Ricerca per il lavoro
~ min di lettura
Riepilogo in 30 secondi
- Tre modi di usare l’IA: mappare un territorio nuovo (capire cosa esiste prima di cercare), sintetizzare più fonti che hai già, fare ricerca live con motori che citano (Perplexity, ChatGPT con search, Gemini).
- A differenza del Modulo 2: qui produci per qualcun altro che si fida del tuo nome. Un’allucinazione non è un errore tuo che correggi tu, è un errore che firmerai.
- Il rischio specifico ha tre forme: citazioni inventate, numeri tondi senza fonte, sintesi che attribuisce a una fonte cose che la fonte non dice.
- Pattern in tre passi: chiedi la fonte, apri la fonte, traccia da dove viene cosa nel tuo documento finale.
- Per output che firmi (proposte, report, brief), la prima sintesi dell’IA è il punto di partenza, mai il punto di arrivo.
Hai una riunione domattina con il direttore commerciale e ti chiede cinque punti su come si stanno muovendo i tre principali competitor sul tema X. Oppure: stai preparando una proposta per un cliente in un settore in cui non hai esperienza profonda, e ti servono numeri di mercato, regole, trend recenti. Oppure: il consiglio ti ha chiesto uno status sulla normativa Y che entra in vigore fra sei mesi, e tu non sapevi che esistesse.
In tutti e tre i casi, il pattern è lo stesso: poco tempo, tante fonti potenziali, un output che firmerai con il tuo nome.
L’IA accelera molto questo lavoro. Mappa il territorio in due minuti dove a mano ce ne metteresti venti. Riassume cinque articoli in trenta secondi. Cerca in tempo reale e cita i link. È il caso d’uso lavorativo con il rapporto velocità-rischio più sbilanciato, in entrambe le direzioni.
Le allucinazioni che hai visto in Quando fidarsi e quando no qui non sono un problema astratto: diventano un numero sbagliato in un pitch al cliente, una citazione inventata in un report al consiglio, un trend mai esistito che presenti come dato di settore. Differenza con Imparare un argomento nuovo del Modulo 2: lì studi per te, e se l’IA sbaglia ti corregge la realtà più tardi; qui produci per qualcun altro, e se l’IA sbaglia il problema arriva a un cliente, a un capo, a un consiglio.
Questa lezione è il manuale per usarla bene: tre modi standard, il rischio specifico, e un pattern di verifica che non si può saltare.
Tre modi di usare l’IA per la ricerca
Sezione intitolata “Tre modi di usare l’IA per la ricerca”Tre gesti distinti, da scegliere in base a dove sei nel processo: non sai ancora cosa cercare, hai già qualcosa da sintetizzare, ti serve un dato fresco con una fonte aperta.
1. Mappare un territorio nuovo
Sezione intitolata “1. Mappare un territorio nuovo”Quando ti chiedono di lavorare su un tema in cui non sei esperto, il primo problema non è cercare: è capire cosa esiste. Quali sono i sottotemi? Chi sono gli attori principali? Qual è il vocabolario specifico? Cosa è collegato a cosa? Senza una mappa, ogni ricerca su un motore parte alla cieca.
Qui l’IA è un indice del problema. Le chiedi una mappa, non i fatti.
“Devo preparare un brief sul tema ‘normative europee sull’AI Act per le PMI’. Non sono esperto. Dammi in dieci punti la mappa del territorio: i sottotemi principali, gli attori istituzionali coinvolti, il vocabolario tecnico che dovrei conoscere, e quali sono le tre o quattro domande che un cliente PMI mi farebbe.”
Ti arriva qualcosa tipo: quattro sottotemi (classificazione del rischio, obblighi di trasparenza, uso in HR, sandbox regolamentari); attori (Commissione UE, AGID per l’Italia, Garante privacy); termini chiave (high-risk AI, foundation model, General-Purpose AI); domande tipiche (devo notificare? quali multe? quando entra in vigore?).
Quella mappa non è la risposta finale. È la bussola: ti dice dove guardare, non cosa scrivere. Da lì sai quali termini cercare su un motore, quali fonti istituzionali aprire, quali domande porre. Senza la mappa ti perdi venti minuti a vedere cosa esiste.
