Produzione di Contenuti con GenAI

IA Generativa e Media — Settimana 2

Fabio Giglietto

DISCUI · Università degli Studi di Urbino Carlo Bo

2 marzo 2026

Roadmap della lezione

1. I flussi di lavoro con GenAI — come cambiano i processi creativi
2. Prompt engineering avanzato — struttura, ruolo, formato
3. L’IA nella catena del valore giornalistica — dalla raccolta alla distribuzione
4. Qualità percepita vs. disponibilità a leggere — il paradosso dell’accettazione
5. Criteri di valutazione — come giudicare i contenuti generati dall’IA
6. Prossimi passi — deepfake e regolamentazione

Presentare la struttura della lezione. Oggi passiamo dalla teoria alla pratica della produzione di contenuti con IA generativa. Nella prima settimana abbiamo costruito i framework teorici (sistema mediale ibrido, paradosso dell’IA); oggi li applichiamo ai processi concreti di creazione di contenuti. Collegamento con il workshop di mercoledì scorso: approfondiremo il prompt engineering e aggiungeremo dati empirici sulla percezione dei contenuti IA.

I Flussi di Lavoro con GenAI

Sezione 1: come l’IA generativa trasforma i processi di produzione di contenuti. Non solo giornalismo, ma produzione mediale in senso ampio.

Dal foglio bianco alla collaborazione con l’IA

Flusso tradizionale

1. Ricerca delle fonti
2. Organizzazione dei materiali
3. Scrittura della bozza
4. Revisione e pubblicazione

Flusso con GenAI

1. IA-assistita: ricerca e aggregazione
2. Ibrido: scrittura con suggerimenti IA
3. Umano: revisione critica e fact-checking
4. IA-assistita: ottimizzazione e distribuzione

L’IA non elimina fasi del processo ma le trasforma. La fase critica resta quella umana: revisione, verifica, giudizio editoriale.

Confronto tra flusso tradizionale e flusso assistito dall’IA. L’IA si inserisce in ogni fase, ma con intensità diversa. Nella ricerca: può aggregare fonti e sintetizzare documenti (come abbiamo visto con NotebookLM). Nella scrittura: può generare bozze, ma la qualità dipende dal prompt e dalla supervisione. Nella revisione: l’umano resta insostituibile per il fact-checking e il giudizio editoriale. Nella distribuzione: può personalizzare e ottimizzare. Collegamento con Mattis & de Vreese (2025): l’IA pervade l’intera catena del valore giornalistica.

L’adozione dell’IA nelle redazioni

L’IA generativa sta entrando in tutte le fasi della produzione giornalistica (Mattis & Vreese, 2025):

Fase	Esempi concreti	Rischi
Raccolta	Bloomberg: tool per sintetizzare documenti	Amplificazione propaganda
Produzione	Express.de: 5% articoli automatizzati	Errori e hallucination
Verifica	Reuters: monitoraggio automatico fonti	Black-box dei modelli
Distribuzione	Personalizzazione e chatbot informativi	Frammentazione pubblico

Dati concreti da Mattis & de Vreese (2025) e dai report citati nel loro studio. Bloomberg ha sviluppato tool interni per sintetizzare documenti e grafici (Quinonez & Meij, 2024). Express.de ha automatizzato oltre il 5% degli articoli su una vasta gamma di argomenti, ma con revisione umana obbligatoria (Newman & Cherubini, 2025). Reuters usa strumenti IA per il monitoraggio automatico delle fonti (News Tracer). Tutti questi casi illustrano la tensione tra efficienza e controllo editoriale. Da notare: lo sviluppo di questi tool è largamente in mano alle aziende tech (Simon, 2024b), creando nuove dipendenze.

I giornalisti di fronte all’IA

Speranze

• Maggiore efficienza nei compiti di routine
• Più tempo per il giornalismo di qualità
• Nuove forme di storytelling
• Accessibilità e personalizzazione

Timori

• Perdita di posti di lavoro
• Erosione delle norme professionali
• Dipendenza dalle piattaforme tech
• Proliferazione di informazione di bassa qualità

I giornalisti adottano un approccio prevalentemente pragmatico: l’IA come “collega” per compiti di routine, mai per il giudizio giornalistico di base (Munoriyarwa & de-Lima-Santos, 2025).

