La scena è già virale: il progressista-conservatore canadese Bill Oliver, in aula a Fredericton, snocciola una frase sui limiti degli uffici di advocacy e poi, senza rendersene conto, aggiunge: «Ecco una versione più naturale e scorrevole, che suona come un discorso parlamentare invece di una serie di punti brevi». Chiunque abbia mai usato un Large Language Model riconosce il marchio di fabbrica: è il classico output con cui un LLM propone una variante stilistica, quando l’utente ha incollato il prompt sbagliato o non ha rimosso la risposta del modello. Oliver l’ha letta tutta, a voce alta, consegnandola agli atti.

La gaffe, rimbalzata da Reddit ai giornali nazionali canadesi, non è solo un aneddoto da vergogna digitale. Mette a nudo un’abitudine sempre più diffusa: delegare la scrittura pubblica a modelli linguistici senza controllare cosa restituiscono, e senza domandarsi dove quelle parole finiscano prima di diventare discorsi ufficiali. Se il parlamentare ha usato un servizio cloud – ChatGPT, Claude, Gemini – la bozza del suo intervento è stata processata su infrastrutture al di fuori della giurisdizione canadese. Non sappiamo con quale LLM sia stata generata la frase incriminata, ma il semplice dubbio dovrebbe far sobbalzare chiunque abbia responsabilità di governo.

Da tempo gli analisti segnalano che l’adozione selvaggia di AI generativa nelle amministrazioni pubbliche porta con sé un rischio di esposizione dei dati che le policy tradizionali non riescono a intercettare. Qui il problema non è l’allucinazione o la disinformazione: sono i metadati involontari, i frammenti di prompt che rivelano non solo lo stile di lavoro ma anche i contenuti sensibili di un testo che, forse, non era ancora pronto per lasciare un computer locale. Per enti che maneggiano dati legislativi, la scelta fra un servizio cloud e un’infrastruttura self-hosted non è più una questione di preferenza tecnica, ma di igiene democratica. Un server interno, con un LLM eseguito in locale, avrebbe confinato l’errore al perimetro dell’ufficio, senza condividerlo con il provider esterno.

Certo, anche una soluzione on-premise non avrebbe impedito a Oliver di leggere il messaggio sbagliato in aula: l’errore umano resta. Ma avrebbe tagliato il flusso di dati verso terzi, eliminando la domanda imbarazzante su chi abbia potuto vedere quella bozza prima che diventasse virale. La vicenda segnala qualcosa di più strutturale: la normalizzazione dell’AI senza alfabetizzazione. Assistiamo a una corsa all’efficienza in cui gli strumenti vengono adoperati come elettrodomestici, mentre i responsabili delle istituzioni faticano a distinguere un prompt da una risposta. Non è un problema di élite contro masse – come ha scritto il Toronto Star – ma di deficit di competenza, che diventa critico quando a sbagliare è chi legifera.

L’episodio di Fredericton, al netto della risata, è un campanello d’allarme per chiunque valuti di integrare LLM nei flussi di lavoro di ministeri, parlamenti o autorità indipendenti. Spinge a chiedersi se abbia senso continuare a inviare testi potenzialmente coperti da segreto istruttorio a modelli commerciali in cloud, oppure se sia giunto il momento di accelerare il deployment di soluzioni locali, con dati che non abbandonano mai il perimetro nazionale. La risposta, per quanto tecnica, sarà anche una presa di posizione politica.