La mappa stessa va comunque controllata, ma è una struttura che si verifica facilmente: cerchi il nome dell’attore, cerchi il termine tecnico, e in due secondi vedi se esistono. Se l’attore esiste e il termine è in uso, il nodo della mappa ha senso. Se cercando non trovi nulla, l’IA l’ha probabilmente tirato fuori dal nulla.
C’è un punto che il lettore di Riassumere un documento lungo può confondere. Lì la Tecnica 3 chiedeva l’indice di un documento specifico che avevi caricato; qui la mappa è di un argomento, senza un documento di partenza. La prima è una scaletta di un testo, la seconda è una bussola sul territorio. Cambia anche il rischio: l’indice di un documento si verifica scorrendo il documento, la mappa di un argomento si verifica cercando i nomi su un motore.
2. Sintetizzare più fonti che hai già
Sezione intitolata “2. Sintetizzare più fonti che hai già”Hai aperto tre articoli, scaricato due report, salvato un PDF. Cinque documenti, vuoi una sintesi unica con i punti di convergenza, le divergenze, e i fatti chiave che si ripetono.
È il caso in cui le tecniche di Riassumere un documento lungo si scalano: invece di un documento ne hai cinque, e l’output non è un riassunto ma un’analisi comparata.
“Ti carico cinque fonti sul tema X (tre articoli, due report). Per ognuna fai un riassunto in cinque punti. Poi dammi una tabella di confronto: dove convergono, dove divergono, e quali fatti chiave (numeri, date, nomi) sono ripetuti almeno in due fonti. Per ogni fatto chiave, scrivi tra parentesi quale fonte lo sostiene.”
I tre vincoli che fanno la differenza: il riassunto per fonte (non un blob unico), la tabella di confronto (esplicita convergenze e divergenze), l’attribuzione fonte per fatto. L’ultimo è quello che salva: un fatto che compare in tre fonti ha un peso diverso da un fatto che compare in una sola, e tu come firmatario del deliverable devi saperlo.
Chiedere all’IA di mostrare l’attribuzione cambia anche il suo comportamento: se non riesce a dire da quale fonte arriva un fatto, è il segnale che probabilmente l’ha aggiunto dal suo training, non dalle fonti che le hai dato. Se ti scrive “da nessuna fonte direttamente, ma è un fatto generalmente noto”, sai che quel fatto va verificato a parte.
Sui volumi: cinque articoli di stampa o blog post entrano senza problemi in una chat. Cinque PDF di cento pagine ciascuno è un discorso diverso, perché ogni piattaforma ha un limite di contesto oltre il quale i documenti vengono troncati silenziosamente. Per documenti lunghi vale quello che hai visto in Riassumere un documento lungo: o passi i documenti uno per uno, ottieni un riassunto per ognuno, e poi chiedi la sintesi comparata sui riassunti; oppure usi uno strumento dedicato come Google NotebookLM, che gestisce pacchetti di fonti voluminose e mantiene la tracciabilità per fonte nelle risposte.
3. Ricerca live con citazioni
Sezione intitolata “3. Ricerca live con citazioni”Quando ti serve un dato fresco (statistiche dell’ultimo trimestre, regolamentazione in vigore da settimana scorsa, articolo di stampa di ieri) l’IA standard è inadatta: ChatGPT base, Claude base, Gemini base hanno una data di stop dell’addestramento e non sanno cosa è successo dopo. Sui fatti specifici che non hanno visto in addestramento, possono inventare con facilità.
Qui servono motori con accesso al web e citazioni:
- Perplexity: pensato apposta per la ricerca con citazioni inline. La risposta arriva con i numeri di nota e i link cliccabili.
- ChatGPT con search (selezionando un modello con web search attivo): cerca, cita, e linka.
- Gemini: integrato con Google Search, le risposte hanno fonti.
- Claude con tools (sui piani business o tramite plugin specifici): può cercare e citare in scenari aziendali.
