Per informazioni in più su come è nato il progetto, i player coinvolti e i risultati, rimandiamo all’articolo dedicato e al case study di Bodoni. In questo articolo andremo in profondità sul processo di ricerca di prodotto portato avanti nei mesi di nascita e crescita del progetto.

L’AI generativa ha moltiplicato la capacità di produrre informazione a velocità e scala senza precedenti. Allo stesso tempo, ha anche moltiplicato la capacità di produrre disinformazione a velocità e scala senza precedenti. Il World Economic Forum l’ha classificata come la principale minaccia a breve termine per la società civile nel 2024 e nel 2025, due anni di fila.

Bodoni usa l’AI per aiutare i giornalisti a contrastare la disinformazione. Il paradosso è evidente, ma non è un buon motivo per non procedere. Tuttavia, per farlo in modo sensato, non potevamo partire subito dalla tecnologia. Era necessario parlare con le persone che avrebbero dovuto usarla: capire come lavorano, cosa temono, dove si perdono. Quello che segue è il resoconto di quel processo.

Qualità vs Quantità

Il primo bivio è stato metodologico. Da una parte, la tentazione della ricerca quantitativa: grandi numeri, questionari strutturati, grafici da mostrare in presentazioni. Dall’altra, la strada più lenta ma più densa della ricerca qualitativa: interviste dettagliate, racconti, e contraddizioni – una mole di storie che non entra in una tabella ma restituisce spessore al lavoro quotidiano.

La scelta è caduta sulla seconda via. Non per disinteresse verso i numeri, ma perché la domanda centrale non era “Quanti giornalisti usano già l’AI?”. Erano, piuttosto, “Che ruolo vogliono darle nella loro pratica professionale?”, “Dove sentono che li aiuta, dove li preoccupa, dove rischia di peggiorare il loro lavoro?”. La statistica perfetta non avrebbe risposto a nessuna di queste domande.

Il team di ricerca ha unito tre sguardi diversi: una senior UX researcher di Google, Eleonora Zucconi; il direttore creativo e designer di Geckosoft, Fabio Santaniello Bruun; e un professore associato di sociologia dei media dell’Università di Milano, Sergio Splendore, che ha guidato la definizione e validazione dei protocolli di intervista. Tre prospettive diverse accomunate da un obiettivo: costruire un prodotto che avesse senso prima di tutto per chi, ogni giorno, deve decidere cosa raccontare, come verificarlo e come metterci la faccia.

Una figura mitologica che non esiste: l’utente medio

Anche la composizione del campione è stata una scelta precisa. Il “giornalista medio” non esiste, e progettare per lui avrebbe prodotto qualcosa che non va bene per nessuno.

Il campione ha cercato intenzionalmente situazioni estreme: piccoli editori locali e grandi gruppi editoriali, testate native digitali e media tradizionali, giornalisti emergenti con meno di tre anni di attività e senior con più di dieci anni di redazione. Il risultato è un mosaico che va dal cronista locale che si muove tra bar, uffici comunali e gruppi WhatsApp, al giornalista di una grande testata nazionale immerso in flussi continui di agenzie, report e notizie dall’estero.

Vale la pena soffermarsi su questo principio perché riguarda il design in generale. Progettare per l’utente medio è una comfort zone che raramente produce innovazione. Le rampe sui marciapiedi, nate per le sedie a rotelle, sono usate da chiunque abbia un trolley. I sottotitoli, nati per i non udenti, sono oggi usati da chiunque guardi video in pubblico senza audio. Se un’interfaccia funziona per chi ha più difficoltà o per chi ha pretese altissime, è più robusta per chiunque. Certo, esiste anche il rischio opposto: sovraccaricare l’interfaccia con funzioni di nicchia che confondono la massa. Il segreto sta nell’architettura dell’informazione: la soluzione per l’estremo deve essere integrata, non aggiunta come pezzo extra.

Una domanda mal posta distorce una risposta

Le interviste, della durata di 45-60 minuti, sono state costruite con la cura di chi sa che il tema in gioco richiede delicatezza.

Sotto la guida di Sergio Splendore è stata definita una traccia in tre aree. La prima riguardava il flusso di lavoro quotidiano: come nasce un articolo, chi decide i temi, come vengono selezionate le fonti, cosa succede tra l’idea iniziale e la pubblicazione. La seconda si concentrava sugli strumenti: dal CMS ai tool di montaggio video, dai database istituzionali alle chat di redazione, fino ai primi tentativi di usare AI generativa come ChatGPT, Gemini o Copilot. La terza affrontava il tema più spinoso: rischi e opportunità dell’AI nel giornalismo, timori legati alla perdita di lavoro o di credibilità, ma anche curiosità ed esperimenti già in corso.

