Come fare ricerca e verificare i fatti con l'IA: la modalità deep research

In breve: la modalità deep research è quella in cui l'IA non risponde subito, ma lancia da sola decine di ricerche, apre pagine e in 5–30 minuti costruisce un report con le fonti. Ti fa risparmiare ore, ma non ti toglie la verifica: il modello può ancora fraintendere una fonte o citare una pagina che non esiste. Una regola sola: apri i link di persona. Quello che segue non è teoria, ma un giro dentro la nostra ricerca di mercato: cosa abbiamo tirato fuori, cosa abbiamo ricontrollato e cosa, onestamente, non siamo riusciti a ottenere.

In cosa si differenzia da una chat normale con ricerca

Una chat normale con ricerca web fa una o due query e risponde in pochi secondi. La modalità ricerca funziona diversamente: spezza la tua domanda in sotto-domande, cerca per ognuna, legge quello che trova, nota le contraddizioni, colma i buchi — e solo allora scrive un report strutturato con le note. È un ciclo «cerca → leggi → affina», ripetuto molte volte senza di te.

Da qui la differenza di sensazione: una risposta normale è l'opinione di un interlocutore ben informato; un report di deep research è la bozza di una nota da analista. Con una bibliografia che puoi controllare. Oppure non controllare, e cascarci.

Ed ecco la cosa da capire subito. La modalità cambia l'economia della ricerca, non la sua natura. Passare in rassegna quaranta pagine prima ti costava una giornata. Adesso costa dieci minuti di attesa. Ma decidere quali quaranta pagine valessero la pena, e cosa se ne ricava, resta compito tuo. Lo strumento ha reso economica la raccolta e non ha fatto assolutamente nulla per la verifica. La verifica è rimasta dov'era — ed è per questo che il resto dell'articolo parla soprattutto di verifica.

Dove si trova

• ChatGPT — modalità Deep Research, di solito nei piani a pagamento, con un limite mensile di esecuzioni.
• Gemini — Deep Research, integrata nell'interfaccia, mostra il piano di ricerca prima di partire.
• Claude — modalità Research con ricerca web e lavoro su più fonti.
• Perplexity — nato per la ricerca, con una modalità di ricerca dedicata.

Nomi e limiti cambiano quasi ogni mese, quindi non memorizzare il marchio ma il principio: se uno strumento mostra un elenco di fonti e impiega minuti invece di secondi, è quella la modalità. Le differenze generali tra i modelli le trovi in ChatGPT vs Claude vs Gemini.

Come impostarlo perché il report serva davvero

L'errore classico è buttare lì un tema in una riga («il mercato delle auto elettriche in Europa») e aspettarsi la magia. La modalità girerà e ti consegnerà fuffa. Delimita il compito su quattro assi: la domanda, i confini (periodo, area geografica, tipi di fonte), il formato e cosa fare con l'incertezza.

Invece di descriverlo in astratto, guarda. Premi «Esegui» e il modello trasformerà davanti a te un tema vago in un brief vero. Poi ci metterai il tuo tema al posto di quello.

Sei un redattore di brief di ricerca. Ecco una richiesta esattamente
come l'ha mandata un cliente: «Mi serve una panoramica del mercato
delle auto elettriche in Europa».

È un brief pessimo. Riscrivilo in uno operativo, su quattro assi:

1. LA DOMANDA. Spezza il tema in 4-6 domande concrete a cui si possa
   rispondere con i fatti e non ragionandoci sopra. Domanda pessima:
   «quali sono le prospettive del mercato». Domanda buona: «come è
   cambiata la quota di auto elettriche sulle nuove immatricolazioni
   per Paese negli ultimi tre anni».
2. CONFINI. Proponi periodo, area geografica e un ordine di priorità
   dei tipi di fonte. Di' esplicitamente quali fonti valgono come
   primarie su questo tema e quali sono rimasticature.
3. FORMATO. Descrivi la struttura del report e la regola di citazione:
   cosa deve stare accanto a ogni numero.
4. INCERTEZZA. Formula la sezione che il ricercatore è obbligato a
   riempire: dove le fonti divergono, cosa non si è riusciti a
   trovare, quali affermazioni si reggono su poco.

