Bias di conferma
Il bias di conferma è la tendenza sistematica a cercare, interpretare e ricordare le informazioni in modo da confermare le credenze preesistenti, attribuendo loro maggiore peso rispetto a quelle che le contraddicono. La sua base empirica è tra le più solide della psicologia cognitiva: documentato empiricamente da Peter Wason nel 1960 con il celebre compito di selezione delle carte, è stato approfondito in ricerche successive su contesti molto diversi, dalla valutazione di prove legali all'interpretazione di notizie politiche, dalla diagnosi medica alle scelte di investimento. Nickerson (1998) ne ha prodotto la rassegna sistematica più citata, identificandolo come "fenomeno ubiquo in molte forme".
Il bias di conferma non è un difetto di intelligenza. Colpisce in egual misura persone con alta e bassa scolarizzazione. Stanovich e colleghi hanno documentato che le persone con maggiore capacità argomentativa tendono a produrre ragionamenti più elaborati a difesa delle proprie posizioni preesistenti, senza che questo si traduca in maggiore accuratezza nel valutare prove contrarie (Stanovich & West, 2007; Stanovich, West & Toplak, 2013). La capacità di costruire argomenti sofisticati può quindi amplificare il bias invece di attenuarlo.
La caratteristica che lo rende particolarmente difficile da riconoscere è questa: mentre è attivo, non lo percepiamo come un errore. Le informazioni che confermano le nostre credenze ci sembrano più chiare, più rilevanti e più credibili di quelle che le mettono in dubbio. Il processo sembra oggettivo dall'interno.
Il bias di conferma nell'interazione con i sistemi AI introduce condizioni che rendono il bias di conferma particolarmente difficile da riconoscere. Tre dinamiche meritano attenzione. La prima riguarda la formulazione delle query. Quando si pone una domanda a un sistema AI, la formulazione stessa tende a presupporre una risposta. La seconda riguarda la valutazione delle risposte. Un output di un modello linguistico che conferma una convinzione preesistente tende a essere accettato con minore scrutinio critico rispetto a uno che la contraddice. La terza riguarda la memoria degli errori. Gli errori di un sistema AI che si allineano con le nostre aspettative tendono a passare inosservati; quelli che le contraddicono vengono ricordati con maggiore facilità e usati come evidenza generalizzabile.
I tre meccanismi distinti
Il bias di conferma non è un fenomeno unico: comprende tre meccanismi che possono agire insieme o separatamente. Distinguerli è importante perché producono effetti diversi sul ragionamento e si riconoscono in modo diverso nei testi.
Tendiamo a cercare attivamente prove che confermino ciò che già crediamo, e a non cercare prove contrarie. Se riteniamo che un sistema AI sia affidabile, cerchiamo conferme di questa affidabilità; se lo riteniamo inaffidabile, cerchiamo i suoi errori, e in entrambi i casi troviamo quello che cercavamo.
Nel testo si manifesta come: citare solo fonti che supportano la tesi, senza menzionare studi che la contraddicono.
Di fronte alla stessa evidenza, chi ha credenze opposte tende a trarne conclusioni opposte. Non è che uno dei due menta: entrambi interpretano genuinamente i dati attraverso la lente delle proprie aspettative. Lo stesso dato statistico viene letto come conferma da un lato e come eccezione dall'altro.
Nel testo si manifesta come: presentare un dato ambivalente come se parlasse in modo inequivocabile a favore di una posizione.
Tendiamo a recuperare più facilmente dalla memoria le informazioni compatibili con le nostre credenze, anche quando l'esposizione originale alle informazioni contrarie era equivalente. Chi è convinto che i sistemi AI tendano a produrre risposte confidenti su argomenti che non padroneggiano ricorderà con maggiore facilità gli esempi che confermano questa convinzione, e con minore facilità quelli che la smentiscono.
Nel testo si manifesta come: richiamare solo i precedenti che supportano la tesi, omettendo quelli che la complicano.
Riconoscere quale meccanismo è in atto aiuta a capire dove si trova il problema argomentativo: nella selezione delle fonti, nell'interpretazione dei dati, o nella ricostruzione dei fatti.
Quattro esempi concreti e commentati
Gli esempi che seguono illustrano i meccanismi del bias di conferma in contesti che riguardano l'uso e la valutazione dei sistemi AI. Per ciascuno è indicato quale dei tre meccanismi è in azione e perché si tratta di un bias e non di un'inferenza legittima.
