AI e produzione di contenuti: chi decide veramente cosa fare?

Nel branding, la produzione di contenuti non è mai solo “scrivere bene”, è decidere cosa conta davvero e farlo rispettare. Nella content production guidata da intelligenza artificiale, il problema non è ottenere output plausibili, è ottenere output governati, coerenti e difendibili. E quando l’AI “non fa quello che vuoi”, spesso non è un limite tecnico: è una questione di priorità implicite e di governance.

Io: “Fammi questa cosa.”
AI: “Certo.”
Io: “No, non così.”

Non è una conversazione rara. È diventata una specie di rumore di fondo ogni volta che uso un modello generativo per produrre un output che conta davvero. Non parlo del caso in cui l’AI sbaglia in modo plateale (le classiche 3 braccia o 6 dita, purtroppo ancora presente anche se meno frequentemente di prima), quello lo riconosci subito e lo scarti senza pensarci troppo. Parlo del caso più scomodo, quello che ti fa perdere ore perché ti mette in una zona grigia: l’AI ti restituisce qualcosa di sensato, spesso anche ben fatto, solo che non è quello che intendevi. Tu lo guardi e pensi: sì, ma anche no.

La tentazione è attribuire la colpa alla domanda. È una spiegazione comoda perché ti dà una leva immediata: “Devo essere più preciso”. A volte è vero, a volte no. Il punto è che, anche quando sei preciso, l’AI può scegliere una direzione diversa dalla tua. E non lo fa in modo casuale. Lo fa perché sta rispettando un insieme di priorità che non hai esplicitato o che non hai governato abbastanza.

Io: “Quindi non capisci.”
AI: “Capisco, solo che devo produrre un risultato coerente.”

Ecco la parola chiave: coerente. Coerente secondo chi. Coerente rispetto a cosa. Coerente con quale definizione di qualità.

Quando un umano lavora su un brief, la “qualità” è in parte condivisa, in parte negoziata. Ci sono obiettivi, vincoli, compromessi. C’è un contesto. C’è una cultura di team. C’è memoria: sappiamo cosa non si può fare, cosa è già stato approvato, cosa manda fuori strada, cosa fa perdere tempo al cliente. Un’intelligenza artificiale generativa non ha questa trama, o ce l’ha solo in forma statistica. Quindi, se non gli dai un criterio di qualità gerarchico, tende a crearne uno. O meglio, tende a usare quello che ha già incorporato.

Questo è il motivo per cui il problema non è solo “l’AI non fa quello che vuoi”. Il problema è che, quando non fa quello che vuoi, tu rischi di imparare la lezione sbagliata. Rischi di convincerti che serva una formula di prompt, un set di parole magiche, un trucco. Invece qui c’è un tema più strategico, più utile e più trasferibile: la governance.

Governance è una parola che sembra da comitato ma in questo contesto ha un significato molto concreto: quando ci sono più obiettivi possibili, chi decide quale viene prima. Perché quello che tu percepisci come “deviazione” è spesso il risultato di una decisione implicita. Solo che la decisione la sta prendendo il sistema, non tu.

Se stai lavorando su un cliente, questo si sente subito. “Quasi giusto” non è una categoria utile. “Quasi giusto” è la cosa che genera revisioni infinite. È ciò che alimenta il ping pong di approvazioni. È ciò che ti mette nella posizione di dover spiegare perché un output è corretto ma non è coerente. Oppure è coerente ma non è utilizzabile. Oppure è utilizzabile ma non è tuo. È il classico contenuto che esce pulito e poi sembra uguale agli altri. Il costo non è tecnico. È organizzativo.

Io: “Allora cosa devo capire per non perderci la vita.”
AI: “Devi capire chi sta decidendo le priorità.”

Da qui partiamo.

Il problema non è l’errore, è la discrezionalità

Io: “Mi serve X.”
AI: “Ecco X.”
Io: “Sì ma X, nel mio contesto, ha un significato preciso.”

È qui che si apre la faglia. Non tra domanda e risposta ma tra intenzione e interpretazione.

Un modello generativo è molto bravo a colmare lacune. Se gli dai un input incompleto, lui non si ferma a chiedere chiarimenti come farebbe un consulente prudente. Spesso prosegue e completa. Il completamento è una funzione, non un bug. Solo che nel lavoro la capacità di completare è utile quando stai esplorando, mentre diventa rischiosa quando stai consegnando.

Il problema quindi non è che l’AI “sbaglia”. Il problema è che l’AI è autorizzata a scegliere.

Discrezionalità significa libertà di interpretazione. È ciò che permette di generare varianti, alternative, spunti. È anche ciò che produce divergenza. È quello per cui l’AI ci piace tanto ma se non definisci dove la discrezionalità è accettabile e dove è vietata, il sistema userà discrezionalità ovunque. E lo farà perché quello è il modo in cui massimizza la probabilità di darti qualcosa che, in generale, “funziona”.

