Tecniche di fact-checking con l'AI: 8 metodi e dove sbagliano

Le tecniche di fact-checking con l'AI sono i metodi con cui un software decide se un'affermazione è vera, dall'individuare le frasi da verificare fino a cercare le prove e formulare un giudizio. Nessuna tecnica fa tutto il lavoro da sola. Ognuna intercetta un certo tipo di errore e ne lascia passare altri, ed è per questo che gli strumenti seri ne mettono in fila diverse.

Il bisogno continua a crescere. Nel Digital News Report 2026 del Reuters Institute, il 62% degli intervistati in 48 mercati si dice preoccupato di non distinguere il vero dal falso online, quattro punti in più rispetto a un anno prima.

Qui sotto trovi le otto tecniche che contano di più, con i loro punti di forza e i casi in cui falliscono. Se cerchi una procedura passo passo per controllare una singola notizia, c'è il nostro metodo per verificare se una notizia è vera. Questo pezzo parla della cassetta degli attrezzi.

1. Individuare le affermazioni da verificare

Prima di verificare qualcosa, un sistema deve trovare le frasi che contengono un'affermazione fattuale controllabile. Opinioni e previsioni vengono scartate, il resto viene ordinato in base a quanto conta.

Il progetto di riferimento è ClaimBuster, sviluppato all'Università del Texas ad Arlington. Assegna a ogni frase di una trascrizione un punteggio che indica quanto meriti una verifica. I suoi dati di addestramento venivano dai dibattiti presidenziali americani, con frasi classificate come non fattuali, fattuali poco importanti o fattuali da verificare. I sistemi di oggi fanno lo stesso lavoro con i modelli linguistici e con classificatori multilingua.

Il punto debole è il contesto. Un numero banale in un paese può essere esplosivo in un altro, e un modello addestrato sui dibattiti politici funziona male sui comunicati del settore farmaceutico.

2. Scomporre le affermazioni

I testi lunghi mettono più fatti nella stessa frase. La scomposizione li separa in affermazioni elementari, da controllare una alla volta. "L'azienda, fondata nel 2015, l'anno scorso ha raddoppiato il fatturato" diventa due affermazioni, una data di fondazione e un dato di fatturato.

Il metodo SAFE di Google DeepMind parte proprio così, con un modello che spezza una risposta lunga in fatti singoli prima di controllarli. La scomposizione rende possibili i giudizi parziali, ed è per questo che gli strumenti fatti bene possono rispondere "parzialmente vera" invece di imporre un sì o un no.

Il rischio è perdere il contesto. "Le vendite sono calate" e "dopo un anno record" sono due affermazioni vere che insieme dicono una cosa diversa da ciascuna presa da sola.

3. Cercare le prove

Ogni affermazione ha bisogno di prove. Il recupero delle prove consiste nel cercare, in un insieme di fonti affidabili (il web, un archivio di notizie, statistiche ufficiali o una banca dati di fact-check), i documenti che la confermano o la smentiscono. Il banco di prova classico della ricerca è FEVER, un dataset di 185.445 affermazioni costruite a partire da frasi di Wikipedia e verificate su Wikipedia stessa.

I sistemi più recenti cercano per tentativi successivi. SAFE lancia diverse ricerche su Google per ogni fatto e ragiona sui risultati prima di decidere. Nello studio, SAFE concordava con i valutatori umani nel 72% dei casi su circa 16.000 fatti. Quando i due erano in disaccordo, su un campione casuale di 100 casi aveva ragione SAFE nel 76% delle volte.

Il recupero vale quanto le fonti su cui lavora. Una notizia appena uscita non ha ancora prove, e un'affermazione ripetuta da tanti siti di bassa qualità può sembrare confermata. Qui entra in gioco la tecnica successiva.

4. Capire cosa dicono le prove

Trovate le prove, il sistema deve capire cosa dicono dell'affermazione. La stance detection (detta anche inferenza in linguaggio naturale) classifica ogni prova come favorevole, contraria o non pertinente. FEVER ha formalizzato questo passaggio con tre etichette (Supported, Refuted e NotEnoughInfo).

La terza etichetta è la più importante. Uno strumento che non sa dire "informazioni insufficienti" finisce per inventare un giudizio. Per questo il fact-checking di Scova AI restituisce quattro esiti (vera, parzialmente vera, falsa e non verificabile).

I modelli confondono spesso la vicinanza di tema con l'accordo. Un articolo che discute a lungo un'affermazione non per forza la conferma.

5. Confrontare con i fact-check già pubblicati

Quasi tutte le bufale virali sono già state smontate da qualche parte, spesso in un'altra lingua. Il claim matching usa rappresentazioni semantiche per trovare un fact-check pubblicato sulla stessa affermazione, anche se le parole sono diverse. I modelli multilingua riescono ad abbinare un post italiano a una smentita in spagnolo o in inglese.

Buona parte di questa infrastruttura si regge su ClaimReview, il markup schema.org con cui i fact-checker etichettano i loro verdetti. Google ha smesso di mostrare i rich result ClaimReview nella ricerca a giugno 2025, e le organizzazioni di fact-checking continuano a pubblicare il markup.

Il confronto funziona solo per le affermazioni che qualcuno ha già verificato. Quelle nuove, e quelle vecchie con una variazione, passano.

