visibilità e concorrenza

Algoritmi di ranking, chi decide cosa vediamo e chi resta invisibile


Indirizzo copiato

Gli algoritmi di ranking determinano la visibilità di prodotti, contenuti e opportunità, influenzando concorrenza e comportamenti. Tra DSA, DMA e GDPR emerge un rischio ancora poco presidiato: governare non soltanto le decisioni automatizzate, ma anche la distribuzione dell’attenzione

Pubblicato il 18 nov 2026

Adriano Bertolino

Esperto in Privacy e Cybersecurity, CyberLegal & Compliance Manager



AI Questions Icon
Chiedi all'AI
Riassumi questo articolo
Approfondisci con altre fonti
ChatGPT Image 10 nov 2026, 15_58_03




Il ranking porta con sé un paradosso regolatorio. Le norme sull’intelligenza artificiale hanno insegnato alle imprese a cercare il rischio nei sistemi che decidono: il credito negato, il candidato scartato, la transazione bloccata. Un sistema che ordina, invece, raramente viene percepito come un sistema che decide, eppure stabilisce ogni giorno quali prodotti, contenuti, offerte, notizie e opportunità avranno davvero la possibilità di essere scelti. Il prodotto in prima posizione, il video che parte dopo quello precedente, il profilo che il selezionatore apre per primo: prima ancora di convincerci, l’algoritmo ha già deciso chi potrà provarci.

Sul piano economico la differenza è tutt’altro che sottile. Un marketplace può esporre cento articoli e lasciare formalmente libero il consumatore; se però le prime posizioni assorbono la gran parte dei clic, la distribuzione dell’attenzione diventa una variabile di mercato, con vincitori e perdenti che nessun provvedimento ha mai nominato. Il rischio di compliance risiede quindi anche nell’algoritmo che ordina, oltre che in quello che decide; e poiché non pronuncia mai un “no” formale, tende a restare fuori dai registri.

Ranking algoritmico: il potere di ordinare oltre l’AI Act

Il primo errore è trattare il ranking come un capitolo dell’AI Act. Un ordinamento può nascere da regole deterministiche, modelli statistici o machine learning, e combinare similarità tra utenti, probabilità di clic, margine atteso e decine di altri segnali. Molti di questi sistemi non sono sistemi di AI ai sensi del Regolamento e, tra quelli che lo sono, pochi ricadono nell’alto rischio: il caso più evidente è la selezione del personale, inclusa nell’Allegato III, i cui obblighi dopo il Digital Omnibus (Reg. UE 2026/1744) si applicheranno dal 2 dicembre 2027. Partire dall’AI Act restringe il campo proprio dove il rischio è più diffuso.

La disciplina del ranking è distribuita tra norme con finalità diverse. Il DSA impone alle piattaforme online di indicare nelle condizioni generali i parametri principali dei sistemi di raccomandazione e le opzioni per modificarli, con una funzionalità “direttamente e facilmente accessibile” dove i contenuti vengono ordinati (art. 27), e alle piattaforme di dimensioni molto grandi almeno un’opzione non basata sulla profilazione (art. 38).

Il Regolamento UE 2019/1150 (Platform-to-Business/P2B) chiede trasparenza sui parametri di posizionamento verso gli utenti commerciali: l’algoritmo può restare riservato, ma il segreto commerciale non giustifica il silenzio sui parametri principali. Il Codice del consumo, dopo il d.lgs. 26/2023, rende rilevanti le informazioni sui parametri di classificazione (art. 22, comma 4-bis) e considera sempre ingannevole non segnalare risultati a pagamento o posizionamenti acquistati (art. 23, comma 1, lett. m-bis). Il DMA, infine, vieta ai gatekeeper di favorire i propri servizi nel posizionamento (art. 6, par. 5).

Qui si annida un punto cieco tipico delle PMI digitali. L’art. 27 DSA, come l’intera sezione sulle piattaforme online, non si applica a micro e piccole imprese (art. 19); le regole consumeristiche sul ranking non prevedono questa esenzione. Il piccolo marketplace che si crede fuori dal perimetro DSA resta quindi esposto all’AGCM, mentre P2B e coordinamento DSA fanno capo ad AGCOM, la profilazione al Garante privacy e i grandi operatori alla Commissione europea. Il filo comune è uno solo: l’ordine non è neutrale, e chi lo determina deve saperlo spiegare.

La funzione obiettivo del ranking è una scelta di governance

Personalizzare non equivale a manipolare. Uno streaming che propone contenuti pertinenti crea valore; un e-commerce che ordina migliaia di articoli per rilevanza rende possibile una scelta altrimenti impraticabile. Il problema nasce quando obiettivo del sistema e interesse dell’utente divergono, e questa divergenza raramente emerge dai dati: emerge dalla funzione obiettivo.