Chiudi con 5 «trappole di questo tema»: i numeri e le affermazioni
tipiche che in questo campo passano di articolo in articolo senza
fonte primaria. Spiega perché ognuna va ricontrollata.

L'ultimo asse — l'incertezza — è il più prezioso e quasi nessuno lo chiede. Trasforma il report da «testo sicuro di sé» in una mappa del sapere, dove si vede dov'è terreno solido e dove comincia la palude. Le basi su come costruire le richieste sono in cos'è un prompt, gli esempi svolti nella nostra raccolta di prompt.

La trappola principale: fonti che non esistono

I modelli linguistici si inventano le fonti. Non ogni tanto e non solo i «modelli scadenti»: è una proprietà sistemica. Il modello genera una prosecuzione plausibile del testo, e un URL plausibile con un titolo di articolo plausibile gli viene facile quanto uno vero. La meccanica è smontata in allucinazioni dell'IA: perché i modelli si inventano le cose.

La modalità ricerca abbassa il rischio, perché le pagine le visita davvero. Non lo elimina. Tre strade per cui l'invenzione filtra in un report finito:

• Link morto. La fonte si è spostata o non è mai esistita: nel report le due cose sembrano ugualmente autorevoli.
• Il link funziona, l'affermazione non c'è. Il caso più frequente e più insidioso: la pagina si apre, sembra pertinente, ma il numero del report semplicemente non c'è — l'accento ce l'ha messo il modello.
• Catena di rimbalzi. Il report cita un blog, il blog cita una notizia, la notizia cita «uno studio» che nessuno ha visto. Formalmente la nota c'è. Di fatto la fonte primaria no.

La conclusione è scomoda ma onesta: una nota non è una verifica, è la promessa di una verifica. Verificare tocca a te.

Sei casi dalla nostra ricerca

Quelli che seguono non sono esempi da manuale. Abbiamo fatto noi una ricerca sul mercato dei corsi di IA (dati estratti il 17/07/2026): abbiamo tirato prezzi e metriche dei corsi da un'API interna di Udemy, raccolto le statistiche di iscrizione su Coursera e letto cosa hanno scritto davvero gli studenti scontenti. È materiale comodo per mostrare tutte le trappole in una volta, perché ci siamo caduti in tutte.

Caso 1. La fonte primaria contro il «lo sanno tutti»

La saggezza popolare dice che i corsi su Udemy sono a listino a 200 dollari e sono perennemente scontati del 90%. Chiedilo a qualsiasi modello: te lo ripeterà con sicurezza, perché lo dicono migliaia di articoli. Siamo andati a guardare la risposta grezza dell'API (endpoint price_text) e abbiamo visto questo:

Sei un analista che legge le risposte grezze delle API e non crede
al marketing sulla parola. Ecco un frammento della risposta dell'API
per la pagina di un corso (scaricato da noi il 17/07/2026):

{
  "price": {"amount": 24.99, "currency": "EUR"},
  "list_price": {"amount": 24.99, "currency": "EUR"},
  "saving_price": {"amount": 0.0},
  "has_discount_saving": false,
  "discount_percent": 0
}

I tuoi compiti:
1. Di' cosa dimostra questo frammento e cosa no. Tieni le due cose
   rigorosamente separate.
2. L'affermazione corrente è: «questa piattaforma è sempre in saldo,
   un corso da 200 euro va via a 20». Il frammento smentisce questa
   affermazione? Del tutto o solo in parte?
3. Dai tre spiegazioni alternative con cui frammento e affermazione
   corrente potrebbero restare compatibili.
4. Indica altri tre campi o richieste che pretenderesti per chiudere
   la questione una volta per tutte. Per ognuno spiega quale dubbio
   preciso toglie.
5. Formula la conclusione come potrebbe essere stampata: una frase,
   senza esagerare, con una riserva esplicita sui limiti dei dati.