Qui entra in gioco una seconda verità che all’inizio sottovalutavo: l’AI non sente il costo dell’errore. Tu sì. Se un output è “quasi giusto”, tu ti prendi il carico di aggiustarlo, di spiegare perché non va bene, di rimetterlo in linea. Se, come noi, lavori su un cliente quel “quasi” si traduce in revisioni, allineamenti, approvazioni lente, frizioni interne. È tempo e reputazione. Tutte cose che il modello non vede.

Io: “Mi hai fatto perdere tempo.”
AI: “Ho prodotto un output plausibile.”

Il disallineamento è tutto lì: “plausibile” non è uguale a “utile”. Non è uguale a conforme. Non è uguale a quello che volevi.

A questo punto la domanda non è “come faccio a farle capire”. La domanda è “come faccio a farle decidere come decido io”. E questa è governance.

Cos’è la governance dell’AI generativa

Governance, in azienda, significa regole decisionali: chi approva, con quali criteri, cosa viene prima quando due obiettivi si scontrano, quali sono i confini non negoziabili. Applicata all’AI generativa, governance è la stessa idea, con una differenza: molte regole non sono esplicite, sono incorporate nel modo in cui il modello tende a produrre output.

Se la vogliamo dire senza antropomorfismi, il modello cerca di generare un risultato che, statisticamente, risulti coerente, plausibile e “buono” secondo i segnali che ha imparato. Il punto è che “buono” non è universale. È una metrica. Tu hai la tua. Il sistema ha la sua.

Quando chiedi un output, tu stai facendo due richieste insieme:

1. 1. la richiesta esplicita, cosa vuoi ottenere

1. 1. la richiesta implicita, come deve essere giudicato l’output

La governance dell’AI è ciò che risolve la seconda quando tu non la dichiari. E la risolve in modo prevedibile: tende a favorire un output che sta in piedi da solo, che suona fluido, che sembra completo, che non crea frizioni evidenti. È spesso una buona qualità di base, ma non è la stessa cosa di “rispetta esattamente le mie priorità”.

Io: “Io volevo fedeltà, non completezza.”
AI: “Io ho ottimizzato per completezza senza sapere che la fedeltà era sopra tutto.”

Questa discrepanza è la base di quasi tutte le frustrazioni reali con l’AI. Non è un problema di lessico. È un problema di gerarchia.

Perché l’AI devia dalla tua intenzione anche quando sembra averti capito

Qui c’è un equivoco comune: se l’AI devia, allora non ha capito. Non sempre. A volte l’AI capisce perfettamente il tema e produce un output coerente col tema, ma non coerente con la tua intenzione operativa. È una differenza sottile ma è quella che genera più attrito.

Io: “Scrivi qualcosa che funzioni per il mio brand.”
AI: “Ok” e poi mi consegna un testo che potrebbe funzionare per dieci brand diversi.

È un output plausibile. Non è un output governato.

Il motivo è semplice: l’AI riempie i vuoti. Se nella tua richiesta ci sono elementi non definiti, o definiti solo come desideri generici, il modello li completerà in base a ciò che ha visto più spesso. Questo completamento è una funzione utilissima quando vuoi esplorare. Diventa una fonte di scostamento quando vuoi consegnare.

E c’è un’altra cosa, ancora più importante: l’AI non percepisce il costo dell’errore. Tu sì.

Io: “Mi hai fatto perdere tempo.”
AI: “Ho prodotto un output plausibile.”

Per il sistema, “plausibile” è un traguardo. Per te, “plausibile” può essere un problema. Perché il costo del quasi è alto. Il quasi ti obbliga a spiegare. Il quasi apre discussioni. Il quasi si porta dietro revisioni. Il quasi crea il paradosso peggiore: l’output è abbastanza buono da non poterlo buttare via, ma abbastanza sbagliato da non poterlo usare.

Questo è il punto in cui smetti di chiederti come scrivere prompt migliori e inizi a chiederti come ridurre la discrezionalità nei punti critici. Ed è un tema di governance perché, per ridurre discrezionalità, devi decidere prima cosa conta davvero.

Il percorso per capire la soluzione, dal prompt al sistema di istruzioni

La svolta, per me, è stata smettere di trattare l’AI come un interlocutore e iniziare a trattarla come un motore. Un motore non lo convinci. Lo configuri.

Io: “Allora devo scrivere un prompt più lungo.”
AI: “Non è una questione di lunghezza. È una questione di struttura.”

In pratica, il percorso mentale è questo.

Prima fase: l’illusione della frase perfetta. Scrivi richieste sempre più articolate, aggiungi dettagli, inserisci esempi, metti avverbi, specifichi il tono. Ogni tanto funziona. Spesso no. Ti accorgi che la variabilità rimane.

Seconda fase: la scoperta della priorità implicita. Noti che l’AI non “sbaglia a caso”. Sbaglia in modo coerente con un criterio diverso dal tuo. Capisci che non stai negoziando un contenuto, stai negoziando una metrica di successo.

Terza fase: la formalizzazione in istruzioni. Trasformi preferenze in regole. Trasformi regole in gerarchie. Trasformi gerarchie in un percorso guidato.

