Insight

La creatività non si automatizza: come usare l’AI senza rendere tutti i contenuti uguali

14 Settembre 2026

C’è una sensazione che chi lavora con i contenuti conosce già bene: si apre LinkedIn, si scorrono alcune newsletter, si leggono le pagine di aziende che operano in settori completamente diversi. Dopo pochi minuti, qualcosa comincia a somigliarsi.

Stessi attacchi, stesse formule, stessa successione di problema, spiegazione e soluzione. Persino certi aggettivi sembrano passare con facilità da un brand all’altro: strategico, autentico, innovativo, data-driven. Cambiano il logo e il prodotto, molto meno la voce.

Attribuire tutto all’intelligenza artificiale sarebbe una scorciatoia: template, benchmark, best practice e mode editoriali producevano uniformità già prima di ChatGPT. L’AI generativa ha però aggiunto un elemento nuovo: la scala. Una struttura linguistica efficace può essere riprodotta in pochi secondi, adattata a decine di canali e moltiplicata per migliaia di aziende.

La capacità di produrre contenuti sta diventando economica e accessibile e di conseguenza cresce il valore di un’altra capacità: avere qualcosa di riconoscibile da dire.

È qui che la relazione tra AI e creatività diventa più interessante.

L’AI scrive bene abbastanza da creare un nuovo problema

Per anni una parte del dibattito sull’intelligenza artificiale generativa si è concentrata sulla qualità degli output. Errori, allucinazioni, frasi meccaniche, informazioni inventate. Il miglioramento dei modelli ha progressivamente spostato la questione.

Un testo generato da un LLM può essere chiaro, grammaticalmente corretto e immediatamente utilizzabile; può riassumere un documento, proporre titoli, riorganizzare un’intervista, suggerire variazioni di una campagna, adattare una pagina a un pubblico differente.

Questa competenza media è precisamente ciò che rende più insidioso il fenomeno dell’omologazione.

Quando milioni di persone chiedono agli stessi sistemi di produrre “un post professionale e coinvolgente”, “una caption dal tono autorevole” oppure “un articolo SEO completo”, il modello tende a offrire soluzioni statisticamente plausibili: espressioni frequenti, associazioni familiari, architetture narrative che funzionano in molti contesti.

Sono risposte utili ma, proprio perché si adattano a molti contesti, raramente appartengono davvero a uno solo.

Per omologazione dei contenuti AI si può intendere questa progressiva convergenza verso formule linguistiche, strutture e prospettive simili. Preso singolarmente, ogni testo può sembrare più che dignitoso ma, affiancandone venti, la parentela emerge.

E la questione va oltre lo stile, riguarda le idee che vengono selezionate, gli esempi considerati rilevanti, le associazioni proposte e perfino le strade considerate plausibili.

Su questo punto la ricerca scientifica ha cominciato a offrire indicazioni interessanti.

Quando i modelli ci portano verso la media

Una review pubblicata online l’11 marzo 2026 su Trends in Cognitive Sciences affronta direttamente quello che gli autori chiamano effetto di omogeneizzazione dei large language model sull’espressione e sul pensiero umano.

Zhivar Sourati, Alireza S. Ziabari e Morteza Dehghani, della University of Southern California, hanno raccolto evidenze provenienti da linguistica, psicologia, scienze cognitive e informatica. La tesi parte da un punto rilevante anche per il marketing: la diversità cognitiva si manifesta nelle differenze di linguaggio, prospettiva e ragionamento ed è una componente importante della creatività e dell’intelligenza collettiva.

Gli LLM lavorano invece sulle regolarità. Durante l’addestramento apprendono enormi quantità di relazioni tra parole, concetti e forme espressive e i pattern più frequenti e generalizzabili hanno inevitabilmente un peso. Secondo gli autori, una diffusione massiccia degli stessi modelli nelle attività di scrittura, ideazione e ragionamento può quindi favorire una convergenza verso stili e prospettive dominanti, lasciando meno spazio alle voci meno rappresentate.

Per un brand la conseguenza è molto concreta.

Immaginiamo cinque aziende concorrenti chiamate a commentare la stessa novità di mercato. Tutte aprono il proprio assistente AI e chiedono una riflessione autorevole per LinkedIn. Il modello conosce le associazioni più frequenti legate a quella notizia, gli argomenti già presenti online e la forma tipica di un post corporate.

Il risultato può essere corretto per tutte e cinque le aziende ed è proprio questo il problema.