Cosa abbiamo trovato: lo sconto non c'è. saving_price: 0.0, has_discount_saving: false, discount_percent: 0. Il corso costa 24,99 €, e 24,99 € è anche il suo prezzo pieno. Dei dodici corsi più venduti che abbiamo catturato, undici stanno a 19,99 €; uno (The Complete AI Guide) a 24,99 €. Nessun «prima 199,99 €» da nessuna parte.

Ecco tutta la lezione sulle fonti primarie in un paragrafo. Una convinzione di massa esisteva, era stata pubblicata migliaia di volte e suonava del tutto plausibile. Nessun deep research l'avrebbe ribaltata: il modello avrebbe trovato quelle stesse migliaia di articoli e le avrebbe riassunte con diligenza. A smentirla è solo una risposta del server leggibile da una macchina, che qualcuno doveva andare a prendere. Il deep research trova benissimo il consenso e quasi mai quello che il consenso si è perso.

Prima di lanciare un'esecuzione, quindi, fatti una domanda sgradevole: la mia risposta è probabile che stia scritta da qualche parte, o vive in un database, in un registro, in un'API, in un listino, in un fascicolo giudiziario? Se vale il secondo caso, il report ti consegnerà un riassunto splendidamente documentato di quello che credono tutti, e non avrai imparato niente.

Caso 2. Il numero che non siamo riusciti a ottenere

Nella nostra ricerca c'è una riga che mi piace più di qualsiasi numero: il prezzo esatto di ChatGPT Plus — non confermato, tutti i domini di OpenAI hanno restituito 403. Quel prezzo lo sappiamo all'incirca, come lo sanno tutti. Ma la fonte primaria si è rifiutata di darcelo, e nel nostro file interno è segnato come di seconda mano e vietato l'uso come dato di fatto.

Lo stesso segno ce l'ha il prezzo del Personal Plan di Udemy: 20,00 €/mese, 10,00 €/mese in promozione — preso dalla landing page, perché udemy.com ha restituito 403 al nostro crawler. Il numero nel report c'è, ma accanto c'è la sua provenienza.

Questa è la cosa che i report di deep research fanno peggio. Il modello odia tornare a mani vuote. Se la fonte primaria non è raggiungibile, infilerà zitto un numero preso da una rimasticatura senza dirti una parola. La differenza tra «lo abbiamo verificato» e «ne abbiamo trovato una menzione» sparisce senza lasciare traccia dentro la sua prosa. Pretendi esplicitamente una sezione «cosa non sono riuscito a trovare»: da sola non comparirà mai.

E guarda la forma dell'errore. Non è un'allucinazione. Il numero è probabilmente giusto. Quello che manca è l'etichetta. Un numero giusto senza etichetta e uno sbagliato senza etichetta sulla pagina sono identici: ed è proprio per questo che l'etichetta conta più del numero.

Caso 3. Fonte autorevole con un metodo rotto

Preparando la localizzazione ci siamo imbattuti nell'EF English Proficiency Index, la classifica sulla conoscenza dell'inglese più citata al mondo. Mette la Romania all'11º posto. Qualsiasi report di IA sulle lingue lo tira dentro per primo: sta ovunque, sembra statistica, i media lo citano.

L'abbiamo buttato via tutto. Ed ecco perché. Il campione è autoselezionato — lo scrive EF stessa nella metodologia: fa il test chi decide da sé di verificare il proprio inglese sul sito di una scuola di lingue. L'età media di chi lo sostiene è 26 anni. Confronta ora con fonti a campione probabilistico: l'Eurobarometro 540 (n = 26.523) ed Eurostat AES 2022 concordano che la Romania è ultima nell'UE: il 51,2% della popolazione non parla nessuna lingua straniera e il 25% parla inglese. Undicesima al mondo e ultima nell'UE non è una dispersione di stime. Sono affermazioni incompatibili, e una delle due l'ha prodotta un metodo rotto.