Si immaginino due sistemi identici, alimentati dagli stessi dati: il primo ottimizza un indicatore composito di soddisfazione (pertinenza, feedback negativi, diversità, probabilità di abbandono), il secondo soltanto il tempo di permanenza. Per qualche settimana i risultati saranno quasi sovrapponibili, poi le traiettorie si separeranno, e un audit fermo alla domanda “quali dati usa l’algoritmo?” non avrà visto nulla.

La domanda da aggiungere è più scomoda: che cosa sta cercando di massimizzare? Se il KPI dominante è il click-through rate, il sistema premierà ciò che produce clic; se è la permanenza, ciò che trattiene; se è il margine, le offerte più redditizie. Nulla di tutto ciò è illecito in sé.

La compliance deve però misurare la distanza tra il “parametro principale” dichiarato e ciò che il sistema ottimizza davvero, perché in quella distanza si collocano tanto l’omissione ingannevole quanto il rischio sistemico. In termini pratici, la funzione obiettivo va documentata, approvata e riesaminata come ogni scelta che incide sul profilo di rischio, con un owner di business che ne risponda.

Self-preferencing ed exposure bias: come misurare la visibilità

La decisione del 23 luglio 2026, con cui la Commissione europea ha sanzionato Alphabet per 460 milioni di euro ai sensi dell’art. 6, par. 5, DMA, va letta oltre l’importo. Google riservava ai propri servizi di shopping, hotel, trasporti e risultati sportivi una visibilità superiore grazie alla collocazione in testa alla pagina e a formati visivi e filtri che i concorrenti non ottenevano con la stessa evidenza: il favore passava tanto per la posizione quanto per la forma.

La Commissione ha inoltre preso atto delle proposte di Google per estendere i principi della decisione ad AI Overviews e AI Mode, segnale che il tema si sta spostando dalla lista di risultati alla risposta generata, dove il secondo posto non esiste.

Il self-preferencing è la forma più visibile della disuguaglianza di esposizione. Nel ranking il bias raramente esclude: il venditore resta sul marketplace ma compare a pagina tre, la notizia non viene rimossa ma circola poco, il professionista resta ricercabile ma non entra mai tra i risultati visualizzati. Nessun singolo output è scorretto, e per questo il problema sfugge ai controlli costruiti per verificare decisioni puntuali.

Occorre misurare l’esposizione nel tempo e per segmenti: quota di impression per categoria di offerta o di fornitore, distribuzione delle prime posizioni, differenze tra utenti comparabili, concentrazione sui contenuti già popolari, penalizzazione delle nuove offerte, peso delle variabili che fanno da proxy. Su questo terreno compliance e data science devono condividere metriche e soglie; altrimenti ciascuna funzione certificherà la propria porzione di un rischio che nessuno vede per intero.

Profilazione e ranking algoritmico: dove GDPR e DSA si sovrappongono

Sul piano privacy serve precisione. Gran parte dei sistemi di raccomandazione effettua profilazione ai sensi dell’art. 4, n. 4), GDPR, ma da ciò non discende automaticamente l’art. 22, che presuppone una decisione basata unicamente su un trattamento automatizzato con effetti giuridici o analogamente significativi.

Il confine, tuttavia, si è spostato. Con la sentenza SCHUFA (C-634/21) la Corte di giustizia ha ricondotto alla nozione di decisione il punteggio da cui un terzo fa dipendere in modo determinante la propria scelta; le Linee guida EDPB 3/2025 su DSA e GDPR, adottate in versione definitiva il 17 settembre 2026, non escludono che la presentazione di specifici contenuti costituisca una decisione, specie per offerte di lavoro e di alloggio. Il selezionatore evocato in apertura è il caso più netto: se legge soltanto le prime venti candidature, per chi resta oltre la ventesima posizione l’intervento umano semplicemente non avviene.

Anche fuori dall’art. 22 il ranking resta dentro il GDPR: base giuridica, trasparenza, minimizzazione, inferenze su categorie particolari di dati, coerenza tra finalità dichiarate e uso effettivo. Il GDPR governa i dati con cui si personalizza; il DSA guarda anche al modo in cui la personalizzazione viene presentata.