6. Valutare l'affidabilità della fonte

Alcune tecniche guardano a chi parla invece che a cosa dice. Il punteggio di affidabilità pesa i precedenti di una fonte e la sua trasparenza (autori con nome, una politica di rettifica, una proprietà chiara). È veloce e funziona anche quando le prove non ci sono ancora. Lo approfondiamo nelle guide su come valutare l'affidabilità delle fonti con l'AI in tempo reale e su come valutare le fonti OSINT.

Anche le testate affidabili sbagliano, e quelle poco affidabili a volte pubblicano notizie vere. L'affidabilità deve cambiare il peso delle prove, mai sostituirle.

7. Controllare numeri e statistiche

Molte affermazioni ingannevoli si nascondono nei numeri, come una variazione mensile spacciata per annuale o una statistica del 2019 riciclata come attuale. I controlli specializzati confrontano il dato con la fonte ufficiale da cui dice di venire (Eurostat o l'Istat) e rifanno i conti.

Il numero può essere giusto e la cornice sbagliata. Un modello può confermare che la disoccupazione è salita di 0,3 punti senza accorgersi che l'affermazione ne attribuisce la colpa alla politica sbagliata.

8. Verificare immagini e video

Le affermazioni visive hanno bisogno di strumenti propri. La ricerca inversa per immagini trova copie precedenti di una foto e smaschera le immagini vecchie fatte passare per nuove. I controlli di provenienza leggono i dati di scatto e, sempre più spesso, le Content Credentials C2PA firmate. I rilevatori di watermark come SynthID di Google riconoscono i contenuti creati con determinati strumenti AI, e i rilevatori di deepfake cercano tracce di manipolazione.

Ne parliamo nel dettaglio nella guida su come verificare l'integrità dei media con l'AI. In breve, i rilevatori addestrati su dataset accademici funzionano molto peggio sul materiale reale. Sul benchmark Deepfake-Eval-2024, costruito con deepfake raccolti online, i rilevatori open source hanno perso tra il 45% e il 50% della loro AUC rispetto ai benchmark precedenti.

Le tecniche a confronto

Come si combinano

flowchart LR
    A["Testo o post"] --> B["Individuazione"]
    B --> C["Scomposizione"]
    C --> D["Confronto con fact-check"]
    D -->|"già verificata"| G["Giudizio"]
    D -->|"nuova"| E["Ricerca delle prove"]
    E --> F["Stance e peso delle fonti"]
    F --> G
    G --> H["Revisione umana se serve"]

L'ordine conta. Il confronto con i fact-check esistenti costa poco e spesso chiude la questione, quindi viene per primo. Solo le affermazioni nuove passano dalla ricerca completa delle prove, dove l'affidabilità delle fonti regola quanto pesa ciascuna. Una persona rivede i giudizi che verranno pubblicati o che porteranno a una decisione.

Cosa cambiano i modelli linguistici

I modelli linguistici rendono economico far lavorare insieme queste tecniche. Un solo modello può individuare le affermazioni, scomporle, scrivere le ricerche e riassumere le prove, un lavoro che prima richiedeva sistemi separati. Nello studio di DeepMind, SAFE costava più di 20 volte meno dei valutatori umani in crowdsourcing.

Portano anche errori nuovi. Un modello può scrivere un verdetto scorrevole con citazioni che non dicono quello che sostiene. E quando lo stesso modello scrive un riassunto e poi lo verifica, tende a valutare meglio il proprio testo. Uno studio presentato a NeurIPS 2024 ha mostrato che i modelli usati come valutatori favoriscono i propri testi. La regola pratica è tenere separati chi verifica e chi scrive, e collegare ogni verdetto alle sue prove.

Domande frequenti

Quali sono le principali tecniche di fact-checking con l'AI?

Le tecniche di base sono l'individuazione delle affermazioni da verificare, la scomposizione, la ricerca delle prove, la stance detection, il confronto con i fact-check esistenti, la valutazione dell'affidabilità delle fonti, il controllo dei numeri e la verifica di immagini e video. Gli strumenti reali ne combinano diverse in sequenza.

L'AI verifica i fatti meglio delle persone?

Su compiti circoscritti può eguagliare o superare i valutatori in crowdsourcing. SAFE di DeepMind concordava con loro nel 72% dei casi e aveva ragione nel 76% dei disaccordi esaminati. I fact-checker professionisti restano più bravi con il contesto e con le affermazioni del tutto nuove, quindi la decisione finale sulle affermazioni delicate resta umana.

Da quale tecnica conviene partire?

Dal confronto con i fact-check esistenti. Cercare una verifica già pubblicata è il modo più rapido per chiudere un caso virale, e funziona tra lingue diverse. Se non esce nulla, si passa alla ricerca delle prove sulle fonti primarie.

Perché un fact-checker AI ha bisogno del verdetto "non verificabile"?

Molte affermazioni non si possono ancora confermare né smentire, soprattutto sulle notizie appena uscite. Un sistema costretto a scegliere tra vero e falso tira a indovinare. Un esito esplicito "non verificabile" è più onesto e più utile per chi legge.

Google mostra ancora le etichette di fact-check nei risultati?

Non più come rich result. Google ha eliminato gli snippet ClaimReview dalla ricerca nel 2025, anche se i fact-checker continuano a pubblicare il markup sulle loro pagine.

Come usarle nel lavoro quotidiano

Se monitori le notizie per lavoro, le tecniche che userai di più sono il confronto con i fact-check esistenti e la ricerca delle prove sulle fonti primarie. Scova AI mette un fact-check a un clic su ogni notizia del feed. Confronta la notizia con fonti autorevoli e restituisce uno dei quattro verdetti, così decidi in pochi secondi quali storie meritano un controllo più approfondito.