Sintesi dalle ricerche qualitative citate in Munoriyarwa & de-Lima-Santos (2025) e Mattis & de Vreese (2025). Cools & Diakopoulos (2024) trovano che i giornalisti vedono l’IA come strumento di efficienza. Guenther et al. (2025) sui giornalisti scientifici tedeschi: l’IA è un “collega” per i compiti di routine, ma non per il giudizio editoriale. In Africa: mix di ottimismo (efficienza per redazioni sotto-finanziate), pessimismo (perdita di posti di lavoro), pragmatismo (adattamento necessario). Il tema comune è l’insistenza sul controllo umano (human-in-the-loop), anche quando l’IA viene usata estensivamente.

Il “pink slime journalism”

Pink slime journalism: siti di notizie generati automaticamente dall’IA, spesso creati per profitto o per scopi ideologici, che riempiono i “deserti informativi” locali con contenuti di bassa qualità (Mattis & Vreese, 2025).

• Brand apparentemente locali e legittimi
• Contenuti generati senza supervisione editoriale
• Competono economicamente con testate già in crisi
• Possono veicolare disinformazione su scala industriale

Attenzione

Il fenomeno del pink slime è direttamente collegato al progetto del corso: le immagini AI slop sui social media sono l’equivalente visivo di questo fenomeno testuale.

Il termine “pink slime journalism” viene da Brewster, Fishman & Xu (2023), citato in Mattis & de Vreese (2025). Si riferisce a siti web che sembrano testate giornalistiche locali ma sono generati automaticamente, spesso con contenuti IA non verificati. NewsGuard ha identificato centinaia di questi siti. Il fenomeno è rilevante per il corso perché l’AI slop che studieremo nel progetto di gruppo è l’equivalente visivo: immagini generate dall’IA diffuse sui social media per engagement bait. Collegamento con Ferrara (2026): il livello 1 della “realtà sintetica” — contenuti sintetici che si confondono con quelli autentici.

Prompt Engineering Avanzato

Sezione 2: approfondimento sul prompt engineering. Costruiamo sulle basi del workshop di mercoledì scorso con tecniche più avanzate.

Anatomia di un prompt efficace

Componente	Descrizione
Ruolo	Chi deve essere l’IA
Contesto	Informazioni di sfondo
Compito	Cosa deve fare
Formato	Come deve essere l’output
Vincoli	Limiti e requisiti
Esempi	Output desiderato

“Agisci come un analista media. Nel contesto del sistema mediale italiano, analizza i seguenti 5 articoli. Presenta i risultati in una tabella, max 200 parole, tono accademico.”

Struttura basata sul principio “Dirigi” di Cosenza (2025).

Framework per la costruzione di prompt efficaci. Questo schema si basa sulle best practice del prompt engineering e sul principio “Dirigi” di Cosenza (2025): non lasciare spazi di libertà all’IA. Ogni componente riduce l’ambiguità e aumenta la qualità dell’output. Il ruolo orienta il tono e il livello di expertise. Il contesto fornisce informazioni che il modello potrebbe non avere. Il formato è cruciale: l’IA può produrre lo stesso contenuto come paragrafo, lista, tabella, o dialogo. I vincoli impediscono risposte troppo lunghe o off-topic. Gli esempi (few-shot prompting) sono il metodo più efficace per guidare l’output. L’highlight box mostra un prompt che incorpora tutti e 6 i componenti in un’unica richiesta strutturata.

Tecniche di prompting

Zero-shot

“Classifica questo testo come positivo, negativo o neutro.”

L’IA usa solo le sue conoscenze generali.

Few-shot

“Ecco 3 esempi di classificazione: [esempi]. Ora classifica questo testo.”

L’IA impara dal pattern degli esempi.

Chain-of-thought

“Analizza questo articolo passo dopo passo: prima identifica il tema, poi il tono, infine classifica.”

L’IA esplicita il ragionamento.

