…che vinca il SÌ e che diversamente rimanga tutto come prima, oggi si vota in Italia
Cogliendo uno di quei giorni nei quali la democrazia affida nuovamente al verdetto delle urne la propria capacità di autorinnovarsi, diventa quasi necessità, il volgere lo sguardo al luogo, spesso invisibile, in cui il voto, ben prima di essere espresso, prende forma e si prepara. Un luogo che non coincide più soltanto con il dibattito pubblico nella sua dimensione tradizionale. È piuttosto architettura informativa che precede la decisione con la sequenza dei contenuti che un individuo intercetta, con l’ordine con cui essi si dispongono lungo la sua traiettoria cognitiva, con la frequenza con cui una medesima narrativa ritorna fino ad acquisire familiarità e poi il moltiplicarsi di volti, voci e profili che ne suggeriscono una apparente conferma collettiva.
L’intelligenza artificiale applicata agli ambienti sociali non è stata limitata anche in tal ambiti e quindi introdotta in sofisticati strumenti di propaganda che restituisce una vera e propria ingegneria della persuasione, capace di modellare l’attenzione e di orientare, con precisione crescente, le condizioni stesse entro cui le decisioni individuali maturano. La letteratura scientifica più recente invita con decisione ad abbandonare una rappresentazione ormai insufficiente delle moderne information operations, che per lungo tempo sono state interpretate come una sequenza lineare composta da un committente, un messaggio e un pubblico destinatario, una rappresentazione ormai adeguata a un’epoca di comunicazione prevalentemente unidirezionale che non coglie più la complessità dei sistemi informativi contemporanei. Le operazioni di influenza odierne assumono, piuttosto, la forma di sistemi dinamici multilivello, nei quali decisione strategica, produzione contenutistica e distribuzione algoritmica si intrecciano in modo continuo, generando traiettorie evolutive difficilmente riconducibili a una causalità semplice. Un perimetro che può essere definito come mandato strategico, uno spazio decisionale nel quale vengono stabiliti gli obiettivi politici o reputazionali e le finestre temporali, le metriche di successo e le popolazioni prese come bersaglio. Uno stadio in cui l’azione comunicativa, pur non essendo ancora visibile, è già profondamente strutturata perché si disegnano le coordinate narrative, si identificano i punti di maggiore vulnerabilità percettiva e si costruiscono le linee guida entro cui dovranno muoversi gli attori operativi.
Quindi si accede in un secondo livello, quello agentico-operativo, nel quale prende forma una vera e propria costellazione di soggetti comunicativi, nella quale convivono account umani, sistemi automatizzati di prima generazione e agenti generativi di nuova concezione, capaci di produrre, replicare, adattare e sincronizzare contenuti con una rapidità che supera di gran lunga le capacità della comunicazione tradizionale. La funzione principale di questo livello è la diffusione, ma, soprattutto, l’adattamento continuo, laddove ogni contenuto viene osservato, valutato e modificato in funzione delle reazioni ricevute, secondo logiche iterative che richiamano i modelli di apprendimento distribuito. Un ulteriore livello è quello algoritmico-distributivo, l’ultimo, potremmo definirlo, l’ecosistema in cui si realizza la trasformazione più profonda, perché il contenuto che viene pubblicato, è sottoposto a meccanismi di selezione automatica che ne determinano la visibilità, la persistenza e la probabilità di incontrare nuovi destinatari. I sistemi di ranking delle piattaforme agiscono come operatori matematici di ordinamento dell’attenzione collettiva, premiando alcuni segnali e attenuandone altri sulla base di parametri misurabili quali interazione, velocità di propagazione e intensità dell’engagement. È precisamente il momento in cui la propaganda muta dall’essere una pratica puramente comunicativa per trasformarsi in un problema formalizzabile, dove la diffusione di una narrativa può essere descritta attraverso