblicità. La generative AI non ha inventato quel modello economico. Lo ha però reso enormemente più efficiente.
È in questo scenario che l’espressione “AI slop” è entrata stabilmente nel lessico digitale per descrivere la produzione sintetica seriale e superficiale, spesso generata con poco controllo umano e scarso valore informativo.
La questione interessante è che lo slop sta progressivamente smettendo di essere soltanto una categoria estetica. Il fenomeno è diventato anche un oggetto di ricerca. Il paper peer-reviewed Why Slop Matters, pubblicato su ACM AI Letters, individua tre caratteristiche ricorrenti dello slop: una competenza superficiale, cioè l’apparenza di qualità senza una sostanza equivalente; una forte asimmetria dello sforzo, perché generare il contenuto richiede molto meno lavoro di quanto ne richieda valutarlo o consumarlo; e la producibilità di massa.
Indice degli argomenti
La reazione delle piattaforme all’AI slop
La risposta non è arrivata tutta insieme e non esiste, almeno per ora, una strategia comune. Se osserviamo però in sequenza le decisioni prese negli ultimi due anni, emerge un cambiamento di approccio.
All’inizio il problema era soprattutto la trasparenza: aiutare l’utente a sapere se ciò che stava guardando fosse reale o sintetico. Poi è arrivato il controllo: permettergli di vedere meno contenuti AI. Infine sono comparse forme più incisive di intervento: limitazione della distribuzione, modifica degli algoritmi di ranking e rimozione degli incentivi economici.
Uno dei primi grandi interventi è arrivato da Meta nel 2024. Nel febbraio di quell’anno l’azienda ha annunciato l’intenzione di identificare le immagini generate dall’intelligenza artificiale pubblicate su Facebook, Instagram e Threads utilizzando segnali tecnici condivisi dall’industria, tra cui metadata e standard come C2PA.
Pochi mesi dopo Meta ha esteso l’approccio a una gamma più ampia di immagini, video e audio sintetici. Ma il primo esperimento ha messo subito in evidenza uno dei problemi che ancora oggi accompagna questo tipo di moderazione: fotografie reali sottoposte anche a semplici elaborazioni attraverso software dotati di funzioni AI potevano ricevere il bollino “Made with AI”.
La società ha così modificato l’etichetta nel più prudente “AI info”, distinguendo maggiormente tra contenuti generati artificialmente e contenuti reali soltanto modificati con strumenti che utilizzano l’intelligenza artificiale.
È un precedente importante. Perché ancora prima di domandarsi se limitare lo slop, le piattaforme devono risolvere una questione molto più complicata: dove comincia esattamente un contenuto AI?
Etichette, filtri e monetizzazione
Nel 2025 Pinterest ha seguito una strada analoga. Ad aprile ha iniziato a distribuire globalmente etichette sui Pin che i propri sistemi identificavano come generati o modificati mediante AI. La piattaforma non si limita ai metadata: utilizza anche classificatori automatici e ha previsto un sistema di ricorso per i creator che ritengano un proprio contenuto erroneamente classificato.
A ottobre è arrivato un secondo passaggio: la possibilità per gli utenti di indicare di voler vedere meno contenuti generativi in determinate categorie, dall’arte alla moda, dall’arredamento allo sport.
Sempre nel 2025 è intervenuta YouTube. Dal 15 luglio la precedente policy sui “repetitious content” è stata rinominata “inauthentic content”, rendendo più esplicito che contenuti ripetitivi o prodotti in serie non sono idonei alla monetizzazione. YouTube ha precisato un punto fondamentale: la regola vale indipendentemente dallo strumento utilizzato. Non è quindi un divieto di produrre video attraverso l’AI. Il discrimine è la produzione industrializzata di contenuti generici, intercambiabili e privi di un contributo creativo o informativo significativo.
È forse uno dei passaggi più interessanti dell’intera vicenda. Una piattaforma non deve necessariamente stabilire se un video sia stato prodotto con Veo, con un software tradizionale o con una combinazione dei due. Può decidere semplicemente se quel contenuto meriti di essere economicamente incentivato.