Role-play

“Sei un fact-checker esperto. Verifica le affermazioni in questo testo.”

L’IA assume una prospettiva specifica.

Le quattro tecniche principali di prompting. Zero-shot è il più semplice ma meno prevedibile. Few-shot è il più utile per il nostro progetto: fornendo esempi di classificazione, l’IA replica il pattern con maggiore consistenza. Chain-of-thought migliora il ragionamento su compiti complessi. Role-play orienta il tono e la prospettiva. Per il progetto di gruppo (settimane 4-5): useremo principalmente few-shot prompting per classificare i post e i commenti, e chain-of-thought per analisi più complesse. Queste tecniche saranno approfondite nella lezione-lab della settimana 5.

La Percezione dei Contenuti IA

Sezione 3: dati empirici sulla percezione pubblica dei contenuti generati dall’IA. Utilizziamo principalmente Gilardi et al. (2025).

Il disaccoppiamento qualità-accettazione

Dati da Gilardi et al. (2025), studio preregistrato con 599 partecipanti svizzeri. I partecipanti hanno valutato articoli senza sapere chi li avesse scritti. I punteggi di credibilità, competenza e leggibilità sono praticamente identici tra articoli umani, IA-assistiti e IA-generati. Le differenze non sono statisticamente significative. Questo è un dato fondamentale: la resistenza ai contenuti IA non nasce dalla loro scarsa qualità. L’IA generativa produce contenuti che sono percepiti come equivalenti a quelli umani su tutte e tre le dimensioni di qualità misurate.

Il paradosso della disponibilità a leggere

Tipo di contenuto	Disponibilità a leggere
Senza IA	84%
IA-assistito	55%
Interamente IA	29%

La qualità percepita è equivalente, ma la disponibilità crolla. La resistenza non dipende dalla qualità, ma da preoccupazioni legate a fiducia e autenticità (Gilardi et al., 2025).

Da discutere

Sapendo che un articolo è stato scritto dall’IA, lo leggereste?

Dati da Vogler et al. (2023) citati in Gilardi et al. (2025). Il paradosso è evidente: gli articoli IA sono valutati come equivalenti in qualità, ma la disponibilità a leggerli cala drasticamente man mano che aumenta il coinvolgimento dell’IA. Questo “disaccoppiamento qualità-attitudine” suggerisce che la resistenza è radicata in fattori più profondi della qualità percepita: fiducia nell’istituzione giornalistica, autenticità della voce umana, preoccupazioni etiche sulla sostituzione dei giornalisti. Collegamento con Mattis & de Vreese (2025): l’erosione della fiducia è uno dei quattro rischi chiave.

L’effetto della disclosure

Effetto a breve termine

Dopo aver saputo che l’articolo era generato dall’IA, i partecipanti mostravano una maggiore disponibilità a continuare a leggere.

Possibile “effetto novità” o curiosità.

Effetto a lungo termine

Questo non si traduceva in una maggiore disponibilità a leggere notizie IA in futuro.

Lo scetticismo di fondo resta invariato.

“Public aversion to AI-generated news may not be a matter of perceived content quality but rather a broader issue of trust and perception.”

— Gilardi et al. (2025)

Distinzione cruciale tra effetto a breve e lungo termine. L’effetto novità (curiosità per qualcosa di nuovo) spiega l’aumento di engagement immediato dopo la disclosure. Ma l’atteggiamento generale verso le notizie IA non cambia con l’esposizione: la resistenza è strutturale, non legata alla mancanza di familiarità. Questo ha implicazioni importanti per le testate: la disclosure potrebbe funzionare per singoli articoli (più click immediati) ma non risolve il problema di fondo della fiducia. Collegamento con il paradosso della trasparenza di Mattis & de Vreese: dichiarare l’uso dell’IA può essere necessario eticamente ma controproducente commercialmente.

Criteri di Valutazione dei Contenuti IA

Sezione 4: come valutare criticamente i contenuti generati dall’IA. Questo framework sarà utile sia per l’analisi critica sia per il progetto di gruppo.

