Come creare un feed di notizie personalizzato con l'AI: guida ai prompt

Come progettare feed informativi iper-specifici con prompt in linguaggio naturale, fact-checking integrato e deep research. Un playbook per analisti, giornalisti e PR.

Giovanni Caiazzo · 2026-05-14 · 8 min

Un analista di mercato che segue il settore dei semicondettori europei riceve, in media, centinaia di notifiche al giorno tra Google News, Feedly, newsletter di settore e alert LinkedIn. Il 90% è rumore. Il restante 10% arriva spesso in ritardo, frammentato, o senza il contesto necessario per decidere.

Il problema non è la quantità di informazione disponibile — è ormai pacifico che ce ne sia troppa — ma la qualità del filtro. E i filtri tradizionali, basati su keyword statiche o categorie generiche, sono strumenti progettati per un'era in cui le fonti erano centinaia, non decine di migliaia. Chi lavora con l'informazione come materia prima ha bisogno di un approccio diverso: trattare il prompt come un file di configurazione, e l'AI come un curator che apprende.

Perché i feed generici falliscono per il lavoro verticale

Google News, Feedly, Flipboard e gli aggregatori simili sono ottimizzati per il lettore medio. La loro promessa è coprire tutto, abbastanza bene, per chiunque. È esattamente il problema opposto a quello di un giornalista d'inchiesta che segue un dossier specifico, di un PR che monitora il sentiment su un cliente, o di un ricercatore che traccia paper su un topic verticale.

Il paradosso è noto: secondo analisi come il Reuters Institute Digital News Report, la quota di persone che evitano attivamente le notizie è in crescita, mentre il numero di fonti notiziose globali ha superato le 150.000. Più offerta produce meno attenzione, non più informazione.

Per un professionista, il costo nascosto del rumore è misurabile: tempo speso a triagiare titoli irrilevanti, decisioni prese su informazioni incomplete, occasioni mancate perché una notizia di nicchia è arrivata sepolta sotto venti aggiornamenti su tendenze macro. La personalizzazione vera, in questo contesto, non significa "più contenuti su un tema" — significa precisione chirurgica nell'esclusione di tutto il resto.

| Caratteristica | Aggregatore Generico (es. Feedly) | Feed AI Verticale (es. SCOVA AI) |

| :--- | :--- | :--- |

| Filtro | Basato su keyword statiche e categorie predefinite | Basato su prompt in linguaggio naturale (contesto, esclusioni) |

| Personalizzazione | Scelta manuale delle fonti da seguire | Descrizione dell'interesse; il sistema seleziona le fonti |

| Ordinamento | Prevalentemente cronologico o per popolarità | Per rilevanza semantica rispetto al prompt dell'utente |

| Verifica Fonti | Assente o manuale e a carico dell'utente | Integrata e semi-automatizzata (indicatori di attendibilità) |

| Copertura | Limitata alle fonti RSS aggiunte manualmente | Accesso a centinaia di migliaia di fonti globali |

Il prompt come config: linguaggio naturale come configurazione tecnica

La novità degli ultimi anni è che non serve più scrivere regole booleane complicate o configurare RSS con filtri regex per ottenere un feed verticale. Un prompt ben costruito in linguaggio naturale funziona come un file di configurazione: descrive il dominio, le esclusioni, la geografia, il tono delle fonti accettate.

La differenza tra un prompt mediocre e uno eccellente è la stessa che passa tra una query Google generica e una ricerca avanzata di un analista esperto. "Notizie sull'AI" produce un feed inutile. "Regulatory updates su LLM enterprise nell'Unione Europea, escludendo comunicati stampa aziendali e contenuti sponsorizzati, con priorità a fonti istituzionali e testate B2B" produce qualcosa di utilizzabile.

Anatomia di un prompt efficace

Un prompt per news monitoring verticale dovrebbe contenere quattro componenti minime:

• Tema centrale e sotto-temi correlati, con livello di granularità esplicito

• Geografie rilevanti e lingue accettate

• Esclusioni chiare (tipologie di contenuto, fonti da evitare, angoli da ignorare)

• Tipologia di fonti privilegiata (istituzionali, B2B, tecniche, mainstream)

L'approccio è iterativo: il primo prompt è raramente quello definitivo. Si osserva il feed, si identifica cosa non funziona — troppi PR, troppe notizie macro, una geografia sovra-rappresentata — e si raffina. SCOVA AI, per esempio, è progettato esattamente attorno a questo loop: l'utente descrive l'interesse in linguaggio naturale, il sistema seleziona automaticamente fonti rilevanti tra oltre 150.000 editori globali, e apprende dalle correzioni successive.

Costruire un feed verticale in tre fasi

La logica operativa di un feed AI ben progettato si articola in tre passaggi distinti, ciascuno con un suo output verificabile. Questo flusso può essere riassunto nel seguente schema:

flowchart TD
    A["Fase 1: Filtri<br>Definizione del prompt utente"] --> B["Fase 2: Ricerca<br>L'AI scansiona e classifica le fonti"]
    B --> C["Fase 3: Feed<br>Output ordinato per rilevanza"]

Fase 1 — Filtri. Si definiscono in linguaggio naturale interessi, geografie ed esclusioni. È la fase in cui l'utente trasferisce il proprio modello mentale al sistema. Se il prompt è ambiguo, tutto il resto sarà rumoroso.

Fase 2 — Ricerca. Il sistema scansiona le fonti tracciate, le classifica per rilevanza rispetto ai criteri, e scarta tutto ciò che non passa la soglia. È qui che la capacità di processare centinaia di migliaia di fonti in tempo reale fa la differenza rispetto a un RSS reader tradizionale, che richiede di selezionare manualmente ogni testata.