Alla fine del 2025 anche TikTok ha annunciato la sperimentazione di un controllo dedicato ai contenuti AI all’interno della funzione “Manage Topics”, dando agli utenti la possibilità di influenzare la quantità di AIGC presente nel For You feed.
Nel marzo 2026 X ha adottato invece un intervento ancora più direttamente economico e concentrato su una categoria ad alto rischio. Dal 3 marzo, chi pubblica video generati dall’AI raffiguranti conflitti armati senza dichiararne l’origine sintetica può essere sospeso per 90 giorni dal programma di revenue sharing. Successive violazioni possono determinare l’esclusione permanente dai pagamenti.
Poco dopo è intervenuta Snapchat. Nell’aprile 2026 ha annunciato di voler dare maggiore visibilità su Spotlight ai contenuti originali realizzati attraverso la fotocamera di Snapchat, spiegando che gli utenti avrebbero visto meno video sintetici generati con AI e meno contenuti distribuiti in maniera massiva su più piattaforme.
A luglio TikTok è tornata sull’argomento annunciando nuovi test per individuare gli account dedicati alla pubblicazione di spam AI.
Sempre a luglio è arrivata Substack, con una soluzione ancora diversa. La piattaforma ha integrato la tecnologia di Pangram consentendo ai lettori di sottoporre post, Notes, commenti e risposte pubblicati dal 21 luglio 2026 in poi a un’analisi che stima quanto del testo sia umano o AI-assisted. L’autore può disabilitare la funzione, ma in quel caso il lettore visualizza che la detection non è disponibile.
È un esperimento radicale perché porta la verifica direttamente nel rapporto tra autore e lettore.
Infine LinkedIn, forse il caso simbolicamente più interessante. Dopo aver integrato negli anni precedenti strumenti generativi per aiutare gli utenti a scrivere e migliorare i propri post, nel 2026 la piattaforma ha iniziato a muoversi nella direzione opposta. Hari Srinivasan, Chief Product Officer di LinkedIn, ha definito lo slop un problema per la piattaforma e ha spiegato che LinkedIn sta lavorando su nuovi classificatori capaci di identificare contenuti AI generici o di bassa qualità, riducendone la presenza soprattutto tra i contenuti consigliati provenienti da fuori della propria rete. La società sta inoltre ampliando gli strumenti attraverso i quali gli utenti possono segnalare post e commenti che “sembrano AI slop”.
La piattaforma dichiara di intercettare ogni giorno centinaia di migliaia di tentativi di commenti automatizzati e di aver bloccato miliardi di altri tentativi di automazione negli ultimi mesi.
A questo mosaico di iniziative private si è aggiunta dal 2 agosto 2026 la regolamentazione europea. L’articolo 50 dell’AI Act introduce obblighi di trasparenza relativi, tra le altre cose, alla marcatura e alla rilevabilità dei contenuti generati o manipolati artificialmente e all’etichettatura dei deepfake e di determinate pubblicazioni AI. Le ammende previste possono arrivare fino a 15 milioni di euro o al 3% del fatturato mondiale totale dell’esercizio precedente.
In appena due anni siamo quindi passati da semplici bollini informativi a una governance molto più complessa: metadata e watermark, detection automatica, filtri personalizzabili, feedback degli utenti, ranking, demonetizzazione e obblighi normativi.
Quanto AI c’è davvero nel web?
A questo punto sorge però una domanda: quanto è grande realmente il fenomeno? La risposta è meno semplice di quanto facciano pensare le percentuali che circolano online.
Il primo problema è metodologico. Gli studi non misurano tutti la stessa cosa. Un testo interamente scritto da un modello, un articolo umano corretto con ChatGPT, un post costruito a partire da appunti dell’autore e un contenuto prodotto automaticamente da un bot possono finire sotto etichette simili pur rappresentando fenomeni molto differenti.
E soprattutto AI-generated non è sinonimo di AI slop.