Un framework di valutazione

Criterio	Domanda guida	Metodo di verifica
Accuratezza	I fatti sono corretti?	Cross-check con fonti primarie
Completezza	Mancano prospettive rilevanti?	Confronto con esperti del settore
Coerenza	Il testo è logicamente consistente?	Analisi argomentativa
Originalità	Va oltre la “media di internet”?	Confronto con output standard
Trasparenza	È dichiarata la generazione IA?	Verifica delle disclosure
Bias	Perpetua stereotipi o pregiudizi?	Analisi critica del contenuto

Framework operativo per la valutazione dei contenuti IA. L’accuratezza è il criterio più importante e il più difficile da verificare: le hallucination sono per definizione plausibili. La completezza riguarda ciò che l’IA non dice: prospettive mancanti, voci non rappresentate. La coerenza è dove l’IA eccelle (produce testi fluidi) ma può mascherare errori logici. L’originalità è la debolezza principale: l’IA tende a produrre la “media di internet” (Cosenza, 2025). La trasparenza è un requisito etico emergente. Il bias è strutturale: i modelli replicano i pregiudizi dei dati di addestramento. Questo framework sarà utile per il progetto di gruppo quando gli studenti dovranno classificare contenuti.

L’accuratezza come sfida centrale

Il problema delle hallucination

I LLM possono generare informazioni plausibili ma false: citazioni inesistenti, dati inventati, fatti alterati. Il 50% delle risposte LLM sui contenuti BBC presentava problemi, con il 19% di errori fattuali diretti (BBC, 2025, citato in Mattis & Vreese, 2025).

Strategie di verifica:

• Triangolazione: verificare con almeno 2 fonti indipendenti
• Fonte primaria: risalire sempre al dato originale
• Dominio specifico: attenzione ai settori dove l’IA ha meno dati
• Attualità: le conoscenze del modello hanno una data limite

Il dato BBC è uno dei più significativi per illustrare il problema delle hallucination nel contesto giornalistico. Se il 19% delle risposte IA che citano direttamente contenuti BBC contiene errori fattuali, il rischio per contenuti meno verificabili è ancora più alto. Le strategie di verifica sono classiche del giornalismo ma devono essere adattate: l’IA produce contenuti così fluidi che gli errori sono più difficili da individuare. Per il progetto: quando useremo Gemini per classificare post e commenti, dovremo prevedere un protocollo di validazione umana (settimana 5).

Verso la produzione responsabile

Il modello collaborativo

L’IA supporta il giornalista ma non lo sostituisce (Mattis & Vreese, 2025):

• Bozze e suggerimenti dall’IA
• Verifica e giudizio dall’umano
• Supervisione editoriale umana
• Disclosure trasparente

La sfida istituzionale

Le redazioni devono (Munoriyarwa & de-Lima-Santos, 2025):

• Definire policy interne sull’uso IA
• Formare i giornalisti sulla AI literacy
• Bilanciare efficienza e qualità
• Mantenere indipendenza dalle big tech

Sintesi delle raccomandazioni dalla letteratura. Il modello collaborativo (human-in-the-loop) è il consenso emerso dalla ricerca internazionale. Ma la sua implementazione richiede investimenti in formazione, policy e infrastrutture che molte testate, specialmente quelle locali, faticano a sostenere. Da Becker, Simon & Crum (2025, citati in Mattis & de Vreese): 52 testate globali hanno adottato linee guida sull’IA, ma la traduzione in pratiche concrete resta una sfida. La formazione in AI literacy è particolarmente critica: Brigham et al. (2024, citati in Mattis & de Vreese) trovano che alcuni giornalisti usano ChatGPT in modi non allineati con i codici etici.

Sintesi e Prossimi Passi

Sezione finale: riepilogo e orientamento.