Da qui una regola che vale più di qualsiasi checklist: guarda come è stato prodotto un numero, non chi l'ha pubblicato. Il deep research ordina le fonti per autorevolezza e visibilità — e un metodo rotto è esattamente ciò che rende visibile una fonte, perché produce numeri puliti e citabili. Un'indagine fatta bene riporta intervalli e margini di confidenza; un quiz autoselezionato pubblica una classifica. Indovina chi vince la gara delle citazioni.

Caso 4. Uno studio che non dice quello che sembra dire

L'unico esperimento con revisione dei pari che abbiamo trovato sul nostro tema: Bälter, Kann, Mutimukwe & Malmström, Applied Linguistics Review 15(6): 2373–2396, 2024. Studio randomizzato controllato, n = 2.263 studenti svedesi, un corso di programmazione online, assegnazione casuale alla versione svedese o a quella inglese.

Il risultato: abbandono del 57% in svedese contro il 71% in inglese (φ = 0,2; p < 0,00001). Punteggio medio tra chi è rimasto: 16,9 contro 14,3, dimensione dell'effetto δ = 0,085 — trascurabile.

Ora guarda cosa è successo lì. Sui punteggi la differenza praticamente non c'è. La tentazione è scrivere «la lingua non influisce sui risultati»: il numero c'è, la significatività no. Ma sull'abbandono il divario è enorme. L'inglese non ha peggiorato la comprensione: ha fatto andare via le persone. Sono affermazioni diverse, e la seconda si vede solo se guardi cosa ha misurato lo studio, e su chi. La padronanza autovalutata, tra l'altro, dall'abbandono non proteggeva.

I report di deep research si rompono esattamente qui, e in modo affidabile. Riportano la conclusione dell'abstract, non l'impianto dello studio. E un abstract è a sua volta una rimasticatura, solo scritta dagli autori. Se un'affermazione ti sta a cuore, le cose che vale la pena leggere sono due: la sezione sul metodo e la tabella. Tutto il resto in un articolo è prosa.

Caso 5. Un numero che sembra una risposta e non lo è

Misurando il mercato per lingua siamo finiti sui contatori dei corsi di Udemy: tot corsi in spagnolo, zero in svedese. Bel numero, slide già pronta. Solo che misura l'offerta, non la domanda. Zero corsi in svedese o è una nicchia vuota in cui correre subito, o è la prova che lì il mercato non c'è. Un numero, due conclusioni opposte, e nessun dato per scegliere tra le due. Così l'abbiamo scritto: ambiguo.

Abitudine utile: prima di mettere un numero in una conclusione, chiediti quale decisione opposta lo stesso numero sosterrebbe altrettanto bene. Se le sostiene entrambe, non è un argomento: è decorazione. Il deep research sforna decorazione così a ritmo industriale, perché un numero con la fonte attaccata passa qualsiasi controllo superficiale.

Caso 6. Dimensione dell'effetto contro dimensione del titolo

L'industria della localizzazione promette una crescita «del +40–70%». Abbiamo cercato conferme indipendenti e abbiamo trovato esattamente due misurazioni. eBay, all'attivazione della traduzione automatica: +10,9% di export (Brynjolfsson, Hui & Liu, Management Science 65(12), 2019), e l'effetto calava al salire del prezzo dell'articolo. Un test A/B di Wikimedia: +3,64%. Dietro la promessa del «+40–70%» non c'è niente di indipendente.

La distanza tra 3,64% e 70% non è un disaccordo su un numero. È la differenza tra una misurazione e una pubblicità. E nota il dettaglio dell'effetto che si assottiglia quando il prezzo sale: esiste solo nell'articolo e sparisce in ogni rimasticatura, perché rovina il titolo. Le riserve muoiono per prime: sono la prima cosa amputata in una catena di rimbalzi, molto prima che il numero stesso venga distorto.