Il problema non è che gli studi citati non esistano, ricerche che documentano prestazioni elevate dei modelli linguistici su compiti specifici esistono. Il problema è che vengono citati solo quelli favorevoli alla tesi. Esiste un corpus altrettanto ampio di ricerche che documenta limiti sistematici: allucinazioni fattuali su argomenti specialistici, degradazione delle prestazioni fuori distribuzione, difficoltà con il ragionamento multi-passo. Citare soltanto le prove favorevoli senza menzionare quelle contrarie è il meccanismo della ricerca selettiva. Una conclusione basata su evidenze a senso unico non è più affidabile di una basata su nessuna evidenza.
La stessa area tematica dell'esempio 1 produce qui un'argomentazione diversa: vengono esplicitati sia i risultati favorevoli sia quelli sfavorevoli, la fonte è specificata con dati verificabili, e la conclusione è proporzionata alla complessità dei dati, riconosce che il fenomeno dipende da variabili di contesto senza pretendere di chiudere il dibattito.
Il dato di partenza, i modelli linguistici producono testo fluente su argomenti molto diversi, è reale. Il problema è il salto interpretativo: dalla fluidità dell'output a "non capiscono nulla" non esiste un collegamento logico diretto. La fluidità potrebbe essere compatibile con diversi livelli di rappresentazione interna del contenuto, e la questione di cosa significhi "capire" per un sistema computazionale è dibattuta nella letteratura specialistica. L'autore trasforma un dato neutro in una conferma della propria tesi senza mostrare il passaggio inferenziale. La formula "parla da solo" è il segnale tipico di un'interpretazione presentata come ovvia quando non lo è.
La memoria selettiva funziona qui attraverso la scelta degli esempi storici: vengono ricordati i casi in cui la tecnologia ha creato nuova occupazione, e vengono sistematicamente omessi i casi in cui ha prodotto disoccupazione strutturale prolungata o redistribuito il lavoro in modo profondamente asimmetrico. La meccanizzazione agricola ha ridotto permanentemente l'occupazione agricola in molti paesi senza compensazione equivalente; l'informatizzazione ha eliminato intere categorie di lavoro impiegatizio di medio livello che non sono state rimpiazzate da lavori comparabili per numero e retribuzione. Selezionare solo i precedenti favorevoli e presentarli come "la lezione della storia" è una forma di memoria selettiva applicata all'argomentazione.
Citare prove a favore della propria tesi è parte legittima dell'argomentazione. Il bias emerge quando le prove contrarie vengono sistematicamente ignorate o squalificate senza esaminarne il contenuto, non quando si porta evidenza a supporto. La distinzione è tra argomentare con prove e presentare una selezione parziale come se fosse la totalità dell'evidenza disponibile.
Le categorie per l'esercizio
Prima di procedere, ecco le definizioni operative delle tre categorie. La distinzione tra loro deve essere netta.
Segnali nel testo: citare solo prove favorevoli senza menzionare quelle contrarie; presentare un dato neutro come se confermasse una posizione senza mostrare il passaggio logico; richiamare solo precedenti che supportano la tesi; usare formule come "come sappiamo tutti", "la storia dimostra", "i dati parlano chiaro", che presuppongono la conclusione invece di dimostrarla.
Segnali nel testo: un dato preciso con fonte identificabile; una conclusione che usa formule di cautela come "questo suggerisce", "è ragionevole ipotizzare", "i dati indicano una tendenza"; riconoscimento esplicito dei limiti dell'evidenza. La conclusione non supera il dato.
Segnali nel testo: tono di indignazione o sarcasmo; false dicotomie ("o si adotta l'AI o si resta indietro"); appelli all'evidenza auto-evidente senza evidenza reale ("è sotto gli occhi di tutti"); domande retoriche che presuppongono la risposta. Le esche retoriche lavorano sull'emozione, non sull'argomento.
Nel testo dell'esercizio ci sono anche passaggi semplicemente descrittivi o di transizione: frasi che contestualizzano il tema, presentano un'informazione di sfondo, o collegano le parti del testo. Non tutto è marcato. Riconoscere le parti neutre è parte del lavoro: non ogni frase appartiene a una categoria analitica.
Prima di passare all'esercizio
Qual è la differenza principale tra bias di conferma e inferenza su dato? In quale modo agiscono diversamente sul lettore o sull'ascoltatore?