modelli probabilistici, dinamiche di rete e funzioni di ottimizzazione. Quindi il momento in cui la comunicazione politica attraversa quella soglia epistemologica per diventare, a tutti gli effetti, quella matematica applicata ai comportamenti collettivi, confutata, con chiarezza, nei più recenti modelli sperimentali descritti nella letteratura su sistemi multi-agente e dinamiche di propagazione algoritmica. Tra questi, cito il paper che ne riporta con grande lucidità e autorevolezza, di Orlando, Ye, Ferrara, Luceri e coautori (https://arxiv.org/html/2510.25003v1), che diventa rilevante perché simula un ambiente sociale tipo X/Twitter con 50 agenti, di cui 10 operatori di influenza e 40 utenti organici, e distingue tre regimi operativi, laddove nel primo gli agenti condividono soltanto l’obiettivo, nel secondo sanno chi sono i compagni di squadra e nel terzo partecipano a sessioni periodiche di deliberazione, raccolta segnali, valutazione delle performance e consolidamento strategico attraverso un orchestratore. Il risultato più importante è che già la sola consapevolezza reciproca produce reti più dense, maggiore reciprocità, narrativa più omogenea, amplificazione più sincronizzata e adozione più rapida dell’hashtag di campagna. Quindi non serve più un centro di comando rigido per ottenere l’effetto di coordinamento ma basta fornire agli agenti informazione minima sulla coalizione e lasciare che apprendano dai segnali di engagement.
Ne emerge un primo meccanismo tecnico fondamentale, che potremmo chiamare social learning algoritmico con l’agente che non obbedisce a un copione fisso, come facevano i bot tradizionali, perché osserva, di contro, quali messaggi del gruppo performano meglio, registra like, repost, commenti, posizionamento nel feed, e aggiorna la propria politica d’azione. E’ una dinamica che si manifesta in strategie convergenti con gli agenti che imparano ad amplificare i contenuti ad alte prestazioni, mantengono messaggi coerenti, si addestrano per ingaggiare pubblici recettivi, cross-promuoversi e, quindi, utilizzare marcatori linguistici condivisi. Una vera e propria forma di coordinamento emergente in cui il contenuto migliore non è il più vero, ma quello che ottiene il rendimento comportamentale più alto. Per capirne il reale meccanismo, è necessario fornire una visione matematizzata, perché il passaggio cruciale è che la propaganda AI-enabled sui social non si spiega bene con il solo concetto di fake news ma va descritta come un problema di ottimizzazione iterativa sotto feedback. Ogni agente massimizza una funzione obiettivo implicita, che può essere letta come combinazione di visibilità, engagement, adozione di un frame e contagio di rete. L’agente aggiorna la propria strategia in base a una regola di rinforzo, esplicita o implicita, scegliendo nel passo successivo il contenuto che massimizza l’attesa di utilità sotto i vincoli della piattaforma. Questa è la ragione per cui la disinformazione contemporanea appare adattiva e quindi, non solo falsa, ma continuamente ricalibrata. Una adattività coerente con l’idea di apprendimento distribuito nel regime di Teammate Awareness.
Cercando di non banalizzare la sofisticazione dei meccanismi, un esempio che aiuti nella comprensione è una situazione quotidiana, apparentemente semplice, ma strutturalmente analoga a ciò che avviene nei sistemi multi-agente digitali. Si consideri un gruppo di persone che, senza un coordinatore centrale esplicito, decide di sostenere una determinata iniziativa pubblica. All’inizio ciascun partecipante agisce in modo autonomo, ossia pubblica un messaggio, propone un’immagine, utilizza una parola chiave. Tuttavia, nel momento in cui ogni individuo inizia a percepire l’esistenza degli altri membri del gruppo, anche soltanto attraverso segnali minimi come la presenza degli stessi hashtag o la ripetizione di alcune formule linguistiche, si attiva un meccanismo di riconoscimento reciproco che non è ancora un coordinamento diretto, ma è già una forma di consapevolezza condivisa.