L’art. 25 DSA vieta le interfacce che ingannano o manipolano, con una clausola spesso trascurata: non si applica alle pratiche già coperte dalla disciplina sulle pratiche commerciali sleali o dal GDPR (par. 2). Per il ranking rivolto ai consumatori il primo terreno di contestazione resta quindi il Codice del consumo; sul versante privacy, l’EDPB precisa che l’opzione non profilata dell’art. 38 non può essere scoraggiata e che, una volta scelta, la profilazione deve fermarsi davvero.

Il ranking diventa design manipolativo quando ordine, interfaccia, notifiche e personalizzazione sono progettati insieme per spingere l’utente dove non ha scelto di andare.

Quando una modifica del ranking diventa una decisione di governance

L’enforcement europeo si è spostato proprio qui, dal contenuto all’architettura che lo distribuisce. Il 6 febbraio 2026 la Commissione ha notificato a TikTok conclusioni preliminari sul design che induce dipendenza (scorrimento infinito, riproduzione automatica, notifiche push, raccomandazioni altamente personalizzate), giudicando inefficaci gli strumenti di gestione del tempo e di controllo parentale; il 10 luglio conclusioni analoghe hanno riguardato Instagram e Facebook.

A gennaio, la Commissione ha aperto un procedimento per verificare se X avesse valutato i rischi delle funzionalità di Grok prima di integrarle nel servizio, estendendo contestualmente l’indagine sui suoi sistemi di raccomandazione. È la logica dell’art. 34 DSA, che impone alle piattaforme molto grandi di valutare i rischi sistemici anche prima di introdurre funzionalità che possono incidervi in modo critico, e include la progettazione dei sistemi di raccomandazione tra i fattori da considerare.

Per le altre organizzazioni l’obbligo non è lo stesso, ma la logica vale. Aumentare il peso di una categoria, spostare un’offerta, introdurre una variabile di engagement o un segnale tratto da dati personali può cambiare, insieme alla performance commerciale, il profilo regolatorio del servizio.

La controtesi è seria: un’impresa digitale esegue decine, talvolta centinaia, di esperimenti al mese, e sottoporli tutti a un comitato paralizzerebbe il prodotto. È vero; servono però soglie di materialità definite in anticipo: modifica della funzione obiettivo, nuove fonti di dati o possibili proxy, variazioni di esposizione oltre soglia per categorie di utenti o fornitori, cambiamenti nei posizionamenti a pagamento o nel trattamento dei servizi propri, impatti sui minori.

Sotto soglia il test resta una questione di prodotto; sopra soglia diventa un evento di governance, da tracciare per poter ricostruire perché la modifica è stata decisa, quali effetti erano attesi, quali sono emersi e chi poteva fermarla.

La matrice di controllo: evidenze e responsabilità

La matrice che segue traduce queste domande in evidenze verificabili e responsabilità assegnate tra product manager, data scientist, DPO, IT e compliance.

Domanda di controlloEvidenza da conservareOwner prevalente
Che cosa ottimizza il ranking e chi ha fissato il KPI?Scheda del caso d’uso, objective function documentata, KPI approvati e data di riesameProduct manager
Quali dati e segnali determinano l’ordine? Quali fanno da proxy?Data flow, feature catalogue, analisi di proxy e inferenzeData scientist + DPO
La profilazione ha base giuridica e trasparenza? L’opzione non profilata è reale?Registro dei trattamenti, DPIA ove necessaria, informativa, test UX delle opzioniDPO
L’esposizione è coerente con quanto dichiarato?Exposure analysis per categoria e segmento, report periodici con soglie di allertaData scientist + Compliance
Posizionamenti a pagamento e servizi propri sono identificati e segnalati?Registro dei placement a pagamento, criteri di etichettatura, verifica Codice del consumo e DMACompliance
I parametri dichiarati sono quelli che pesano davvero?Confronto tra condizioni generali e feature importance, sezione informativa dedicataCompliance + Product manager
Come si rilascia, si traccia e si sospende una modifica?Change log, test pre/post release, soglie di materialità, workflow approvativo, rollback testatoIT + Product manager

Letta per righe, la matrice è una checklist di audit; letta per colonne, mostra quanto poco del rischio stia nelle mani della sola funzione legale. Anche il ranking, come ogni sistema che incide sui processi, non si governa a silos: il product manager fissa spesso l’obiettivo reale, il data scientist lo traduce in pesi, il commerciale introduce incentivi e posizionamenti a pagamento, il DPO valuta la profilazione, la compliance legge gli obblighi DSA, consumeristici e concorrenziali, l’IT garantisce la tracciabilità dei rilasci.

Se ciascuno presidia la propria porzione, nessuno governa l’effetto complessivo, che nei sistemi di raccomandazione è la vera unità di rischio: nessuna scelta appare decisiva da sola, ma la loro somma orienta milioni di comportamenti.