Analizza il testo: usa i pulsanti per evidenziare
Il testo che segue è interamente fittizio: autori, istituzioni, dati e studi citati sono inventati a scopo didattico. Qualsiasi somiglianza con ricerche reali è accidentale. Leggi il testo per intero prima di usare i pulsanti di evidenziazione. Poi rileggi una seconda volta attivando una categoria alla volta. Ogni elemento marcato appartiene in modo netto a una sola categoria, l'obiettivo è costruire il riconoscimento su casi chiari. Nella sezione di riflessione tornerai su casi reali, dove i meccanismi si sovrappongono.
Il testo argomenta su l'affidabilità dei sistemi AI nella produzione di contenuti informativi, per evitare che le tue posizioni sul tema influenzino il riconoscimento delle categorie.
Il dibattito sull'affidabilità dei sistemi AI nella produzione di contenuti informativi è aperto da almeno un decennio. La letteratura specialistica ha esaminato il problema da angolature diverse, senza raggiungere un consenso definitivo.
Uno studio condotto dal Laboratorio di Scienze Cognitive dell'Università di Verano su 340 partecipanti ha confrontato la capacità di identificare errori fattuali in testi prodotti da umani e in testi generati da modelli linguistici. I partecipanti hanno rilevato correttamente il 71% degli errori nei testi umani, contro il 43% negli stessi errori inseriti in testi AI. Gli autori hanno attribuito questo risultato alla maggiore fluidità stilistica dei testi generati, che riduce la vigilanza critica del lettore, e hanno precisato che lo studio non permette di generalizzare a lettori con formazione specialistica nel dominio testato.
Chiunque abbia usato questi strumenti per più di un'ora sa benissimo che cosa producono: testo che suona bene e dice poco. Continuare a discutere di "affidabilità" è un lusso per chi non ha mai dovuto verificare un'informazione importante.
I ricercatori del Centro per lo Studio delle Tecnologie Informative di Morcone hanno analizzato 1.200 output di tre modelli linguistici su domande di carattere medico, giuridico e storico. I modelli hanno prodotto risposte fattualmente accurate nel 68% dei casi per le domande storiche, nel 54% per quelle giuridiche e nel 49% per quelle mediche. Gli autori hanno osservato che l'accuratezza decresceva in modo significativo in presenza di domande che richiedevano l'integrazione di informazioni pubblicate dopo la data di addestramento del modello, e hanno segnalato che il campione di domande era stato costruito dagli stessi ricercatori, introducendo un possibile bias di selezione.
La ricerca sulle tecnologie AI ha chiaramente dimostrato che questi sistemi sono affidabili per usi generali e problematici solo in contesti specialistici ad alto rischio. Le evidenze parlano da sole: si possono usare tranquillamente per la maggior parte dei compiti informativi quotidiani.
O si accetta che questi strumenti hanno limiti strutturali che nessun aggiornamento tecnico potrà eliminare completamente, oppure si continua a usarli come se fossero fonti attendibili, con le conseguenze che ne derivano. Non esiste una posizione intermedia responsabile.
Un'analisi condotta da Ferrara e colleghi (2026) su 85 articoli pubblicati tra il 2020 e il 2025 ha rilevato che gli studi sull'accuratezza dei modelli linguistici mostrano una varianza molto elevata nei risultati, con tassi di accuratezza che vanno dal 31% al 94% a seconda del dominio, del tipo di domanda e del modello valutato. Gli autori hanno concluso che l'aggregazione di questi risultati in un giudizio complessivo sull'affidabilità dei sistemi AI non è metodologicamente giustificata, e che le valutazioni devono essere condotte dominio per dominio e compito per compito.
La storia delle tecnologie dell'informazione ci insegna che ogni strumento inizialmente impreciso è stato progressivamente affinato fino a diventare affidabile: dalla stampa alla radio, dall'enciclopedia cartacea ai motori di ricerca. I sistemi AI non fanno eccezione. Chi solleva preoccupazioni sull'affidabilità attuale ignora questa traiettoria inevitabile.
La questione dell'affidabilità dei sistemi AI nella produzione di contenuti informativi rimane dunque aperta. Le evidenze disponibili suggeriscono che l'accuratezza varia in modo significativo in funzione del dominio e del tipo di compito, e che le valutazioni generalizzanti, in un senso o nell'altro, non sono supportate dalla ricerca disponibile.
Attiva un pulsante alla volta. Leggi tutto il testo con quel filtro prima di passare al successivo. Le parti non evidenziate in nessuna modalità sono parti neutre: descrizioni, transizioni, contestualizzazioni, o posizioni riportate senza essere endossate dall'autore.