A questo punto accade qualcosa di decisivo, perché ogni partecipante osserva quali messaggi ricevono maggiore attenzione, quali formulazioni vengono replicate, quali immagini generano reazioni più intense. Progressivamente e senza bisogno di istruzioni formali, il gruppo converge verso uno stile comunicativo comune, quindi le parole diventano simili, i tempi di pubblicazione si sincronizzano, i contenuti più efficaci vengono rilanciati più frequentemente e il comportamento collettivo assume una forma coerente non perché qualcuno lo abbia imposto, ma perché ogni individuo ha adattato la propria azione osservando quella degli altri. Questo è, nella sua forma più intuitiva, ciò che nei modelli computazionali viene definito Teammate Awareness, ossia la consapevolezza dell’esistenza e del comportamento dei membri della propria coalizione produce una dinamica di apprendimento distribuito. Ogni agente non apprende soltanto dal proprio risultato, ma anche dai risultati osservati negli altri. Un sistema nel suo complesso diventa più efficiente non attraverso centralizzazione, ma attraverso reciproca osservazione.
Un altro meccanismo tecnico degno di nota è il feedback loop tra ranking e comportamento utente. Un gran lavoro scientifico è quello degli autori Germano, Gómez e Sobbrio (https://bw.bse.eu/wp-content/uploads/2025/07/1501.pdf) del 2025 che formalizza la piattaforma come un ambiente in cui gli individui cercano informazione su uno stato ignoto del mondo e scelgono tra contenuti che forniscono segnali imperfetti su quello stato. Utenti e contenuti ricevono rispettivamente segnali, entrambi modellati come variabili casuali gaussiane. Ovviamente il ranking non è neutrale, perché assegna visibilità in base a segnali di popolarità derivati dai comportamenti precedenti di click, like, share e highlighting. In questa struttura, il feed agisce come un operatore di aggiornamento delle probabilità di esposizione e quindi, più un contenuto viene premiato dal pubblico iniziale, più sale nel ranking, quindi viene incontrato da utenti successivi e accumula ulteriori segnali di popolarità attraverso un sistema che produce una dinamica cumulativa di preferential attachment cognitivo.
Il punto teorico più forte del modello è che la disinformazione può prevalere anche senza superiorità intrinseca di contenuto, semplicemente perché il ranking engagement-based crea un effetto di sostituzione progressiva della qualità epistemica con la popolarità osservata e, per questo, definito esplicitamente crowding-out of the truth. Quando il peso dei segnali sociali nella funzione di ranking aumenta, cresce l’engagement totale, ma crescono insieme misinformation e polarizzazione e quando il ranking viene personalizzato, la polarizzazione aumenta ulteriormente. E’ una tecnica di influenza che consiste progettare il contenuto affinché generi le giuste reazioni iniziali in una minoranza molto attiva, lasciando poi all’algoritmo il compito di trasformare quella microtrazione in evidenza sociale diffusa. In termini operativi, ciò spiega perché i committenti di campagne politiche cercano esecutori capaci di presidiare tre funzioni insieme.
In primis, la produzione differenziale del contenuto, cioè la creazione di molte varianti semantiche della stessa narrativa, così da massimizzare la copertura di target e ridurre la rilevabilità automatica. Poi vi è la sincronizzazione temporale, per concentrare nelle finestre di massima attenzione i segnali di popolarità che il ranking leggerà come rilevanza autentica. Infine la colonizzazione dei marker linguistici, ossia hashtag, frame lessicali, formule ricorrenti, micro-slogan e immagini sintetiche che permettono al messaggio di diventare tracciabile, imitabile e aggregabile ed in tal senso numerosi gli studi sugli LLM agents che dimostrano precisamente che gli agenti convergono spontaneamente verso linguaggio condiviso, cross-promotion e amplificazione dei messaggi ad alte prestazioni.