Fase 3 — Feed. L'output finale è ordinato per importanza, non per cronologia. È una differenza concettuale enorme: significa che la notizia più rilevante per il proprio dominio arriva in cima, anche se è stata pubblicata sei ore prima della più recente.

Il valore di un feed AI non si misura in numero di articoli serviti, ma in numero di articoli che l'utente sceglie di non leggere. Meno è meglio, se il poco è quello giusto.

Un analista che monitora la nicchia della robotica industriale collaborativa in Germania, per esempio, può ottenere in meno di trenta secondi un feed che integra annunci da costruttori specifici, paper accademici rilevanti, regulatory updates EU e mosse di competitor — escludendo automaticamente tutto il rumore generico su "AI e lavoro".

Fact-checking integrato: la differenza critica

Un feed AI senza verifica delle fonti è un moltiplicatore di disinformazione. Più il filtro è efficiente, più velocemente una notizia falsa raggiunge il professionista — e più alto è il rischio che venga citata, rilanciata, o usata come base per una decisione.

Per giornalisti e PR, in particolare, il costo reputazionale di una citazione errata è asimmetrico: anni di credibilità possono erodersi in una singola pubblicazione affrettata. Per questo il fact-checking non può essere un passaggio separato, manuale, da fare "quando si ha tempo". Deve essere integrato nel flusso di lettura.

Un approccio operativo prevede un indicatore di attendibilità che classifichi ogni notizia in quattro categorie: vera, parzialmente vera, falsa, non verificabile. SCOVA AI, ad esempio, attiva questa verifica con un click direttamente dal feed, confrontando l'informazione con fonti autorevoli e segnalando incongruenze prima che l'utente decida se rilanciarla. È un cambiamento di workflow piccolo ma decisivo: la verifica diventa parte della lettura, non un'attività aggiuntiva.

Oltre il feed: deep research e distribuzione

Il feed quotidiano risolve il problema del monitoring continuo. Ma quando emerge un tema su cui serve un'analisi approfondita — un'acquisizione, una crisi, un nuovo regolamento — leggere venti articoli sparsi è ancora inefficiente.

Qui entra in gioco il deep research verticale: clustering semantico delle notizie correlate, confronto automatico tra fonti, sintesi strutturata in pochi secondi. È la differenza tra avere venti link aperti in venti tab e avere un brief sintetico con citazioni alle fonti originali. La funzione Deep Research di SCOVA AI, basata sull'intelligenza di Perplexity per il clustering, è progettata esattamente per comprimere ore di lettura in una sintesi consultabile.

Il secondo livello operativo riguarda la distribuzione. Un feed che resta confinato in un'interfaccia web è sotto-utilizzato. Usando funzioni come la Newsletter Personalizzata, è possibile trasformare il proprio feed in un digest automatizzato da inviare a sé stessi, ai colleghi o ai clienti. Questo, unito a integrazioni native con Slack, WhatsApp, Telegram, Discord e n8n, trasforma il monitoraggio in un workflow attivo: le notizie rilevanti per il team marketing arrivano in un canale Slack dedicato, gli alert critici su WhatsApp. Il webhook, per chi ha esigenze custom, chiude il cerchio collegando il feed a qualsiasi sistema interno.

Cinque template di prompt per profili professionali

Per rendere concreto l'approccio, ecco cinque scenari verticali con la struttura di prompt corrispondente.

1. Giornalista d'inchiesta: "Aggiornamenti su [nome dossier], includendo atti giudiziari, dichiarazioni ufficiali e analisi investigative; escludere opinion pieces e contenuti generalisti."
2. PR & comunicazione: "Menzioni di [brand] e dei principali competitor, con priorità a segnali di crisi reputazionale, sentiment negativo e copertura su testate tier
3. Analista finanziario: "Regulatory news, annunci M&A e earnings call nel settore [X], geografia [Y], escludendo press releases aziendali non corroborate."
4. Ricercatore accademico: "Paper, preprint e annunci di conferenze su [topic verticale], con preferenza per fonti peer-reviewed e istituzioni accademiche."
5. Founder: "Trend di mercato, round di finanziamento e lanci prodotto nella categoria [X], con focus su competitor diretti e segnali di adiacenze tecnologiche."

Ciascuno di questi prompt è un punto di partenza. Il valore reale emerge dopo dieci, venti iterazioni — quando il sistema ha appreso le preferenze fini dell'utente e il feed restituisce quasi esclusivamente segnale.

Dalla curation manuale all'intelligence automatizzata

Il passaggio culturale più importante è smettere di pensare al consumo di notizie come a un'attività manuale. Leggere venti testate al giorno non è una virtù professionale: è un sintomo di assenza di sistema. La domanda giusta non è "quali fonti seguo" ma "quali insight voglio ricevere, su quali temi, con quale frequenza, in quale canale".

Per misurare se un feed AI funziona, tre metriche sono sufficienti: percentuale di articoli letti rispetto a quelli serviti (idealmente sopra il 60%), tempo medio di triage giornaliero (dovrebbe scendere progressivamente), numero di insight azionabili estratti per settimana. Se queste tre metriche migliorano nel tempo, il sistema sta apprendendo. Se restano piatte, il prompt va riscritto.

Il ruolo del professionista, in questo contesto, non si svuota — si concentra. Meno tempo speso ad aggregare, più tempo speso a giudicare, contestualizzare, decidere. È il salto che separa chi usa l'AI come scorciatoia da chi la usa come leva strategica.