Una macchina statistica parte da ciò che ha già osservato e dalle relazioni che ricorrono nei dati. La creatività editoriale, invece, spesso comincia da ciò che qualcuno decide di osservare diversamente.

Una differenza piccola solo in apparenza.

La creatività comincia prima della generazione del testo

Un direttore creativo, un copywriter o un social media manager raramente parte da una pagina davvero vuota: porta con sé riunioni, conversazioni, errori, feedback dei clienti, conoscenza del settore, riferimenti culturali, campagne viste anni prima e intuizioni raccolte quasi per caso.

Quando sceglie un angolo, elimina implicitamente decine di alternative e quella selezione conta almeno quanto la scrittura.

Ridurre la creatività alla capacità di generare una frase originale porta quindi fuori strada: essere creativi significa scegliere cosa merita attenzione, quale tensione raccontare, quale dettaglio trattenere, cosa ignorare e quale cliché lasciare fuori.

L’AI generativa può partecipare a ciascuna di queste fasi: può moltiplicare le alternative, mettere alla prova un’intuizione, trovare collegamenti e mostrare versioni che un team potrebbe esplorare.

La direzione, però, cambia completamente il risultato.

Un prompt come “scrivi cinque idee creative per una campagna dedicata alla Generazione Z” consegna al modello quasi tutta la responsabilità di decidere cosa significhino “creativo”, “campagna” e perfino “Generazione Z”. Entrano così in gioco rappresentazioni molto diffuse: autenticità, community, purpose, linguaggio veloce, creator, attenzione ridotta. Concetti plausibili, spesso già consumati.

Un brief costruito su un comportamento osservato, una tensione reale del pubblico, i limiti del brand e un obiettivo preciso restringe invece il campo in modo produttivo. A quel punto l’AI ha qualcosa contro cui lavorare.

Qui emerge anche un limite dell’ossessione per il prompt perfetto.

Il prompt perfetto conta meno del metodo

Per qualche tempo, la diffusione dell’AI generativa ha alimentato un piccolo mercato delle formule da digitare, cioè template da copiare, mega-prompt, ruoli molto dettagliati e sequenze di istruzioni promettevano risultati radicalmente migliori.

Una buona istruzione fa la differenza: definire il compito, fornire contesto e stabilire criteri di qualità produce output più utili di una richiesta vaga.

La creatività beneficia però soprattutto della varietà delle direzioni.

Uno studio pubblicato nel marzo 2026 su Computers in Human Behavior: Artificial Humans offre un esempio concreto. I ricercatori Yun Wan e Yoram M. Kalman hanno utilizzato dieci differenti personas AI per generare 300 idee narrative e verificare se una maggiore diversità degli input potesse contrastare la convergenza dei risultati.

Gli autori hanno prima generato plot attraverso prompt strutturati e prospettive differenti, quindi hanno coinvolto partecipanti nella scrittura di storie con o senza accesso alle idee prodotte dall’AI.

I risultati indicano che input generativi deliberatamente diversificati possono preservare la varietà degli output. La conclusione è particolarmente utile per chi progetta processi creativi: parte dell’omologazione sembra derivare da modalità uniformi di utilizzo della GenAI, anziché rappresentare un esito inevitabile della tecnologia.

Tradotto nel lavoro quotidiano significa, per esempio, smettere di interrogare sempre lo stesso immaginario “esperto di marketing”.

Per sviluppare una campagna si può chiedere al modello di osservare il problema dalla prospettiva di un cliente fedele, di chi ha appena abbandonato il prodotto, di un commerciale che lavora sul campo, di un nuovo entrante nel mercato o di qualcuno apertamente critico verso la categoria.

Le risposte vanno poi confrontate, incrociate e spesso scartate: la prima generazione diventa materiale grezzo, non il prodotto finito.

È un uso meno spettacolare dell’intelligenza artificiale e spesso molto più fertile.

Quando il processo è costruito in questo modo, diventa anche più semplice capire quali attività meritano davvero di essere automatizzate.

Dove l’AI può liberare spazio creativo

Ogni processo di content creation contiene attività con valore molto diverso: trascrivere quaranta minuti di intervista e isolare tutti i passaggi dedicati a uno specifico argomento richiede tempo, mentre il valore editoriale di quell’operazione è limitato. Qui l’automazione può essere preziosa.

Lo stesso vale per il clustering di centinaia di recensioni, una prima organizzazione dei materiali, il confronto tra varianti di headline, la sintesi di documenti voluminosi, l’individuazione di incongruenze o la trasformazione di dati strutturati in una bozza leggibile.