Le interviste si sono riempite di casi: un’inchiesta su truffe immobiliari ricostruita incrociando registri, chat tra studenti e testimonianze di ex dipendenti; un video virale smontato grazie a una reverse image search; un titolo sbagliato che aveva compromesso la percezione di un intero pezzo. È in queste storie che la ricerca ha trovato il materiale vivo da cui partire.

La mappa del giornalista

Una volta raccolte le interviste, il lavoro si è spostato dall’ascolto all’interpretazione. Trascrizioni, codifica tematica, confronti tra contesti simili e opposti: da questo sforzo è nata una rappresentazione condivisa del viaggio del giornalista nella creazione di contenuti.

La mappa in sei tappe (scelta dell’argomento, selezione delle fonti, raccolta delle informazioni, produzione del contenuto, pubblicazione, monitoraggio dell’impatto) sembra a prima vista quasi banale. È nel modo in cui è stata riempita che è diventata uno strumento potente.

Per ogni fase, la ricerca ha fatto emergere motivazioni profonde (il desiderio di servire l’interesse pubblico e costruirsi una reputazione solida) e spinte più pragmatiche legate alla visibilità e alla carriera. Accanto a queste, le paure: sbagliare in pubblico, non tenere il passo con le innovazioni, diventare professionalmente irrilevante, essere attaccati sui social.

Questa mappa emotiva ha avuto lo stesso peso della mappa operativa. Il Reuters Institute Digital News Report 2025 documenta che solo il 33% del pubblico pensa che i giornalisti controllino regolarmente gli output AI prima della pubblicazione. La fiducia è già fragile, e un prodotto che la erode ulteriormente, seppur involontariamente, non è un prodotto utile.

Scegliere i temi

Una delle prime fasi messa sotto la lente è stata la scelta dei temi. Qui si intrecciano dinamiche di potere in redazione, interessi personali del giornalista, logiche di mercato e logiche dei social.

Gli argomenti nascono da più direzioni: dalle assegnazioni dei caporedattori, dalle proposte dei giornalisti, da eventi imprevisti che richiedono copertura immediata. In mezzo, c’è la consapevolezza che un titolo accattivante può portare clic ma anche spostare il baricentro dal valore della notizia alla sua resa estetica; che talvolta si è chiamati a scrivere in pochi minuti di un tema che non si conosce; che i temi più sentiti faticano a trovare spazio e compensi adeguati.

Da questa complessità sono scaturite domande di design. Come può un sistema di AI aiutare un giornalista a scoprire temi rilevanti nella propria nicchia prima che diventino saturi, senza trasformarlo in un cacciatore di trend? Come può supportare chi si ritrova a coprire un tema sconosciuto con trenta minuti di anticipo, offrendo fonti di qualità e un quadro chiaro senza sostituire il lavoro di verifica? Come può, soprattutto per i freelance, far emergere connessioni tra temi e potenziali testate interessate ad acquistarli?

Queste domande si sono trasformate in concept di prodotto: la possibilità di suggerire storie ancora poco coperte in contesti specifici, o una modalità che sintetizza un tema complesso in linguaggio giornalistico, con fonti dichiarate e spunti per ulteriori approfondimenti.

Scegliere le fonti

Se la scelta del tema è il “cosa”, la scelta delle fonti è il “da chi” e il “come”. Qui la ricerca ha raccolto materiale ricchissimo, fatto di metodologie raffinate e soluzioni di sopravvivenza costruite in anni di esperienza.

I giornalisti si muovono in un arcipelago di fonti: agenzie di stampa, istituzioni, archivi pubblici e privati, esperti accademici, testimoni diretti, social network e gruppi chiusi. La difficoltà non è solo nell’orientarsi tra queste isole, ma nel farlo tenendo insieme tre esigenze contemporaneamente: capire quali fonti siano rilevanti, assicurarsi che siano aggiornate, valutarne l’affidabilità a più livelli. Come ha spiegato uno degli intervistati:

“Oggi la parte più difficile del mio lavoro è dare notizie che siano originali. Perché oggi le notizie di solito passano per canali istituzionali, è molto difficile lavorare sulle fonti primarie […] si ha poco tempo, perché le fonti non parlano più come una volta”.