Qui entra un pezzo che, nel lavoro vero, vale oro: imparare a chiedere le cose all’AI significa imparare a farle fare le domande giuste prima di produrre. Non perché l’AI abbia bisogno di “capire meglio”, ma perché il team ha bisogno di rendere esplicito ciò che di solito resta implicito.

Io: “Prima di generare, fammi domande.”
AI: “Qual è il criterio di successo. Cosa è vietato. Cosa viene prima in caso di conflitto.”

Questa sequenza è più strategica di quanto sembri. Perché sposta il centro dall’output alla decisione. Se le decisioni sono chiare, l’output è più controllabile. Se le decisioni sono vaghe, l’output diventa un’interpretazione.

Ed è qui che ho iniziato a ragionare per “moduli”. Ogni volta che voglio ottenere qualcosa di affidabile, attivo una funzione per volta. Non perché mi serva una procedura complicata, ma perché meno obiettivi attivi significa meno conflitti interni. Meno conflitti significa meno discrezionalità nascosta.

Il percorso quindi non è “scrivi meglio”. Il percorso è “progetta un sistema di istruzioni che riduca l’ambiguità e renda esplicite le priorità”.

La soluzione strategica, governare priorità, vincoli e discrezionalità

A questo punto la soluzione, a livello strategico, è una frase sola: ridurre la discrezionalità dove per te è un rischio, mantenerla dove per te è un vantaggio.

Governare non significa ingabbiare l’AI fino a farle perdere utilità. Significa decidere in anticipo cosa è negoziabile e cosa no. È lo stesso principio con cui governi un brand: ci sono spazi di creatività, ci sono spazi di coerenza, ci sono confini che non puoi attraversare.

Io: “Quindi devo controllare tutto.”
AI: “Devi controllare ciò che conta.”

La governance strategica dell’AI, per come la vedo io, si regge su quattro pilastri.

1) Criterio di successo esplicito

Se non dichiari come valuti se è giusto, stai consegnando il giudizio al modello. E il giudizio del modello è generalista per definizione. Il criterio di successo, invece, è specifico del contesto. È il tuo contesto.

2) Gerarchia tra obiettivi

Nel marketing viviamo di obiettivi che si scontrano: chiarezza e distintività, autorevolezza e accessibilità, creatività e coerenza, velocità e rischio. Se non dichiari quale obiettivo vince, il sistema tenderà a mediare e la media è un output spesso inutile (in termini di rilevanza della comunicazione intendo). L’output medio raramente è una strategia.

Io: “Sii creativo e perfettamente conforme.”
AI: “Ho mediato” e ti consegno qualcosa che non è né davvero creativo né davvero conforme.

Ancora una volta non è malafede o incapacità. È governance assente.

3) Vincoli non negoziabili

Il vincolo non negoziabile non è un dettaglio. È un confine. Se non lo espliciti come tale, il sistema lo tratterà come una preferenza. E le preferenze, in un sistema generativo, sono materiali elastici. Se serve un esempio minimo: può essere una formulazione che non deve cambiare, un punto di posizionamento, un registro, un set di concetti da evitare. Non serve che sia tecnico. Serve che sia gerarchico.

4) Discrezionalità dichiarata

Qui c’è una parte che molti saltano. Non devi solo limitare la discrezionalità. Devi anche dichiarare dove la vuoi. Se vuoi alternative creative, lo dici. Se vuoi variazioni di tono, lo dici. Se vuoi esplorazione, lo dici. La differenza è che lo fai in modo intenzionale, non perché il modello “si prende libertà”.

Io: “In questo punto devi essere fedele. In quest’altro puoi proporre.”
AI: “Ok, so dove posso interpretare e dove no.”

Questo è, in sostanza, governare.

Se metti insieme questi pilastri, ottieni un cambio di relazione con l’AI. Non la usi come oracolo che ti deve stupire. La usi come componente di un processo decisionale. E un processo decisionale è ciò che ti serve quando hai un cliente, scadenze, approvazioni, rischi reputazionali e la necessità di far uscire cose che non ti facciano pentire dopo.

C’è una frase che tengo come promemoria mentale, perché mi impedisce di cadere nella trappola della parola perfetta.

Io: “Alla fine, chi decide?”
AI: “Se non decidi tu, decido io.”

Non perché l’AI sia arrogante. Perché è la sua natura operativa. Se tu non governi la gerarchia, il sistema userà la sua. E la sua gerarchia è raramente allineata al tuo contesto, al tuo cliente, al tuo rischio.

La maturità nell’uso dell’AI non è diventare bravi a ottenere output belli. È diventare bravi a decidere dove vuoi bellezza e dove vuoi fedeltà. Dove vuoi esplorazione e dove vuoi esecuzione. Dove vuoi varianti e dove vuoi vincoli.

Se capisci questo, smetti di inseguire l’AI quando “non fa quello che vuoi” (anche se rimane una lotta quotidiana) e inizi a progettare un rapporto in cui il modello ha meno spazio per interpretare ciò che per te non è interpretabile. E quello, nel lavoro vero, è già un risultato enorme.