Cosa hai visto, e cosa cambia adesso
Hai lavorato su un testo costruito per essere analizzato. Le domande che seguono non hanno una risposta esatta: chiedono di ragionare sui meccanismi, non di classificare correttamente le frasi.
Nel testo, il bias di conferma appariva in due forme: nella sezione sulla ricerca consolidata e nella sezione storica. I due casi usano lo stesso meccanismo, la memoria selettiva, o meccanismi diversi? Qual è la differenza tra come i due passaggi costruiscono la propria selettività?
Le esche retoriche nel testo usavano strategie diverse: una presupponeva un'esperienza condivisa ("chiunque abbia usato questi strumenti sa..."), l'altra costruiva una falsa dicotomia ("o si accetta... oppure..."). Quale delle due ti è sembrata più difficile da riconoscere come esca, e perché?
Le inferenze nel testo contenevano dati precisi ma anche limiti esplicitamente dichiarati dagli autori degli studi. Quando un autore dichiara i limiti del proprio studio, questo cambia la tua valutazione dell'affidabilità dell'affermazione? In che modo la dichiarazione esplicita dei limiti si distingue dall'hedging, dall'uso di formule vaghe per proteggersi da critiche?
La tua osservazione finale
Ripensa a un momento recente in cui hai usato un sistema AI per cercare un'informazione o valutare una posizione. Riesci a identificare se la formulazione della tua domanda presupponeva già una risposta? Hai verificato l'output cercando attivamente informazioni che lo contraddicessero, o hai accettato la risposta perché era coerente con ciò che già pensavi?
Fonti e bibliografia
I testi che seguono costituiscono la base empirica e teorica del modulo. Le voci sono organizzate per area tematica: studi fondativi sul bias di conferma, ricerche sperimentali classiche, rassegna sistematiche e lavori che ne esaminano le implicazioni per il ragionamento e l'intelligenza.
- Ditto, P. H., & Lopez, D. F. (1992). Motivated skepticism: Use of differential decision criteria for preferred and nonpreferred conclusions. Journal of Personality and Social Psychology, 63(4), 568–584. https://doi.org/10.1037/0022-3514.63.4.568
- Klayman, J. (1995). Varieties of confirmation bias. Psychology of Learning and Motivation, 32, 385–418. https://doi.org/10.1016/S0079-7421(08)60315-1
- Lord, C. G., Ross, L., & Lepper, M. R. (1979). Biased assimilation and attitude polarization: The effects of prior theories on subsequently considered evidence. Journal of Personality and Social Psychology, 37(11), 2098–2109. https://doi.org/10.1037/0022-3514.37.11.2098
- Mynatt, C. R., Doherty, M. E., & Tweney, R. D. (1977). Confirmation bias in a simulated research environment: An experimental study of scientific inference. Quarterly Journal of Experimental Psychology, 29(1), 85–95. https://doi.org/10.1080/00335557743000053
- Nickerson, R. S. (1998). Confirmation bias: A ubiquitous phenomenon in many guises. Review of General Psychology, 2(2), 175–220. https://doi.org/10.1037/1089-2680.2.2.175
- Nisbett, R. E., & Ross, L. (1980). Human inference: Strategies and shortcomings of social judgment. Prentice-Hall.
- Perkins, D. N., Farady, M., & Bushey, B. (1991). Everyday reasoning and the roots of intelligence. In J. F. Voss, D. N. Perkins, & J. W. Segal (Eds.), Informal reasoning and education (pp. 83–105). Lawrence Erlbaum.
- Stanovich, K. E., & West, R. F. (2007). Natural myside bias is independent of cognitive ability. Thinking & Reasoning, 13(3), 225–247. https://doi.org/10.1080/13546780600780796
- Stanovich, K. E., West, R. F., & Toplak, M. E. (2013). Myside bias, rational thinking, and intelligence. Current Directions in Psychological Science, 22(4), 259–264. https://doi.org/10.1177/0963721413480174
- Wason, P. C. (1960). On the failure to eliminate hypotheses in a conceptual task. Quarterly Journal of Experimental Psychology, 12(3), 129–140. https://doi.org/10.1080/17470216008416717
- Wason, P. C. (1968). Reasoning about a rule. Quarterly Journal of Experimental Psychology, 20(3), 273–281. https://doi.org/10.1080/14640746808400161
Il bias di conferma non scompare una volta che lo si conosce. Ma conoscerlo sposta la domanda: non più "questa informazione è vera?", ma "sto cercando di capire, o sto cercando di avere ragione?"