Verificare un report in 5 minuti

1. Elenca le affermazioni da cui dipende qualcosa. Di solito sono 3–7 per report, non quaranta. Il resto è contesto, dove un errore non costa nulla.
2. Apri il link di ciascuna. Si carica? Allora Ctrl+F sul numero o sulla parola chiave. Non c'è? L'affermazione non è supportata. Punto.
3. Risali alla fonte primaria. Se la nota porta a una notizia su un report, trova il report. I numeri mutano per strada e le riserve cadono.
4. Controlla la data. Un report «fresco» si mette insieme senza fatica con articoli di cinque anni fa, se non hai delimitato il periodo.
5. Controlla il metodo, non il marchio. Come è stato prodotto il numero? Chi è stato interpellato, e come è stato scelto? Il nostro caso EF parla esattamente di questo.
6. Chiedi il contrario. Lancia una seconda passata: «trova argomenti contro la conclusione X e dati che la contraddicono». Se non salta fuori proprio niente, la ricerca era probabilmente superficiale.

I primi cinque minuti si ripagano perché non citerai un'invenzione. Il sesto passo si ripaga perché non citerai una verità che non significa nulla.

Ecco un revisore pronto per i passi 1–3. Il prompt si regge da solo: il report è dentro, quindi lancialo così com'è.

Sei un fact-checker. Ti hanno dato il frammento di un report prodotto
da un'IA. Il tuo compito non è verificare i fatti (non hai internet),
ma costruire un piano di verifica e ordinare le affermazioni per
rischio.

FRAMMENTO DEL REPORT:
«Il mercato dei corsi di IA online è in pieno boom. Secondo le stime
di settore il mercato raggiungerà i 47 miliardi di dollari entro il
2030 (fonte: il blog di un'agenzia di marketing, 2025). I corsi si
vendono con uno sconto medio dell'87%: le piattaforme praticamente
li regalano. Il corso più grande ha attirato oltre 400.000 studenti.
Gli esperti concordano che il video resta il formato preferito dalla
maggior parte di chi studia. Uno studio ha dimostrato che localizzare
i contenuti aumenta la conversione del 40–70%.»

Fai quattro cose:

1. SCOMPOSIZIONE. Scrivi ogni affermazione su una riga sua. Etichetta
   ognuna: fatto misurabile / previsione / stima / opinione riportata /
   cliché di marketing.
2. RISCHIO. Assegna a ogni affermazione un rischio di essere inventata
   o distorta: alto / medio / basso. Motiva in una frase breve. Fai
   particolare attenzione ai numeri senza data e senza metodo e alle
   formule «gli esperti concordano» e «uno studio ha dimostrato».
3. PIANO. Per le tre affermazioni più a rischio scrivi quale fonte
   primaria precisa chiuderebbe la questione e quale unica richiesta
   le faresti.
4. RISCRITTURA. Riscrivi il frammento in modo che resti solo ciò di
   cui si può rispondere, e tutto il resto sia segnalato in modo
   esplicito come non verificato. Non inventare niente: dove i dati
   non ci sono, scrivilo.

Quando le fonti sono persone

Metà della nostra ricerca non sono numeri, sono recensioni. Abbiamo raccolto alla lettera 26 citazioni di studenti scontenti, con autore e data (più due da forum, che contiamo a parte, perché un messaggio su un forum non è una recensione di un corso). Sui corsi video, per esempio:

«why read straight from the slide? I can do that. This was not a helpful course at all» — Janie I., 02.07.2026, 1★

«50% of this course is reading script like a robot from the slides. …they are just reading text from the slides which you can also you from any good website» — Shashank T., 13.04.2026, 1★

Quello che conta è cosa abbiamo fatto dopo. Non abbiamo scritto «gli studenti sono scontenti in massa». Abbiamo contato la quota di recensioni negative (≤3,5★): Generative AI for Beginners — 9,61%; The Complete AI Guide — 10,36%. Quindi più o meno uno studente su dieci. Le citazioni colpiscono, ma illustrano una minoranza, e questo nel testo deve stare lì accanto.