Ecco alcune delle strategie emerse per gestire tutto questo: fogli Excel con elenchi di siti da evitare; rubriche personali di contatti affidabili; triangolazioni con agenzie considerate sentinelle; verifica sistematica di immagini e video con ricerche inverse.

La direzione di design è emersa con chiarezza: l’AI non doveva sostituire il giudizio del giornalista, ma rendere visibili le informazioni già cercate oggi, a fatica. Da qui l’idea che il sistema possa proporre, a partire da un tema, un set ragionato di fonti potenziali con segnali sulla loro natura, sulla loro attualità e sulla loro storia di utilizzo in altre redazioni. Insieme, la capacità di mostrare come diversi insiemi di fonti raccontano lo stesso tema: quali cluster di narrazione esistono, quali voci restano ai margini, quali anomalie meritano una verifica più profonda.

Sopravvivere al rumore

Selezionare le fonti è un conto. Vivere quotidianamente nel flusso continuo di notifiche, comunicati, telefonate e chat è un altro.

Per chi si occupa di cronaca locale, il lavoro rimane radicato nel territorio: il passaparoro, la presenza fisica, i messaggi da numeri salvati in rubrica e da numeri sconosciuti, i gruppi WhatsApp. Per chi lavora su cronaca nazionale, esteri o approfondimento, lo scenario è diverso ma non meno caotico: feed di agenzie che scorrono senza sosta, segnalazioni via social, banche dati da consultare, comunicati stampa da setacciare. Un giornalista senior l’ha raccontato senza giri di parole:

“Il tempo di riflettere non c’è più. Quindi ti muovi d’istinto e quante cose invece faresti diversamente, meglio o anche peggio, se ti fermassi, se approfondissi? […] I giovani giornalisti procedono meccanicamente, tutto è così veloce che si perde la tridimensionalità della relazione con la notizia e con il pubblico”.

Il Reuters Institute ha documentato come i siti di “AI Slop”, contenuti generati automaticamente per scalare sui motori di ricerca, stiano già sommergendo il lavoro del giornalismo professionale. In questo contesto, i concept di design emersi dalla ricerca guardano in direzione opposta: sistemi che, a partire da un alert, costruiscono non un articolo già pronto, ma un percorso possibile: fonti da contattare, dati storici rilevanti, domande chiave da porsi, suggerimenti su chi ha già lavorato su temi simili.

Dalla ricerca al design

Un elemento centrale del processo è stato il modo in cui la ricerca è stata restituita al team di prodotto. Abbiamo fatto a meno di un unico grande report finale, preferendo aggiornamenti settimanali che alternavano mappe del journey, citazioni dei giornalisti, analisi delle pratiche esistenti e proposte di direzione per il design.

Ogni aggiornamento seguiva una struttura ricorrente: descrizione del problema, ricostruzione di come i giornalisti oggi affrontano quella difficoltà specifica, ipotesi su come un sistema di AI potrebbe intervenire in modo sensato. Questo formato ha permesso di trasformare quasi in tempo reale gli insight in sketch di funzionalità, scenari d’uso e primi prototipi.

Gli insight guidavano la scelta dei problemi su cui concentrarsi, e i primi prototipi sollevavano nuove domande di ricerca: che tipo di trasparenza è davvero comprensibile in un’interfaccia? Fino a che punto è utile mostrare tutti i passaggi di un modello di AI senza generare ulteriore complessità?

Progettare per fiducia, controllo e contesto

Il principio cardine del design è stato “augment, don’t replace”: non costruire un sistema che scrivesse al posto dei giornalisti, ma uno strumento che li mettesse nelle condizioni di fare meglio il lavoro in cui il loro giudizio è insostituibile. Durante le interviste sono emerse posizioni diverse. Alcuni hanno espresso un punto di vista pragmatico:

“La mia filosofia è che se fai un lavoro che può fare una macchina, la macchina ti sostituisce. Mentre se esci per strada, fai un lavoro di interviste, di inchiesta… GPT non esce per strada a fare un’intervista”.

Altri hanno manifestato preoccupazioni più profonde:

“Il rischio più importante è la banalità e la mediocrità delle storie che scriviamo. Ho il terrore di un futuro in cui le storie sono scritte esclusivamente da robot… che non riescono a tradurre la vita delle persone in parole”.

Entrambe le posizioni sono ragionevoli, entrambe descrivono un rischio reale. Nessuna delle due risolve il problema di come si progetta uno strumento che le tiene insieme.