Come scegliere fra questi quattro? Per la ricerca pura (un dato, una statistica, un nome con fonte) Perplexity è il più diretto: nasce per quel caso e cita per default in modo molto leggibile. Per ricerca dentro un flusso di lavoro più ampio (tu stai già scrivendo, riformulando, iterando) ChatGPT con search e Gemini sono più comodi: usi lo stesso strumento in cui stai facendo il resto. Se paghi già uno dei tre, quello che hai va bene per cominciare; se non ne paghi nessuno, Perplexity ha una versione gratuita generosa per il caso ricerca. Modalità più nuove come “Deep Research” su ChatGPT o ricerca agentica su Perplexity Pro (modalità in cui l’IA fa più giri di ricerca da sola, scava più in profondità, e ti consegna un output più lungo e strutturato) spendono più tempo e citano più fonti. Non cambiano il problema di fondo: il pattern di verifica che leggerai nelle prossime sezioni resta lo stesso, perché l’invenzione non sparisce con più passaggi automatici, solo si nasconde meglio.
Tutti e quattro hanno lo stesso vincolo non negoziabile: il link va aperto. La citazione fa parte del prompt, non è la verifica. Capita che il motore citi un articolo in modo accurato ma riassuma una frase che l’articolo non contiene. E sì, anche i motori live inventano: meno spesso delle versioni base, ma il problema non è sparito. Lo vedrai nel ChatDemo della sezione Un esempio concreto.
L’allucinazione professionale: il rischio specifico
Sezione intitolata “L’allucinazione professionale: il rischio specifico”Sui temi di ricerca per il lavoro, l’IA può inventare in tre modi specifici. Conoscerli per nome aiuta: si riconoscono a colpo d’occhio una volta che sai cosa cercare.
Citazioni inventate. Il libro non esiste, l’autore non esiste, l’anno è plausibile ma sbagliato. Spesso il titolo “suona” autorevole (Smart Markets in the Age of AI, Harvard Business Press, 2023). Caso classico: chiedi all’IA di citarti tre saggi sul tema X, e te ne dà tre. Cercando, scopri che uno è reale, uno è scritto da un autore reale ma il titolo non esiste, e uno è completamente inventato.
Numeri tondi senza fonte. “Il 73% delle aziende dichiara di…”, “Il mercato vale 12 miliardi di dollari a livello globale”. Numeri precisi, percentuali sospettosamente tonde, senza un’indicazione di chi li ha rilevati e quando. Su LinkedIn questi numeri si propagano da un post all’altro perché nessuno li verifica. In un deliverable di lavoro sono veleno.
Sintesi che inventa attribuzione. Hai dato all’IA cinque fonti. Nella sintesi compare un’affermazione. Vai a cercarla nelle cinque fonti e non c’è. L’IA ha sintetizzato unendo cose che ha trovato nelle fonti con cose che già “sapeva” dal training, e i due livelli si confondono nell’output unico.
Questi tre pattern non sono un male congenito dell’IA: sono il comportamento di un sistema che produce testo plausibile a partire da una richiesta, anche quando non ha l’informazione esatta. Lo stesso meccanismo di Quando fidarsi e quando no. Quello che cambia qui è la conseguenza: in un deliverable professionale, una citazione inventata è una figura imbarazzante con un cliente, un numero inventato è un’analisi sbagliata che orienterà una decisione, una sintesi gonfiata è il tuo nome accanto a un’affermazione falsa.
Pattern verifica, cita, traccia
Sezione intitolata “Pattern verifica, cita, traccia”Per ogni informazione che entrerà nel deliverable, tre passi non saltabili.
1. Chiedi sempre la fonte. Se l’IA ti dà un numero, una citazione, un nome, un dato, chiedi “da dove viene? Dammi la fonte specifica con link, autore e data”. Se non sa indicarla, butta il dato. Una buona regola è chiederlo già nel prompt iniziale: “per ogni affermazione fattuale, indica la fonte tra parentesi”. Si previene meglio che si rincorre. Il vincolo non è una garanzia: il modello può comunque inventare una fonte plausibile. Però funziona come freno: la maggior parte delle volte preferisce dichiarare “non ho fonte recente” invece di fabbricarne una se gli hai dato un’uscita esplicita di sicurezza. La verifica al passo 2 resta indispensabile.
2. Apri la fonte. Se la fonte esiste, vai sul link e verifica che la frase che l’IA cita sia effettivamente lì. Spesso è lì ma riformulata, e la riformulazione cambia il significato (passa da “cresce del 10%” a “potrebbe crescere fino al 10%”, oppure da “in alcuni paesi” a un’affermazione generale). Quando la risposta cita molte fonti (succede facilmente con Perplexity in modalità approfondita), non serve aprirle tutte: apri quelle che sostengono i fatti che entreranno nel deliverable. Se il brief ha cinque punti chiave, sono cinque fonti da aprire, anche se la risposta ne cita quindici. Per un report che firmi, allarga la rete: tutti i fatti citati come dati specifici (numeri, date, nomi) vanno controllati.