Governare il ranking prima che l’ordine governi il mercato

Anche il vertice deve cambiare domanda. Più che verificare se i termini di servizio descrivano i “parametri principali”, conviene chiedersi chi in azienda sappia dire quali siano davvero, se l’alternativa non profilata sia utilizzabile o soltanto disponibile, quante modifiche del ranking siano uscite nell’ultimo trimestre senza valutazione d’impatto e chi possa sospendere un sistema che produce effetti indesiderati.

La proposta del Digital Fairness Act è destinata a intervenire su personalizzazione e design che induce dipendenza, chi costruisce oggi questa governance guadagna tempo; chi aspetta dovrà ricostruirla a posteriori, sotto la pressione di un’istruttoria.

Ogni peso spostato in un ranking decide dell’attenzione di qualcun altro: la governance serve a dare a quella decisione un nome, una ragione e una traccia.

Fonti essenziali

Unione europea, Regolamento (UE) 2022/2065 – Digital Services Act, in particolare artt. 19, 25, 27, 34, 35 e 38.

Unione europea, Regolamento (UE) 2019/1150 – P2B, art. 5; Commissione europea, Orientamenti sulla trasparenza del posizionamento (2020/C 424/01), 8 dicembre 2020.

Unione europea, Regolamento (UE) 2022/1925 – Digital Markets Act, art. 6, par. 5; Commissione europea, decisioni di non conformità nei confronti di Alphabet, 23 luglio 2026 (IP/26/1670).

D.lgs. 6 settembre 2005, n. 206 – Codice del consumo, artt. 22, comma 4-bis, e 23, comma 1, lett. m-bis), come modificati dal d.lgs. 7 marzo 2023, n. 26.

Unione europea, Regolamento (UE) 2016/679 – GDPR, artt. 4, n. 4), e 22; Corte di giustizia UE, causa C-634/21, SCHUFA Holding, 7 dicembre 2023.

EDPB, Guidelines 3/2025 on the interplay between the Digital Services Act and the GDPR, versione 2.0, 17 settembre 2026.

Unione europea, Regolamento (UE) 2024/1689 – AI Act, Allegato III, punto 4; Regolamento (UE) 2026/1744 – Digital Omnibus on AI.

Commissione europea, conclusioni preliminari DSA nei confronti di TikTok (6 febbraio 2026) e di Meta per Instagram e Facebook (10 luglio 2026); avvio del procedimento su Grok ed estensione dell’indagine sui sistemi di raccomandazione di X (26 gennaio 2026).

