C’è un’idea che si è diffusa in fretta, e che vale la pena guardare in faccia: per usare l’intelligenza artificiale non servirebbe saper fare niente. Dai nostri dati di Search Console, sembra che questa domanda esatta, se la pongano almeno 30 persone al mese. Si apre uno strumento, si scrive una richiesta in linguaggio comune, e arriva un testo. Sembra la fine di un mestiere. In realtà è l’inizio di un equivoco, perché la facilità con cui si ottiene un risultato non dice nulla sulla qualità di quel risultato, né su quanto valga in un contesto reale di lavoro.
Conviene partire da ciò che l’AI fa davvero bene, senza minimizzare. Negarne i pregi sarebbe disonesto e, alla lunga, controproducente: chi scrive di marketing dovrebbe essere il primo a riconoscere quando uno strumento cambia le regole.
Cosa l’intelligenza artificiale fa bene, anche per chi non ha competenze
La prima cosa che un modello linguistico abbatte è la paura del foglio bianco. Chi non ha mai scritto un testo strutturato si trova all’improvviso davanti a una bozza già impostata, con un’introduzione, dei passaggi, una chiusura. Per molte persone questo è liberatorio, e non è poco: rende possibile produrre qualcosa anche a chi prima si sarebbe arreso prima ancora di cominciare.
C’è poi una capacità che gli strumenti generativi hanno in dote per costruzione. Un modello linguistico funziona prevedendo, parola dopo parola, la continuazione più probabile di un testo, sulla base degli enormi corpora su cui è stato addestrato. Questo lo rende molto bravo a riprodurre forme: la struttura di una mail commerciale, il tono di un comunicato, l’impianto di una scheda prodotto. Sono pattern ricorrenti, e l’AI li ha visti milioni di volte. Per attività ripetitive e a basso rischio (riassumere, riformulare, tradurre una prima bozza, generare varianti di un titolo) il guadagno di tempo è concreto.
Anche chi parte da zero, insomma, ottiene risultati che fino a pochi anni fa avrebbero richiesto un minimo di mestiere. È questo a far credere che il mestiere non serva più. Ma è qui che il ragionamento va portato un passo più in là, perché ottenere un testo e ottenere il testo giusto sono due cose diverse, e la distanza tra le due si misura esattamente in competenza.
Dove l’apparente facilità nasconde il lavoro vero
Il primo punto è che un modello non sa cosa sia vero. Sa cosa è probabile. Predicendo la parola successiva su base statistica, può produrre affermazioni plausibili e completamente sbagliate con la stessa scioltezza con cui produce affermazioni corrette. Il fenomeno è noto come allucinazione, ed è strutturale, non un difetto temporaneo che sparirà con la prossima versione. Riconoscere quando il modello sta inventando (una fonte, una data, una statistica, una citazione) richiede di sapere già qualcosa dell’argomento. Chi non ha competenze non ha gli anticorpi: prende per buono ciò che suona bene. E in un contenuto pubblicato, un errore che suona bene è più pericoloso di un errore evidente, perché non viene corretto da nessuno.
Il secondo punto riguarda il contesto
Un testo di marketing non vive nel vuoto: parla a un pubblico preciso, dentro una strategia, con obiettivi che non sono “scrivere un bel testo” ma vendere, posizionare, fidelizzare, educare. L’AI non conosce il tuo cliente, la sua storia, le tensioni del suo settore, ciò che è già stato detto e ciò che è meglio non dire. Tutto questo va portato dentro la richiesta da chi guida lo strumento. E saper portare il contesto giusto, nella forma giusta, è una competenza a sé — non a caso è nata un’intera pratica, il prompting, attorno a questo problema. Ma anche il prompt più curato resta inutile se chi lo scrive non sa qual è il risultato che dovrebbe ottenere. Lo strumento amplifica una direzione; non la sostituisce.