Un primo indicatore interessante arriva da Pangram Labs, società che sviluppa tecnologie di AI detection. Nel 2026 ha analizzato 1.002.627 contenuti provenienti da LinkedIn, Medium, Substack, X e Reddit, raccolti attraverso gli utenti che avevano scelto di condividere in forma anonima i dati della sua estensione Chrome.
Nel dataset complessivo, il 13,8% degli elementi è stato classificato come interamente AI-generated.
Ma la percentuale cresceva insieme alla lunghezza. Tra i contenuti superiori alle 250 parole, il 25,72%, quindi poco più di uno su quattro, risultava completamente generato dall’intelligenza artificiale.
LinkedIn emergeva come la piattaforma con la maggiore concentrazione: oltre il 40% dei post long-form analizzati veniva classificato come interamente AI-generated. I contenuti LinkedIn rappresentavano circa un terzo del campione, ma costituivano il 62% di tutto il materiale classificato come AI.
Su X il quadro era diverso: il 23,9% degli articoli risultava interamente AI-generated e un altro 22,9% AI-assisted o misto. Complessivamente, quindi, quasi metà degli articoli analizzati mostrava un intervento dell’intelligenza artificiale.
Reddit, invece, emergeva come ambiente molto più umano nelle conversazioni: il 98,1% delle risposte analizzate risultava scritto da persone. I post principali avevano però una probabilità molto maggiore di essere generati artificialmente.
Pangram è allo stesso tempo produttore dello studio e venditore dello strumento utilizzato per realizzarlo. Il campione, inoltre, deriva dagli utenti della sua estensione e non rappresenta necessariamente l’intera popolazione dei social network.
Questo non rende i dati inutili. Impedisce però di trasformarli automaticamente in una fotografia definitiva del web.
Un nuovo sito su tre contiene già scrittura AI
Possiamo allora allargare lo sguardo oltre i social network.
Nel 2026 Jonas Dolezal, Sawood Alam, Mark Graham e Maty Bohacek hanno pubblicato il preprint The Impact of AI-Generated Text on the Internet, costruendo attraverso l’Internet Archive un campione rappresentativo di siti pubblicati tra il 2022 e il 2025.
Secondo la ricerca, a metà del 2025 circa il 35% dei nuovi siti web analizzati risultava AI-generated o AI-assisted, contro valori sostanzialmente nulli prima del lancio pubblico di ChatGPT alla fine del 2022. È un dato che restituisce con particolare efficacia la velocità della trasformazione.
In meno di tre anni, secondo questa stima, l’intelligenza artificiale sarebbe passata da una presenza praticamente irrilevante nella nuova produzione web a un coinvolgimento in circa un sito su tre.
Ma la ricerca offre anche un risultato più interessante e meno intuitivo.
Gli autori hanno trovato una correlazione significativa tra aumento dei testi AI e riduzione della diversità semantica, oltre che un aumento del sentiment positivo. Non hanno trovato invece evidenze statisticamente significative che l’aumento del contenuto sintetico stia riducendo la correttezza fattuale o la diversità stilistica del web.
L’argomento scientificamente più solido non è quindi che “l’AI sta rendendo Internet falso”. Almeno sulla base di questa ricerca, potremmo trovarci piuttosto davanti a un web più semanticamente uniforme, nel quale una quantità crescente di contenuti tende a riproporre idee, formulazioni e impostazioni simili.
Quando misuriamo davvero lo slop, i numeri cambiano
Se restringiamo il campo e cerchiamo di misurare non semplicemente il contenuto generato dall’AI ma il vero e proprio slop, le percentuali cambiano sensibilmente.
Uno degli studi più interessanti è stato pubblicato nel 2025 su JMIR Medical Education. I ricercatori hanno analizzato 1.082 video di educazione biomedica, 814 provenienti da YouTube e 268 da TikTok.
Il risultato: 57 video su 1.082, pari al 5,3% del campione, sono stati classificati come slop. Su YouTube erano 47 su 814, cioè il 5,8%. Su TikTok 10 su 268, il 3,7%.