Un ulteriore strato matematico riguarda la diffusione nella rete con l’utile lavoro di Ma, Zhang e Xie (https://www.sciencedirect.com/science/article/abs/pii/S0096300324007161), che costruisce un modello multi-informazione su rete eterogenea introducendo due elementi essenziali. Il primo è la funzione di Fermiper l’aggiornamento strategico, cioè una regola probabilistica secondo cui l’utente adotta la strategia informativa di un vicino con probabilità crescente al crescere del vantaggio percepito. Il secondo è l’uso della next-generation matrix per calcolare la soglia di propagazione e di funzioni di Lyapunov* con ritardo temporale per studiare la stabilità globale del sistema. Tradotto in termini più accessibili, la diffusione non dipende soltanto dal numero di utenti esposti, ma dalla struttura del vantaggio sociale percepito, dal ritardo con cui intervengono le smentite e dalla presenza di rinforzi sociali positivi o negativi. Se la narrativa falsa offre identità, appartenenza, allarme o conferma di pregiudizi, il suo payoff soggettivo può restare alto anche quando il suo contenuto fattuale è debole. Questo spiega un fenomeno che spesso viene sottovalutato nel dibattito pubblico. La disinformazione politica agisce convincendo, ma soprattutto stabilizzando. Quindi stabilizza gruppi, rinforza credenze preesistenti, riduce il costo cognitivo della scelta, abbassa la soglia d’incertezza e fornisce scorciatoie emotive.
Lo si può studiare nei modelli di diffusione competitiva, laddove non è soltanto quale informazione sia più vera, ma quale informazione raggiunga più velocemente una massa critica oltre la quale il sistema entra in regime di auto-rinforzo. Per questo gli autori del paper sugli LLM agents misurano non solo l’adozione dell’hashtag, ma anche il tempo tra prima interazione e prima adozione, il numero di esposizioni prima dell’adozione e la struttura delle cascade trees in termini di size, depth e breadth. All’aumentare della coordinazione, le cascate diventano più grandi, più profonde e più ampie. È il linguaggio grafico di una persuasione che non avanza per confutazione, ma per architettura di diffusione. I deepfake, in questo disegno, sono uno strumento importante ma non esaustivo. Il loro ruolo più efficace non è sempre quello di ingannare perfettamente. Spesso basta che introducano ambiguità plausibile, cioè un contenuto sufficientemente credibile da attivare il primo ciclo di condivisione. Una volta ottenuto l’innesco, saranno poi i meccanismi di ranking, homophily e reinforcement a compiere il resto. In termini tecnici, il deepfake agisce come trigger ad alta salienza, mentre la piattaforma ne gestisce la moltiplicazione stocastica. Per questo la lotta alla disinformazione non può limitarsi al fact-checking del singolo contenuto. Deve modellare l’intera dinamica con cui i contenuti entrano nel feed, vengono letti come prova sociale e diventano cascata.
Questa conclusione è coerente sia con la simulazione degli agenti coordinati sia con il modello di ranking engagement-based. Ne deriva una tassonomia più precisa dei ruoli con i committenti che definiscono il vettore strategico, cioè obiettivi, finestre temporali, segmenti bersaglio e linee narrative, gli esecutori reali o sintetici che implementano la produzione, la variazione e la sincronizzazione dei segnali. Le piattaforme, anche quando non sono parte intenzionale dell’operazione, svolgono il ruolo di moltiplicatori strutturali perché i loro algoritmi ordinano l’attenzione. In presenza di AI generativa, questa catena si comprime. Un unico sistema multiagente può produrre testo, adattare tono e lessico, scegliere i contenuti da rilanciare, imitare i segnali di successo del gruppo e coordinare tempi e marcatori linguistici. La propaganda, in altre parole, tende a trasformarsi da impresa labor-intensive a sistema computazionale semi-autonomo. Nel giorno in cui si vota, dunque, la questione democratica non riguarda soltanto la libertà di opinione ma la qualità matematica dell’ambiente che precede l’opinione. Laddove i sistemi di ranking sono progettati per ottimizzare l’engagement, con la rete che tende a premiare la convergenza emotiva e gli agenti generativi apprendono attraverso meccanismi di imitazione e rinforzo, il rischio non si esaurisce nella semplice circolazione del falso.
