Non è una censura palese, né un errore di allineamento fragoroso. È uno scivolamento quasi impercettibile: chiedi a un assistente di scrittura basato su AI di rendere più chiaro il tuo post, ed esso conserva l'idea centrale ma ne modifica l'inclinazione emotiva, la priorità lessicale, il tono. La nuova ricerca dell’Oxford Internet Institute mette in fila queste micro-deviazioni e dimostra che, propagate su larga scala, diventano leve capaci di spostare l’opinione pubblica. Non è fantascienza: è il funzionamento quotidiano di decine di strumenti di polishing oggi integrati in social media, client di posta e piattaforme di produttività.

Lo studio documenta un effetto a cascata. Un utente accetta la correzione, il post leggermente inclinato viene letto da altri, che a loro volta lo interiorizzano e, quando scrivono, riproducono a loro insaputa la stessa inclinazione. Il risultato è una deriva semantica collettiva che, nel giro di poche iterazioni, può cambiare la percezione dominante su una notizia, un prodotto o un tema politico. Il punto non è la malafede del modello: nessuno ha programmato il LLM per fare propaganda. Semplicemente, il training su corpora sbilanciati e il fine-tuning per compiacere l’utente producono output che privilegiano certi frames rispetto ad altri, senza che il richiedente ne sia consapevole.

Qui si innesta la riflessione strutturale per chi osserva il deployment dell’AI attraverso la lente della sovranità digitale. Strumenti di scrittura come questi girano quasi esclusivamente in cloud, su API di fornitori terzi. Il testo dell’utente viene processato su infrastruttura esterna, e con esso viaggia la possibilità che il modello inserisca il proprio bias lessicale. Nessuna compliance GDPR o audit periodico può catturare uno shift di tono di questo tipo: non si tratta di una violazione di dati, ma di una manipolazione del contenuto che avviene dentro la logica del servizio. Per organizzazioni che gestiscono comunicazione sensibile – istituzioni, testate giornalistiche, dipartimenti legali, ONG – il costo nascosto non è solo reputazionale, ma democratico.

L’alternativa è nota a chi segue AI-RADAR: portare i modelli on-premise, sotto controllo diretto. Con un LLM self-hosted si può non solo evitare che i dati varchino il perimetro aziendale, ma anche attuare un fine-tuning controllato su domini specifici per ridurre le inclinazioni indesiderate, o quantomeno renderle trasparenti e modificabili. Un editoriale processato localmente su un modello quantizzato FP16, con un contest window tarato sul gergo redazionale, non subisce la stessa deriva di una chiamata a un’API general-purpose dove la moderation e il polishing sono ottimizzati per l’engagement. Qui non si parla più solo di privacy o TCO: si parla di integrità del messaggio.

Certo, il self-hosting introduce complessità di gestione, aggiornamento e hardware. Ma il trade-off sta diventando sempre più concreto con la diffusione di framework di serving ottimizzati e la disponibilità di workload GPU on-demand anche in ambienti segregati. La ricerca di Oxford aggiunge un tassello non secondario: se il linguaggio è infrastruttura del pensiero collettivo, allora il controllo dell’AI che lo modella è questione di sovranità al pari della proprietà dei dati. Non sarà l’ultima volta che un paper scientifico costringerà i decisori IT a domandarsi non solo “quanto costa”, ma “chi sta riscrivendo ciò che diciamo”.