La seconda riserva onesta: su Coursera il filtro delle recensioni per stelle avviene nel browser — l'HTML del server restituisce sempre la prima pagina. Vuol dire che le nostre citazioni da lì vengono dalla pagina predefinita che vede qualsiasi visitatore, non da una selezione sistematica. Questo indebolisce l'affermazione, e l'abbiamo messo per iscritto.

La regola: una citazione dimostra che un'opinione esiste, non quanto è diffusa. Un report di deep research cucito insieme dalle recensioni suona sempre come una sentenza, perché le urla coprono il silenzio e le recensioni negative si scrivono molto più volentieri di quelle neutre. Pretendi il denominatore. Se il report ti dà cinque citazioni furiose e nessuna percentuale, non ti ha detto niente sul mondo: ti ha detto che il testo arrabbiato è facile da trovare.

Distinguere un report buono da uno bello

I report di deep research sembrano quasi sempre convincenti: titoli, elenchi puntati, note, un tono analitico uniforme. La bellezza della forma non dice nulla sulla qualità della sostanza.

• Quante fonti diverse reggono le affermazioni chiave. Se tutto il report sta su due pagine, non è ricerca: è la rimasticatura di due pagine.
• Se i tipi di fonte variano. Un report fatto solo di blog e media è debole. Uno con materiale primario (risposte grezze di API, statistiche, documentazione, bilanci, articoli scientifici) è forte.
• Se le date sono indicate. Un'affermazione senza data, su un tema che si muove in fretta, non serve quasi a niente.
• Se il metodo è indicato. Chi è stato interpellato, quanti erano, come sono stati scelti. Senza questo, «un'indagine ha mostrato» è un modo di dire, non una prova.
• Se l'incertezza viene ammessa. Un buon report da qualche parte dice «i dati divergono» oppure «nessuna conferma trovata». Un report in cui è tutto univoco è sospetto: la realtà non ha questa faccia.
• Se i fatti sono separati dalle conclusioni. «Le vendite sono cresciute del X%» e «il mercato è avviato al boom» sono affermazioni di classe diversa.

Metti alla prova la tua conclusione con questo. Funziona senza internet: attacca la logica del testo, non i fatti.

Sei l'avvocato del diavolo. Il tuo lavoro è provare a demolire la
conclusione qui sotto. Non essere gentile e non cercare l'equilibrio.

CONCLUSIONE: «Il video perde contro il testo nell'insegnare
competenze digitali agli adulti, perché il video non si può scorrere
al proprio ritmo, mentre il testo per definizione ha la
trascrizione».

LE PROVE SU CUI POGGIA LA CONCLUSIONE (recensioni reali dei corsi
video più venduti, raccolte il 17/07/2026):
- «It is too fast for a beginner... until you try to see and
  understand it the next screen pops up» — Amit A., 29.04.2026,
  2 stelle, su The Complete AI Guide
- «I am very frustrated that I can not easily access a transcript
  to reference later. The instructors are talking so quickly»
  — Vince D., 16.03.2026, 1 stella, corso non registrato
- quota di recensioni a 3,5 stelle o meno per The Complete AI Guide:
  10,36%

Fai cinque cose:
1. Indica il punto più debole di questa argomentazione.
2. Spiega cosa dimostrano queste recensioni e cosa no. A parte: cosa
   fa il numero 10,36% alla forza della conclusione, la rafforza o
   la indebolisce?
3. Costruisci il controargomento più forte: a quali condizioni il
   video batte il testo, e per chi esattamente?
4. Inventa i dati che smentirebbero la conclusione di netto. Descrivi
   lo studio che li produrrebbe.
5. Riscrivi la conclusione in modo che sia onesta rispetto alle prove
   disponibili. Probabilmente diventerà più stretta e più noiosa.
   Va bene così.

Un discorso a parte sulla catena di rimbalzi

L'errore più silenzioso di tutti. Il link è vivo, la pagina si apre, il numero c'è — e la fonte primaria non esiste da nessuna parte, perché si citano tutti a vicenda in cerchio. Qui il deep research è impotente: formalmente ogni nota è valida. Niente nella struttura del report può dirti che l'intero edificio poggia su un comunicato stampa che non citava nulla.