Partecipa alla community

guest

0 Commenti
Più recenti
Più votati
Inline Feedback
Vedi tutti i commenti

People&Change

Tutti
CARRIERE
AI E LAVORO
COMPETENZE
Produttività e AI
AI IN AZIENDA
SCENARI
FORMAZIONE
CULTURA AZIENDALE
AI in azienda
Carriera
AI leadership
Leggi l'articolo Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
competenze
Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
Leggi l'articolo AI e lavoro, chi beneficerà davvero del tempo risparmiato?
scenari
AI e lavoro, chi beneficerà davvero del tempo risparmiato?
Leggi l'articolo Industria 5.0, chi difende le competenze quando decide l’AI
scenario
Industria 5.0, chi difende le competenze quando decide l’AI
Leggi l'articolo AI e lavoro in Italia: perché la formazione non può aspettare
l'analisi
AI e lavoro in Italia: perché la formazione non può aspettare
Leggi l'articolo Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
lo studio
Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
Leggi l'articolo Shadow AI in azienda: come governare rischi, dati e sicurezza
policy
Shadow AI in azienda: come governare rischi, dati e sicurezza
Leggi l'articolo AI e lavoro: i rischi di adottarla senza riprogettare i processi
collaborazione uomo-ai
AI e lavoro: i rischi di adottarla senza riprogettare i processi
Leggi l'articolo Diritto a un call center umano: banco di prova per il futuro con l’AI
la sentenza
Diritto a un call center umano: banco di prova per il futuro con l’AI
Leggi l'articolo Shadow AI, vietarla non basta: il problema sono i processi aziendali
scenari
Shadow AI, vietarla non basta: il problema sono i processi aziendali
Leggi l'articolo Longevità e lavoro: come riprogettare la propria carriera
scenari
Longevità e lavoro: come riprogettare la propria carriera
Leggi l'articolo People Pleaser sul lavoro: perché è difficile dire di no
lavoro e SOCIETÀ
People Pleaser sul lavoro: perché è difficile dire di no
Leggi l'articolo Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
imprese e formazione
Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
Leggi l'articolo Skills contro job title: le competenze trasformano i team nell’era dell’AI
competenze e lavoro
Skills contro job title: le competenze trasformano i team nell’era dell’AI
Leggi l'articolo Shadow AI in azienda: rischi, controlli e strumenti di governance
uso non approvato dell’AI
Shadow AI in azienda: rischi, controlli e strumenti di governance
Leggi l'articolo L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
risorse umane
L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
Leggi l'articolo Gestione del cambiamento nell’AI: strategie per un’adozione efficace
la guida
Gestione del cambiamento nell’AI: strategie per un’adozione efficace
Leggi l'articolo Team ibridi, le regole per coordinare persone e agenti IA
leader aumentato
Team ibridi, le regole per coordinare persone e agenti IA
Leggi l'articolo Dimissioni e carriera: quando e come decidere di lasciare un lavoro
scenari
Dimissioni e carriera: quando e come decidere di lasciare un lavoro
Leggi l'articolo AI leadership, come cambiare la governance delle organizzazioni
AI e organizzazioni
AI leadership, come cambiare la governance delle organizzazioni
Leggi l'articolo AI in azienda, l’adozione si blocca senza una nuova leadership
Oltre l'AI Fatigue
AI in azienda, l’adozione si blocca senza una nuova leadership
Leggi l'articolo Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
competenze
Primo lavoro e carriera: le dinamiche invisibili che guidano il successo
Leggi l'articolo AI e lavoro, chi beneficerà davvero del tempo risparmiato?
scenari
AI e lavoro, chi beneficerà davvero del tempo risparmiato?
Leggi l'articolo Industria 5.0, chi difende le competenze quando decide l’AI
scenario
Industria 5.0, chi difende le competenze quando decide l’AI
Leggi l'articolo AI e lavoro in Italia: perché la formazione non può aspettare
l'analisi
AI e lavoro in Italia: perché la formazione non può aspettare
Leggi l'articolo Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
lo studio
Produttività e AI: il vantaggio cresce ai vertici, meno tra i dipendenti
Leggi l'articolo Shadow AI in azienda: come governare rischi, dati e sicurezza
policy
Shadow AI in azienda: come governare rischi, dati e sicurezza
Leggi l'articolo AI e lavoro: i rischi di adottarla senza riprogettare i processi
collaborazione uomo-ai
AI e lavoro: i rischi di adottarla senza riprogettare i processi
Leggi l'articolo Diritto a un call center umano: banco di prova per il futuro con l’AI
la sentenza
Diritto a un call center umano: banco di prova per il futuro con l’AI
Leggi l'articolo Shadow AI, vietarla non basta: il problema sono i processi aziendali
scenari
Shadow AI, vietarla non basta: il problema sono i processi aziendali
Leggi l'articolo Longevità e lavoro: come riprogettare la propria carriera
scenari
Longevità e lavoro: come riprogettare la propria carriera
Leggi l'articolo People Pleaser sul lavoro: perché è difficile dire di no
lavoro e SOCIETÀ
People Pleaser sul lavoro: perché è difficile dire di no
Leggi l'articolo Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
imprese e formazione
Master MIA a Cremona, il modello ibrido per portare l’AI in azienda
Leggi l'articolo Skills contro job title: le competenze trasformano i team nell’era dell’AI
competenze e lavoro
Skills contro job title: le competenze trasformano i team nell’era dell’AI
Leggi l'articolo Shadow AI in azienda: rischi, controlli e strumenti di governance
uso non approvato dell’AI
Shadow AI in azienda: rischi, controlli e strumenti di governance
Leggi l'articolo L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
risorse umane
L’AI accelera la conoscenza, non l’esperienza: il nuovo compito delle HR
Leggi l'articolo Gestione del cambiamento nell’AI: strategie per un’adozione efficace
la guida
Gestione del cambiamento nell’AI: strategie per un’adozione efficace
Leggi l'articolo Team ibridi, le regole per coordinare persone e agenti IA
leader aumentato
Team ibridi, le regole per coordinare persone e agenti IA
Leggi l'articolo Dimissioni e carriera: quando e come decidere di lasciare un lavoro
scenari
Dimissioni e carriera: quando e come decidere di lasciare un lavoro
Leggi l'articolo AI leadership, come cambiare la governance delle organizzazioni
AI e organizzazioni
AI leadership, come cambiare la governance delle organizzazioni
Leggi l'articolo AI in azienda, l’adozione si blocca senza una nuova leadership
Oltre l'AI Fatigue
AI in azienda, l’adozione si blocca senza una nuova leadership
0
Lascia un commento, la tua opinione conta.x