La criticità più profonda è che la sfera pubblica venga gradualmente riconfigurata, quasi impercettibilmente, secondo logiche che rendono statisticamente più probabile la visibilità dei contenuti capaci di mobilitare, identificare e dividere. In tale contesto, non è soltanto la qualità dell’informazione a essere messa alla prova, ma la stessa architettura della visibilità collettiva, che finisce per privilegiare ciò che suscita adesione immediata rispetto a ciò che richiede ponderazione. In un ambiente informativo strutturato secondo queste dinamiche, la disinformazione politica non si presenta più come un incidente marginale della comunicazione o come un’anomalia episodica del discorso pubblico ma assume i tratti di una tecnologia sistemica di governo dell’attenzione, capace di orientare, ciò che viene visto, ricordato e riconosciuto come rilevante nel tempo piuttosto di ciò che viene pensato.
Valeria Lazzaroli – Presidente Ente Nazionale per l’Intelligenza Artificiale
/linkedin.com/company/enia-fondazione-ente-nazionale-per-intelligen
Presidente ENIA FONDAZIONE ENTE NAZIONALE per l’INTELLIGENZA ARTIFICIALE®
*Le funzioni di Lyapunov nascono nello studio dei sistemi dinamici come uno strumento per capire se un fenomeno, una volta avviato, tenderà spontaneamente a stabilizzarsi oppure continuerà a crescere, oscillare o trasformarsi nel tempo. Introdotte dal matematico Aleksandr Lyapunov alla fine dell’Ottocento, rappresentano ancora oggi uno dei riferimenti fondamentali per comprendere la stabilità nei sistemi complessi, dalle reti elettriche ai modelli epidemiologici, fino alle moderne simulazioni sociali e informative.
Per comprenderne il senso in modo intuitivo, si può immaginare una piccola sfera posta su una superficie. Se la superficie è concava, come l’interno di una ciotola, la sfera tenderà naturalmente a fermarsi nel punto più basso e quindi il sistema è stabile. Se invece la superficie è convessa, come la cima di una collina, la sfera tenderà a rotolare via con il sistema che diventa instabile. La funzione di Lyapunov è uno strumento concettuale che permette di stabilire quale delle due situazioni si verificherà, osservando come l’energia del sistema cambierà nel tempo.
Trasportando questa idea nel contesto delle dinamiche informative, una funzione di Lyapunov aiuta a comprendere se una narrativa, una credenza o una rappresentazione collettiva tenderà a consolidarsi oppure a dissolversi. Quando una narrativa trova condizioni favorevoli, ad esempio ripetizione frequente, coerenza interna e rinforzo sociale, il sistema informativo potrà entrare in una configurazione stabile, nella quale quella narrativa diventa familiare e persistente.
Quando invece le condizioni di rinforzo sono deboli o contrastate da segnali alternativi tempestivi, la narrativa tenderà a perdere energia e a scomparire. Un elemento particolarmente significativo nelle dinamiche contemporanee riguarda i ritardi temporali, ossia il tempo che intercorre tra la diffusione di un contenuto e la reazione che esso suscita. Nei sistemi sociali digitali, questi ritardi possono rappresentare il tempo necessario perché una notizia venga verificata, smentita o contestualizzata. Le funzioni di Lyapunov consentono di studiare proprio questi effetti perchè mostrano come, anche piccoli ritardi nella risposta possano contribuire a stabilizzare una narrativa, rendendola più resistente nel tempo.