Il tempo recuperato può essere spostato dove il contributo umano pesa di più: capire perché un cliente abbia utilizzato una parola insolita durante un’intervista, o accorgersi che tutti i concorrenti raccontano una categoria attraverso la stessa promessa. Oppure, ndividuare nel dato apparentemente secondario di una ricerca il punto da cui far partire un articolo.

Queste attività dipendono dal contesto, dalla conoscenza e dalla capacità di collegare informazioni che, prese separatamente, sembrano poco rilevanti.

Un buon workflow con l’intelligenza artificiale distribuisce quindi il lavoro secondo il valore della decisione: il modello esplora molto, le persone selezionano, poi il modello accelera l’esecuzione. Infine, le persone stabiliscono cosa merita di essere eseguito.

Anche l’editing cambia natura: correggere un testo generato dall’AI togliendo qualche aggettivo e sistemando la sintassi produce una versione più pulita dello stesso testo. Un editing editoriale più profondo si chiede se quell’idea appartenga davvero al brand, se contenga un punto di vista riconoscibile e se un concorrente potrebbe pubblicarla sostituendo semplicemente il nome dell’azienda.

Quest’ultima domanda è un test sorprendentemente efficace. La riconoscibilità, del resto, si costruisce molto prima della singola frase.

La brand voice vive nei dettagli che un prompt generico ignora

Molte aziende hanno iniziato a inserire il proprio tone of voice nelle istruzioni fornite ai modelli. “Professionale ma accessibile”, “autorevole ma vicino alle persone”, “ironico senza essere irriverente”.

Indicazioni del genere descrivono migliaia di marchi e invece una brand voice riconoscibile nasce da elementi molto più specifici: parole usate e parole evitate, lunghezza dei periodi, tipo di esempi scelti, rapporto con l’ironia, livello di tecnicismo, modo di presentare i dati, grado di sicurezza con cui vengono formulate le affermazioni.

Poi c’è la memoria. Un’azienda possiede campagne precedenti, ricerche proprietarie, conversazioni commerciali, feedback del customer care, commenti della community, interviste, casi di successo e fallimenti. Una parte importante della sua identità editoriale si trova in questi materiali.

Se il modello riceve soltanto una richiesta generica, torna verso la propria conoscenza generale. Se, invece, lavora su fonti selezionate e su criteri editoriali definiti dal team, il punto di partenza cambia.

Lo stesso ragionamento vale per la SEO: generare cinquanta articoli costruiti sulle stesse keyword e con architetture quasi identiche aumenta rapidamente il volume pubblicato. La quantità di pagine, però, dice poco sulla quantità di informazione nuova offerta a chi legge, mentre fonti originali, esperienza sul campo, dati proprietari, interviste e punti di vista motivati acquistano quindi ancora più peso nell’era dei contenuti generativi.

Sono anche gli elementi più difficili da ottenere con un semplice comando, per cui da qui si può ricavare un metodo operativo abbastanza semplice.

Una mini guida per usare l’AI senza perdere la propria voce

Ridurre il rischio di omologazione richiede soprattutto un processo editoriale chiaro, prompt e strumenti vengono dopo. Prima servono input di qualità e criteri con cui riconoscere un output valido.

Partire dal punto di vista, poi aprire il modello

Prima di chiedere qualcosa all’AI conviene definire l’idea che si vuole esplorare.

Una domanda può essere sufficiente: che cosa sappiamo su questo tema grazie alla nostra esperienza, ai nostri dati o alla conoscenza dei clienti? Il modello può aiutare a sviluppare quell’intuizione, trovare obiezioni, verificare collegamenti o suggerire piste alternative. Se deve inventare anche la prospettiva iniziale, tenderà più facilmente verso ciò che ricorre con maggiore frequenza.

Il punto di vista viene prima del prompt.

Dare contesto reale, invece di accumulare aggettivi

“Scrivi con un tono autorevole, innovativo e coinvolgente” lascia quasi tutto aperto.

Molto più utili sono materiali concreti: tre articoli che rappresentano bene la voce del brand, esempi di testi da evitare, interviste, recensioni, customer insight, dati proprietari e campagne precedenti.

Anche le restrizioni aiutano: dire quali espressioni evitare, quale livello di tecnicismo mantenere o quali argomenti trattare con cautela fornisce al sistema confini più utili di una lunga lista di aggettivi.

L’obiettivo consiste nel dare all’AI informazioni che altri brand difficilmente potrebbero utilizzare allo stesso modo.

Usare l’AI per divergere

La prima risposta ha il fascino dell’efficienza perché arriva subito, è ordinata e spesso sembra già pronta, ma vale la pena metterla sotto pressione.