Un dato particolarmente interessante riguarda gli Shorts. Rappresentavano soltanto il 34,3% dei video YouTube analizzati, ma concentravano 37 dei 47 casi di slop, cioè il 78,7%.
Gli autori avvertono che la metodologia, costruita per identificare soprattutto i casi più evidenti, potrebbe sottostimare il fenomeno. Ma c’è un altro risultato che merita attenzione: non sono state individuate differenze statisticamente significative nei tassi di visualizzazione, like e commenti tra i video classificati come slop e la popolazione complessiva analizzata.
In altre parole, almeno in questo campione, il mercato dell’attenzione non sembra capace di eliminare automaticamente i contenuti di bassa qualità. Se lo slop non viene necessariamente punito dagli utenti, la sua produzione può continuare a essere economicamente razionale.
Dalla content farm alla fabbrica automatizzata di attenzione
AI Forensics ha studiato quelli che definisce Agentic AI Accounts: account capaci di utilizzare processi automatizzati per generare, pubblicare e testare continuamente nuovi contenuti. Nel corso di un mese sono stati osservati 354 account TikTok in 20 lingue. Complessivamente hanno pubblicato più di 43.000 post, prevalentemente prodotti attraverso l’intelligenza artificiale, raggiungendo 4,5 miliardi di visualizzazioni. Più del 65% degli account era stato creato nei primi mesi del 2025.
Secondo AI Forensics, TikTok aveva applicato un’etichetta AI a meno dell’1,38% dei contenuti osservati.
È forse qui che la parola “slop” rischia di farci sottovalutare ciò che sta accadendo. Non dobbiamo pensare soltanto a milioni di persone che individualmente chiedono a ChatGPT di scrivere un post motivazionale. Possiamo avere infrastrutture capaci di generare molte versioni di uno stesso messaggio, pubblicarle, misurarne le performance, scartare quelle che funzionano meno e continuare a produrre le varianti che intercettano meglio le preferenze degli algoritmi. La content farm diventa così qualcosa di più simile a un sistema automatico di ottimizzazione dell’attenzione.
L’intelligenza artificiale sta già lasciando tracce nel linguaggio scientifico
Dmitry Kobak, Rita González-Márquez, Emőke-Ágnes Horvát e Jan Lause hanno analizzato oltre 14 milioni di abstract PubMed pubblicati tra il 2010 e il 2024 cercando improvvisi aumenti nell’utilizzo di parole tipicamente sovrarappresentate negli output dei large language model.
Dopo la diffusione di ChatGPT compaiono aumenti anomali di determinate espressioni e parole. Attraverso questa metodologia, gli autori stimano che almeno il 10% degli abstract del 2024 mostri segnali compatibili con un’elaborazione attraverso LLM, con percentuali che raggiungono il 30% in alcuni sottoinsiemi del corpus.
Il dato non significa naturalmente che il 10% della ricerca scientifica sia “slop”.
Significa qualcosa di probabilmente più importante: l’utilizzo dei large language model è diventato abbastanza diffuso da produrre effetti statistici misurabili sul linguaggio pubblicato.
Questo rende sempre meno semplice anche l’opposizione tra “scrittura umana” e “scrittura AI”.
I modelli sono stati addestrati su testi prodotti dalle persone. Gli esseri umani leggono oggi quotidianamente testi prodotti dai modelli. Espressioni, strutture sintattiche, formule retoriche e convenzioni linguistiche possono quindi passare continuamente dagli uni agli altri.
A un certo punto potrebbe diventare sempre meno utile chiedersi se una determinata costruzione linguistica “sembri ChatGPT”, perché anche il nostro modo di scrivere potrebbe essere stato influenzato dall’esposizione continua agli output dei modelli.
E se non fossimo capaci di riconoscere l’AI?
Qui emerge un ulteriore problema per le piattaforme che stanno costruendo sistemi di segnalazione e detection.
Siamo realmente capaci di distinguere un testo umano da uno prodotto dall’intelligenza artificiale?