In Bodoni AI la distinzione tra ciò che viene generato dal sistema e ciò che è decisione del giornalista è sempre visibile. Le funzioni non portano mai direttamente alla pubblicazione, ma alla preparazione di materiale che richiede un intervento editoriale consapevole. Sempre il Reuters Institute ha documentato che solo il 12% del pubblico è a proprio agio con notizie prodotte interamente dall’AI, ma che il livello di comfort sale significativamente quando è visibile la supervisione umana. Progettare per quella visibilità non è un dettaglio estetico.

Alcuni dettagli che raramente finiscono nelle brochure di prodotto ma che fanno la differenza nella pratica: timestamp sempre visibili, link espliciti alle fonti originali, indicazioni chiare sul grado di sicurezza dei risultati. Infine, il contesto. La stessa funzionalità può avere un senso completamente diverso in una piccola redazione locale con un solo giornalista di turno o in un grande quotidiano con desk multipli e figure specializzate per il fact-checking. Bodoni AI è stato pensato per adattarsi a queste differenze: in alcuni casi come strumento leggero, quasi plug-and-play; in altri come componente integrabile in workflow più complessi, capace di dialogare con CMS esistenti e sistemi interni.

Scegliere cosa costruire: il metodo RICE per l’MVP

Arrivati a un punto in cui gli insight della ricerca avevano generato più idee che risorse disponibili, bisognava scegliere cosa includere nell’MVP. Il metodo usato è stato il RICE (Reach, Impact, Confidence, Effort) un framework che bilancia potenziale e realtà, tenendo tutto ancorato alla stella polare del progetto: rafforzare la democrazia contrastando la disinformazione e promuovendo informazioni affidabili nell’ecosistema dell’informazione.

Il RICE ha prioritizzato due aree. La prima riguardava contenuti generati da Bodoni basati su fonti affidabili, con tecnologie che non solo producono testo ma espongono riferimenti trasparenti e supportano la verifica. La seconda riguarda l’accesso a informazioni di qualità direttamente nei workflow dei giornalisti, riducendo attriti e accelerando l’accesso a ciò che conta.

Da questa prioritizzazione sono uscite le tre aree di funzionalità del prodotto: il grafo delle notizie, la panoramica dei topic più discussi con la mappa interattiva, e il CoEditor per la scrittura di articoli supportata dall’AI di Bodoni. Maggiori dettagli nel case study.

Sviluppo, prototipi, test

Il passaggio dal concetto al codice è stato quasi naturale. Il team di sviluppo ha lavorato su proof of concept mirati, testando la capacità dei modelli di proporre fonti utili per determinati temi, sintetizzare contenuti lunghi in linguaggio giornalistico, individuare incongruenze tra più versioni della stessa notizia, raggruppare notizie per temi simili, estrarre i claim per metterli in connessione tra le varie fonti. Ogni prototipo è stato concepito non come dimostrazione astratta, ma come risposta a storie già ascoltate.

Il ciclo si è chiuso (e riaperto) con i test di usabilità condotti nuovamente con giornalisti vicini per profilo a quelli intervistati nella fase iniziale. L’obiettivo non era capire se l’interfaccia funzionava, ma osservare come cambiava il modo di lavorare sulle notizie con il supporto di Bodoni.

La ricerca come infrastruttura permanente

Quando Bodoni AI è stato lanciato, il lavoro di ricerca non è finito, ha semplicemente cambiato forma. Alle voci dei giornalisti raccolte nelle interviste si sono affiancati i dati d’uso: quali funzioni vengono usate di più, quali vengono ignorate, dove si interrompono i flussi. Gli aggiornamenti settimanali hanno smesso di essere solo un log di scoperta e sono diventati una memoria lunga del prodotto: un archivio di casi, mappe e citazioni a cui tornare ogni volta che si apre una nuova direzione.

La lezione più importante di questo percorso è questa: la ricerca UX non è una fase preliminare che si chiude con un documento, ma rappresenta un’infrastruttura che sostiene il prodotto nel tempo. In un’epoca in cui è facile innamorarsi dei modelli di AI e dimenticare le persone che dovrebbero usarli, Bodoni AI è un tentativo deliberato di muoversi in direzione opposta.

Prima i flussi di lavoro, poi le funzionalità. Prima le paure e le motivazioni dei giornalisti, poi l’architettura del sistema. Prima le storie, poi il codice.

---

Pubblicato originariamente sul sito Geckosoft.