Si può chiedere al modello di proporre interpretazioni lontane tra loro, cercare ciò che contraddice la tesi iniziale, assumere il punto di vista di un cliente insoddisfatto o identificare le idee più prevedibili per eliminarle.

Un’altra possibilità è lavorare per round: dieci direzioni iniziali, selezione delle tre meno ovvie, sviluppo, critica, nuova generazione.

A quel punto l’AI serve ad allargare il campo anziché restringerlo.

Fare editing sulle idee, prima che sulle parole

Eliminare gli aggettivi superflui e migliorare una frase serve. Il controllo più importante arriva qualche minuto prima.

Il testo contiene un’informazione specifica? C’è un esempio concreto? La tesi emerge chiaramente? Qualcuno potrebbe dissentire? Esiste almeno un passaggio che nasce dall’esperienza del brand o dell’autore?

Se un concorrente può pubblicare lo stesso contenuto cambiando soltanto il logo, il problema riguarda l’idea prima ancora della prosa.

Conservare ciò che il team impara

Ogni utilizzo dell’AI può produrre conoscenza sul processo: prompt riusciti, errori frequenti, fonti considerate affidabili, esempi di output deboli e criteri di revisione possono essere raccolti in una base condivisa.

Questo evita che l’esperienza rimanga confinata nella cronologia personale di qualche account perché, con il tempo, il patrimonio più utile diventa proprio ciò che l’organizzazione ha imparato su come lavorare con i modelli.

Prima della pubblicazione può essere utile anche un controllo molto semplice.

Checklist: il contenuto è davvero pronto per essere pubblicato?

Una verifica finale di pochi minuti permette di intercettare diversi segnali di omologazione e, insieme, alcuni degli errori più frequenti nel lavoro con l’AI.

C’è un punto di vista chiaro? Il testo prende una direzione oppure si limita a riordinare ciò che è già noto?
Contiene qualcosa di proprietario? Un dato, un’esperienza, una dichiarazione, un caso reale, un insight o un esempio che appartenga al brand.
Le fonti sono state controllate? Nomi, numeri, date, studi e citazioni vanno verificati all’origine.
La voce è riconoscibile? Lessico, ritmo ed esempi appartengono davvero al modo in cui il brand comunica?
Restano formule intercambiabili? Aperture prevedibili, espressioni generiche e conclusioni valide per qualsiasi azienda meritano un altro passaggio di editing.
Il processo ha mantenuto una regia umana? Tema, tesi, struttura ed esempi richiedono scelte editoriali, anche quando la prima bozza arriva dalla macchina.
Un concorrente potrebbe pubblicarlo identico? Se basta sostituire il nome del brand, il contenuto ha ancora bisogno di una direzione più precisa.

La checklist funziona sul singolo contenuto. In azienda, però, emerge presto un problema ulteriore: persone diverse possono applicare criteri completamente diversi allo stesso strumento.

È qui che il tema diventa organizzativo.

Dal talento individuale a un metodo condiviso dal team

Due professionisti possono avere accesso allo stesso modello e ottenere risultati lontanissimi; uno usa l’AI per verificare ipotesi, cercare alternative e mettere in discussione una prima idea. L’altro prende la prima risposta, la ripulisce e pubblica.

Dentro uno stesso team questa distanza crea un problema operativo.

Cambiano il livello di qualità, i criteri con cui vengono verificati gli output e ciò che le persone considerano accettabile delegare a un sistema generativo. Qualcuno controlla tutte le fonti, qualcun altro presume che siano corrette; un collega alimenta il modello con materiali proprietari, un altro parte sempre dalla stessa istruzione generica.

Il risultato è un’organizzazione che utilizza molta AI senza avere ancora un vero metodo per utilizzarla.

Il Microsoft Work Trend Index 2026 aiuta a dimensionare il fenomeno. Il report si basa, tra le altre fonti, su una survey di 20.000 lavoratori che utilizzano l’AI in dieci Paesi, Italia compresa, oltre che sull’analisi di oltre 100.000 conversazioni in Microsoft 365 Copilot.

Solo il 19% degli utenti analizzati ricade nella fascia in cui capacità individuali e preparazione dell’organizzazione risultano entrambe elevate.

Il dato più interessante riguarda però ciò che succede attorno alla persona: cultura, supporto dei manager e pratiche legate ai talenti rappresentano il 67% dell’associazione con l’impatto dell’AI rilevato dal report, contro il 32% dei fattori individuali. Microsoft precisa correttamente che si tratta di associazioni statistiche e non di una prova di causalità.