Ecco lo stesso «+40–70%» scomposto passo per passo. Il report dell'IA afferma che «la localizzazione aumenta la conversione del 40–70%» e rimanda al blog di una piattaforma di traduzione. Il blog, 2025: «gli studi mostrano un aumento del 40–70%» — link al comunicato stampa di un'associazione di settore. Il comunicato, 2024: «in un'indagine tra gli operatori del mercato, le aziende dichiarano una crescita fino al 70%» — senza nessun link.

Guarda dove si è rotto. Tra comunicato e blog, «le aziende dichiarano una crescita fino al 70%» è diventato «gli studi mostrano una crescita del 40–70%». L'autodichiarazione di parti interessate si è trasformata in «studi», il «fino al 70%» è diventato la forbice «40–70%», e il limite inferiore è uscito dal nulla. Al terzo rimbalzo si legge già come una misurazione. E in quella catena non c'è un solo link formalmente falso: proprio per questo qui il controllo automatico delle note non ti salva.

Intanto la misurazione vera stava lì a due passi e nella catena non è mai entrata: quel +10,9% di eBay, con l'effetto che cala al salire del prezzo. La fonte primaria ha perso contro la rimasticatura perché offriva un numero peggiore.

Quando la modalità ricerca è lo strumento sbagliato

• Ti serve un solo dato. Una tariffa, una data, una definizione: la ricerca di sempre è più veloce.
• Il tema ha meno di un giorno. Indicizzazione e accesso alle pagine fresche funzionano a singhiozzo; le notizie calde leggile con i tuoi occhi.
• I dati sono chiusi. Banche dati a pagamento, documenti interni, articoli dietro paywall: il modello non entra e, peggio, costruirà una panoramica su rimasticature di abstract. I nostri 403 da Udemy e OpenAI sono esattamente questa categoria.
• Ti serve quello che il consenso si è perso, non il consenso. La storia dello sconto Udemy segna il confine del genere: quello che non sta scritto da nessuna parte, la modalità non lo può trovare, per definizione.
• La posta in gioco è medica o legale. Un report va bene come mappa del terreno e lista di fonti, non come base di una decisione.

Come inserirlo nel tuo lavoro

Lo schema che funziona: il deep research mappa il campo (chi dice cosa, e dove) → tu dedichi 5 minuti a verificare le affermazioni chiave → chiedi al modello di riscrivere il report tenendo solo ciò che è confermato ed elencare a parte quello che è saltato. In uscita: un testo corto di cui puoi rispondere riga per riga.

È esattamente così che è costruito il file da cui viene questo articolo. Ha una sezione intitolata «cosa non abbiamo»: il prezzo di ChatGPT Plus (403), il filtro delle recensioni di Coursera (lato client), Reddit (irraggiungibile per il nostro crawler) e una nota che dice che le nostre tre fonti su una certa questione sono utenti esperti e non i principianti che ci interessano — campione piccolo, e l'abbiamo detto. Quella sezione è sgradevole, perché elenca in pubblico i nostri buchi. Ed è anche l'unico motivo per cui agli altri numeri si può dare un minimo di fiducia: con un autore che ammette tre lacune, la quarta si trova più facilmente che con un autore a cui tornava tutto.

Chiedi la stessa cosa al tuo report. Non «sei sicuro?»: il modello dirà di sì. Chiedi: quali affermazioni qui dentro lasceresti cadere se dovessi scommetterci dei soldi su ognuna? Le risposte di solito sono precise, e di solito sono le stesse tre affermazioni su cui stavi per costruire una decisione.

Tieni presente anche l'igiene di base: non buttare dati sensibili o di altre persone nella modalità ricerca — la privacy quando lavori con l'IA vale qui esattamente come in una chat normale. Se stai ancora prendendo confidenza con la chat, parti dalla guida a ChatGPT per principianti. E se il tuo report ha sbagliato nel ragionamento e non nei fatti, quella è un'altra storia: come i modelli accumulano errori passo dopo passo.