3. Traccia da dove viene cosa. Nel tuo documento finale, tieni traccia per ogni dato importante della fonte: una colonna “fonte” nel foglio di lavoro, una nota a piè di pagina nel report, un appunto a margine che non finirà nel deliverable ma che hai. Il minimo accettabile è una riga per dato con quattro voci: il dato, la fonte, il link, la data del controllo. Tipo:
“Rilancio e-commerce Diadora 2024 / fonte: comunicato stampa Diadora / link / controllato il 24/04/2026”.
Serve a due cose: ti permette di tornarci se qualcuno ti chiede “da dove l’hai preso?” (e qualcuno lo chiede sempre, prima o poi), e ti costringe a non lasciare nessun dato non verificato, perché te ne accorgi quando devi compilare la colonna.
Il pattern non è da accademici. È da professionisti che hanno imparato che spedire un deliverable senza tracciabilità è il modo più rapido per finire a giustificare un errore davanti a un cliente, di solito sei mesi dopo, di solito senza ricordarsi più dove si era preso il dato.
Un esempio concreto
Sezione intitolata “Un esempio concreto”Stai preparando un brief di mezza pagina per il direttore commerciale. Il tema: come si sono mosse le tre principali aziende italiane di abbigliamento sportivo sul canale e-commerce nell’ultimo anno. Non sei esperto del settore. Hai trenta minuti.
Strategia: parti da un motore con search live, chiedi cinque punti, e nel prompt esigi fonti per ogni dato. Se un punto non ha fonte, l’IA deve dirlo.
L’IA ha lavorato bene su due assi: ha attribuito i fatti dei primi tre punti a fonti specifiche (con link, data, e numero di pagina quando rilevante), e nei punti 4 e 5 ha dichiarato il limite invece di riempire con un numero plausibile. Il punto 5 è quello in cui un’IA senza il vincolo “se non hai fonte, dillo” avrebbe probabilmente inventato un dato sospettosamente tondo.
Da qui il tuo lavoro non è finito: i tre link dei primi punti vanno aperti uno per uno, le frasi vanno verificate parola per parola sul testo originale, e i due dati mancanti li raccogli da altre parti (un team interno, una fonte specializzata, un’agenzia di settore) o accetti che il brief li lasci in bianco con una nota.
Cosa NON fare
Sezione intitolata “Cosa NON fare”Non spedire un deliverable senza verifica. Anche se l’IA ti ha dato cinque fonti citate e tutto sembra coerente. Aprire i link e controllare le frasi non è opzionale: è la differenza fra un brief professionale e una figura imbarazzante. Una citazione sbagliata in un report al consiglio, scoperta sei mesi dopo, è il tipo di errore che rimane attaccato.
Non chiedere “fai tu la ricerca per me” come unico passaggio. L’IA non conosce il tuo cliente, non sa quale taglio dare, non conosce i tuoi vincoli interni. Senza orientamento ti dà una sintesi generica. Sei tu a doverla guidare con domande, vincoli, e un contesto specifico. Lo stesso principio di Cose da NON fare: la decisione su cosa entra e cosa no nel deliverable resta tua.
Non fidarti di numeri tondi senza fonte. “Il 73%”, “un terzo delle aziende”, “oltre 10 miliardi”. Ogni numero che l’IA ti dà senza fonte tracciabile è un numero da cestinare. Il pattern è quello di Lavorare con dati e tabelle: l’IA può sbagliare un numero con la stessa sicurezza con cui ne scrive uno corretto, e sui dati di mercato che entrano in un brief la sicurezza non basta.
Cosa viene dopo
Sezione intitolata “Cosa viene dopo”La prossima lezione, L’IA come collega che ti aiuta a pensare, sposta l’asse: dalla ricerca (cercare e sintetizzare informazioni che esistono) al pensiero (usare l’IA per anticipare obiezioni, fare il devil’s advocate sulle tue idee, brainstormare in modo strutturato). Il rischio cambia forma: lì le allucinazioni pesano meno, ma c’è un rischio nuovo, quello di farsi rassicurare invece di farsi sfidare.