Uno studio peer-reviewed pubblicato nel 2025 su Advances in Simulation ha confrontato tre sistemi automatici di AI detection e cinque valutatori umani, sottoponendo loro testi completamente umani, testi modificati dall’AI con intensità differenti e testi interamente generati artificialmente.
L’accuratezza complessiva dei valutatori umani è stata appena del 19%, un valore che gli autori definiscono indistinguibile dal caso.
Neppure i detector automatici hanno restituito risultati perfettamente coerenti. I tre strumenti erano capaci di distinguere statisticamente le diverse condizioni, ma mostravano differenze rilevanti nei punteggi assegnati, con valori di concordanza compresi tra 0,57 e 0,95. Gli autori concludono che questi sistemi possono offrire indicazioni utili, ma non dovrebbero essere utilizzati da soli per stabilire se qualcuno abbia fatto un uso improprio dell’AI.
Più cresce lo stigma nei confronti dei contenuti sintetici, maggiore diventa il danno potenziale prodotto da un falso positivo. E più i modelli migliorano, meno sarà probabilmente possibile stabilire la provenienza di un testo osservandone semplicemente lo stile.
Per creator e aziende l’autenticità può diventare un vantaggio competitivo
La risposta delle piattaforme suggerisce quindi che stiamo entrando in una fase diversa della creator economy.
Nel primo decennio dei social uno dei problemi principali era riuscire a produrre abbastanza: pubblicare con continuità, presidiare più canali, realizzare articoli, video, fotografie e post sufficienti ad alimentare costantemente gli algoritmi.
L’intelligenza artificiale ha abbattuto quella barriera.
Oggi potremmo trovarci davanti al problema opposto: dimostrare che dietro ciò che viene pubblicato esiste davvero qualcosa che valga la pena ascoltare. Per un’azienda, utilizzare un modello linguistico per correggere un testo, tradurlo, analizzare informazioni o organizzare una prima bozza difficilmente rappresenterà di per sé un problema.
Il confine può quindi spostarsi dall’utilizzo dello strumento alla responsabilità sull’output. Chi ha avuto l’idea? Chi possiede l’esperienza raccontata? Chi ha verificato i dati? Chi è disposto a rispondere di quello che viene pubblicato? Che cosa aggiunge quel contenuto alle migliaia di varianti che un modello potrebbe produrre partendo dallo stesso prompt?
Sono domande editoriali prima ancora che tecnologiche.
E hanno una conseguenza economica.
Se chiunque può produrre in pochi secondi una fotografia perfetta, un testo grammaticalmente corretto o un post formalmente impeccabile, la perfezione tecnica perde progressivamente parte del proprio valore differenziale. Diventano più preziosi altri segnali: una competenza riconoscibile, un’esperienza diretta, dati originali, accesso a fonti, una posizione argomentata, una voce personale.
La guerra all’AI slop non è una guerra all’intelligenza artificiale
Nei prossimi anni sarà probabilmente sempre più difficile stabilire quanta AI esista dentro un singolo contenuto.
Un articolo potrà nascere da una ricerca umana, essere strutturato attraverso un modello linguistico, riscritto dall’autore, corretto da un secondo sistema e tradotto da un terzo.
Una fotografia reale potrà essere modificata attraverso strumenti generativi. Un video girato da una persona potrà utilizzare una voce sintetica, una colonna sonora AI e alcuni fotogrammi artificiali.
Dividere il web in due categorie nette, “umano” e “artificiale”, rischia quindi di diventare non soltanto tecnicamente difficile, ma anche concettualmente poco utile.
La vera linea di conflitto potrebbe quindi non passare tra uomini e macchine. Passa tra abbondanza e attenzione, automazione e responsabilità, produzione e valore.
L’intelligenza artificiale ha reso possibile generare una quantità di contenuti che nessuna società umana avrebbe potuto produrre con gli stessi costi e la stessa velocità. Non ha però aumentato nella stessa misura il tempo che abbiamo a disposizione per leggerli, guardarli, comprenderli e verificarli.
Questa sproporzione potrebbe essere una delle conseguenze più importanti della generative AI.