C’è poi una questione di omologazione che la SEO e la GEO rendono particolarmente concreta. Se tutti partono dagli stessi modelli, addestrati sugli stessi dati, e li interrogano in modi simili, i testi che ne escono tendono ad assomigliarsi. Stesso ritmo, stesse strutture, stesse transizioni, le stesse tre o quattro mosse retoriche. Un occhio allenato le riconosce a colpo d’occhio, e cominciano a riconoscerle anche i lettori. In un ecosistema dove la visibilità si gioca sulla capacità di distinguersi — agli occhi di chi legge e agli occhi degli stessi motori, che valutano l’originalità e l’autorevolezza di una fonte — produrre l’ennesimo testo medio significa scomparire. Smarcarsi dalla media richiede esattamente ciò che il modello non ha: un punto di vista.
Il professionista al centro: l’intelligenza organica non è sostituibile
Qui sta il nodo. Un modello generativo lavora sul già detto. È costruito per restituire la sintesi più probabile di ciò che esiste già. Per questo è uno strumento straordinario quando l’obiettivo è ricombinare, ma è strutturalmente cieco quando l’obiettivo è dire qualcosa che prima non c’era. L’intuizione che collega due ambiti lontani, l’angolo di lettura che nessuno aveva considerato, la frase che resta in testa perché rompe lo schema invece di confermarlo: tutto questo nasce da un’intelligenza che ha vissuto, letto, sbagliato, accumulato esperienza in un corpo e in un contesto. Un’intelligenza organica, appunto.
C’è una parte del lavoro creativo che non è generazione, ma giudizio. Davanti a dieci varianti prodotte da un modello, qualcuno deve sapere quale tenere, quale buttare, perché. Quel “perché” è competenza pura: viene dal conoscere il pubblico, dall’aver visto cosa ha funzionato e cosa no, dall’avere in testa un’idea di cosa si sta cercando di fare. Il modello propone; il professionista decide. E la qualità del prodotto finale dipende molto più dalla qualità della decisione che dalla qualità della proposta.
Vale la pena dirlo anche dal lato di chi quei contenuti deve trovarli e ripescarli. I motori di ricerca, e ora i sistemi generativi che rispondono direttamente alle domande, premiano sempre più ciò che porta valore reale, esperienza diretta, autorevolezza riconoscibile — quello che in ambito SEO viene riassunto nel principio E-E-A-T di Google (esperienza, competenza, autorevolezza, affidabilità). Un contenuto che il modello potrebbe aver generato da solo non aggiunge nulla all’indice e non offre al sistema generativo nessun motivo per citarlo come fonte. Paradossalmente, più l’AI diventa brava a produrre testo medio, più diventa preziosa la parte di contenuto che solo un essere umano competente può aggiungere: il dato di prima mano, il caso reale, la posizione argomentata, l’errore raccontato. È questo che rende una fonte degna di essere citata, dai lettori e dalle macchine.
Lo strumento amplifica chi sa, espone chi non sa
La conclusione non è che l’AI vada tenuta a distanza. È esattamente l’opposto. Uno strumento potente, in mano a chi ha competenza, moltiplica quella competenza: libera tempo dalle parti meccaniche, accelera le bozze, apre alternative che da soli non si sarebbero viste, permette di lavorare di più sulla parte che conta, cioè il pensiero. Nelle mani sbagliate, lo stesso strumento moltiplica gli errori con la stessa efficienza, e li riveste di una forma rassicurante che li rende più difficili da scovare.
Per questo la creazione di contenuti con l’intelligenza artificiale richiede competenze specifiche, e probabilmente più di prima, non meno. Cambiano le competenze: meno tempo a scrivere la prima riga, più tempo a valutare, indirizzare, correggere, decidere. Ma la domanda di fondo — questo testo serve allo scopo? è vero? è migliore di quello che avrebbe fatto chiunque altro con lo stesso strumento? — resta una domanda umana. E la risposta dipende, oggi come prima, da chi sa di cosa sta parlando.