Concetti chiave di oggi

• L’IA trasforma tutti i flussi di produzione contenuti, ma la revisione umana resta centrale
• Il prompt engineering strutturato migliora drasticamente la qualità dell’output
• La qualità percepita dei contenuti IA è equivalente a quella umana (Gilardi et al., 2025)
• Ma la disponibilità a leggere resta bassa (29%) — il problema è la fiducia
• Il pink slime journalism è la faccia oscura della produzione automatizzata (Mattis & Vreese, 2025)
• La valutazione critica richiede triangolazione, fonti primarie, attenzione al bias

Riepilogo dei concetti fondamentali della lezione. Il dato più importante da ricordare: la resistenza ai contenuti IA non dipende dalla qualità (che è equiparabile) ma dalla fiducia. Questo ha implicazioni per il progetto di gruppo: quando analizzeremo i commenti degli utenti ai contenuti AI slop, dovremo cercare indicatori di fiducia/sfiducia, non solo valutazioni di qualità.

Letture per questa settimana

Assegnate in settimana 1

• Gilardi et al. (2025) — Disponibilità a leggere notizie IA
• Mattis & Vreese (2025) — IA e giornalismo

Per mercoledì

• Vaccari & Chadwick (2020) — Deepfake e fiducia politica
• Hameleers & Meer (2026) — Disinformazione visiva

Suggerimento

Domani: guest lecture di Vincenzo Cosenza sull’intelligenza aumentata. Portate domande pratiche sull’uso professionale dell’IA.

Assegnazioni. Le letture per mercoledì introducono il tema dei deepfake e della regolamentazione: Vaccari & Chadwick (2020) sul impatto dei deepfake sulla fiducia politica, Hameleers & van der Meer (2026) sulla disinformazione visiva. Domani il guest speaker Vincenzo Cosenza approfondirà le 10 regole del suo libro con esercizi pratici — è un’ottima occasione per fare domande.

Per la prossima lezione

Domani (Martedì 3 Marzo): Guest — Vincenzo Cosenza, “Intelligenza Aumentata”

• Dalle regole agli esercizi pratici
• Uso sistematico dell’IA nel lavoro professionale

Mercoledì 4 Marzo: Deepfake, Policy e Regolamentazione

• Tecnologie deepfake e impatto sulla fiducia
• EU AI Act e Code of Practice on Disinformation
• Policy delle piattaforme (Meta, TikTok)

Promemoria operativo. Domani Cosenza, mercoledì i deepfake e la regolamentazione. La lezione di mercoledì sarà densa: deepfake, EU AI Act, policy delle piattaforme. È importante aver letto Vaccari & Chadwick (2020) prima di mercoledì.

Grazie!

Prossima lezione: Guest — Vincenzo Cosenza (3 Marzo 2026)

📧 fabio.giglietto@uniurb.it

🌐 blended.uniurb.it

Chiusura. Ricordare: (1) domani guest speaker Cosenza, (2) letture per mercoledì, (3) continuare a esplorare Gemini e NotebookLM. A domani!

Riferimenti

Cosenza, V. (2025). Esercizi di Intelligenza Aumentata: Imparare a Collaborare con le I.A.

Gilardi, F., Di Lorenzo, S., Streiff, B., Ezzaini, J., Zurfluh, E., Santa, B., & Hoes, E. (2025). Willingness to Read AI-Generated News Is Not Driven by Their Perceived Quality [Manoscritto].

Hameleers, M., & Meer, T. van der. (2026). Beyond Textual Disinformation: Comparing the Effects of Textual Disinformation to AI-Generated and Video-Based Visual Disinformation Across Different Issues. New Media & Society. https://doi.org/10.1177/14614448251409208

Mattis, N., & Vreese, C. H. de. (2025). Breaking the News? Generative AI’s Impact on Journalism and Its Implications for Disinformation. International Journal of Communication, 19, 3602–3625.

Munoriyarwa, A., & de-Lima-Santos, M.-F. (2025). Generative AI and the Future of News: Examining AI’s Agency, Power, and Authority. Journalism Practice, 19(10), 2177–2188. https://doi.org/10.1080/17512786.2025.2545448

Vaccari, C., & Chadwick, A. (2020). Deepfakes and Disinformation: Exploring the Impact of Synthetic Political Video on Deception, Uncertainty, and Trust in News. Social Media + Society, 6(1), 1–13. https://doi.org/10.1177/2056305120903408