Per decenni il web è cresciuto sull’assunto implicito che una maggiore quantità di contenuti significasse anche una maggiore quantità di informazione, scelta e conoscenza. L’AI slop mette in discussione quell’equazione.
Ed è allora che ciò che fino a ieri sembrava ordinario può diventare una nuova forma di scarsità: sapere che dietro un articolo esiste qualcuno che ha davvero studiato il problema; che dietro una fotografia c’è qualcuno che si trovava realmente in quel luogo; che dietro un’opinione esiste una persona disposta ad assumersene la responsabilità.
Forse il web non sta davvero cercando di tornare indietro. Sta semplicemente scoprendo che, nell’epoca della produzione artificiale potenzialmente infinita, l’autenticità umana è una risorsa scarsa e va preservata.
Studi e ricerche citati
Kommers C., Duede E., Gordon J., Holtzman A. et al. (2026), Why Slop Matters, ACM AI Letters, 1(1), DOI 10.1145/3786777.
https://doi.org/10.1145/3786777
Jones E. M., Newman J. D., Kim B., Fogle E. J. (2025), AI-Generated “Slop” in Online Biomedical Science Educational Videos: Mixed Methods Study of Prevalence, Characteristics, and Hazards to Learners and Teachers, JMIR Medical Education, 11.
https://mededu.jmir.org/2025/1/e80084
Dolezal J., Alam S., Graham M., Bohacek M. (2026), The Impact of AI-Generated Text on the Internet, arXiv:2604.26965. Preprint.
https://arxiv.org/abs/2604.26965
Kobak D., González-Márquez R., Horvát E.-Á., Lause J. (2024), Delving into ChatGPT usage in academic writing through excess vocabulary, arXiv:2406.07016. Preprint.
https://arxiv.org/abs/2406.07016
https://doi.org/10.48550/arXiv.2406.07016
Cheng A., Lin Y., Reedy G. et al. (2025), Ability of AI detection tools and humans to accurately identify different forms of AI-generated written content, Advances in Simulation, 10:66.
https://doi.org/10.1186/s41077-025-00396-6
https://pubmed.ncbi.nlm.nih.gov/41272826
Spero M., Aerts A. / Pangram Labs (2026), AI Content Is Everywhere on Social Media, Especially LinkedIn. Analisi di 1.002.627 post social.
https://www.pangram.com/blog/ai-in-your-feed
AI Forensics (2025), Prompt, Upload, Repeat: Agentic AI Accounts Flood TikTok. Analisi di 354 account TikTok in 20 lingue.
https://www.aiforensics.org/work/agentic-ai-accounts
Meta – Labeling AI-Generated Images on Facebook, Instagram and Threads
Meta – Our Approach to Labeling AI-Generated Content and Manipulated Media
YouTube – Channel monetization policies / Inauthentic content
https://support.google.com/youtube/answer/1311392
Pinterest – Introducing Gen AI Labels
https://newsroom.pinterest.com/news/introducing-gen-ai-labels
Pinterest – New controls over GenAI content
TikTok – More ways to spot, shape and understand AI-generated content
https://newsroom.tiktok.com/more-ways-to-spot-shape-and-understand-ai-generated-content?lang=en-GB
TikTok – Helping people spot and understand AI-generated content, luglio 2026
X – Creator Revenue Sharing
https://help.x.com/en/using-x/creator-revenue-sharing
X – Creator Monetization Standards
https://help.x.com/en/rules-and-policies/content-monetization-standards
Snap – Still Spotlight… But Still Real
https://newsroom.snap.com/still-spotlight-but-still-real
Substack – How can I detect AI on Substack?
https://support.substack.com/hc/en-us/articles/50891130623508-How-can-I-detect-AI-on-Substack
LinkedIn – Hari Srinivasan sull’AI slop
Commissione europea – Guidelines on transparency obligations under Article 50 of the AI Act
Commissione europea – FAQ sugli obblighi di trasparenza dell’articolo 50
https://digital-strategy.ec.europa.eu/it/faqs/transparency-obligations-under-article-50-ai-act
Partecipa alla community