C’è anche un’indicazione qualitativa molto vicina al lavoro creativo. Tra le competenze umane che gli intervistati considerano più importanti man mano che l’AI assume una parte maggiore delle attività compaiono al primo posto il controllo della qualità degli output, indicato dal 50%, e il pensiero critico, citato dal 46%. L’86% dichiara inoltre di trattare ciò che produce l’AI come un punto di partenza e di mantenere la responsabilità del ragionamento.

Per marketing, comunicazione e content team il messaggio è molto concreto: conoscere lo strumento rappresenta una parte della competenza. Servono criteri condivisi.

Quali fonti può utilizzare un modello? Quali dati aziendali possono essere inseriti? Chi controlla un’affermazione prima della pubblicazione? Come viene preservata la voce del brand? Quali passaggi richiedono una revisione umana? Quando l’AI deve sintetizzare e quando conviene chiederle di generare alternative?

Sono domande di lavoro prima ancora che tecnologiche.

Una libreria di prompt può aiutare; un archivio con esempi positivi e negativi aiuta ancora di più; sessioni in cui il team confronta gli output, analizza gli errori e definisce standard comuni trasformano l’esperienza individuale in patrimonio organizzativo.

Ed è proprio a quel punto che cambia anche il significato della formazione sull’intelligenza artificiale.

Formare le persone significa partire dal lavoro che fanno davvero

Un corso generalista può mostrare funzionalità, strumenti e tecniche. È utile per costruire una base. Il salto di qualità arriva quando l’apprendimento entra nei processi reali dell’azienda.

Un team e-commerce affronta problemi diversi da una redazione interna. Il marketing di un gruppo finanziario lavora con vincoli differenti rispetto a un’agenzia creativa. HR, sales e customer care possono utilizzare lo stesso modello per attività che richiedono livelli di accuratezza, privacy e supervisione molto lontani.

Persino dentro lo stesso dipartimento cambiano le esigenze. Chi lavora sulla strategia può utilizzare l’AI per analizzare segnali e scenari; chi produce contenuti ha bisogno di un metodo per ideazione, verifica ed editing; chi gestisce campagne performance può trovare valore nell’analisi dei dati e nella generazione di varianti.

Un percorso efficace parte quindi dal fabbisogno.

Prima vengono le attività sulle quali l’AI può avere un impatto, i punti in cui si perde tempo, le decisioni che richiedono maggiore qualità e i rischi da presidiare. Poi si scelgono strumenti, esercitazioni e modalità di utilizzo.

Questa logica rende particolarmente utile la formazione su misura quando un’azienda vuole trasformare competenze individuali in un modo di lavorare condiviso.

Il punto interessante arriva dopo il corso, quando le persone iniziano a parlare la stessa lingua sull’AI. Sanno cosa delegare, cosa controllare, quali fonti utilizzare e con quali criteri giudicare un output.

La tecnologia diventa parte di un metodo e un metodo ben costruito può lasciare spazio alle differenze anziché cancellarle.

La competenza AI più preziosa è sapersi allontanare dalla media

I modelli generativi sono straordinariamente bravi a mostrarci una risposta probabile. Questa capacità li rende efficaci in una quantità crescente di attività e spiega, allo stesso tempo, perché affidare loro l’intero processo creativo possa produrre risultati prevedibili.

La risposta statisticamente plausibile coincide raramente con il punto di vista più interessante.

Chi lavora con contenuti e brand deve quindi sviluppare una competenza quasi controintuitiva: utilizzare sistemi costruiti sulla probabilità per cercare strade che si allontanino dalla media.

Significa fornire materiale proprietario, cambiare prospettiva, chiedere alternative distanti, mettere gli output in competizione, correggere le premesse, verificare i fatti e conservare il diritto di scartare una risposta impeccabile dal punto di vista formale.

In molti casi il valore dell’AI si trova proprio lì, nelle bozze che evita di scrivere da zero, nei materiali che riesce a ordinare, nelle ipotesi che permette di esplorare rapidamente prima che qualcuno scelga quella giusta.

La velocità resta un vantaggio enorme quando restituisce tempo per osservare, discutere e decidere. Se produce soltanto più contenuti, la conseguenza può essere un feed ancora più affollato di testi corretti e dimenticabili. La creatività conserva così la sua parte più difficile da automatizzare: prendere posizione: un modello può proporre cento possibilità.

A persone, team e brand resta la scelta di capire quale, tra quelle cento, valga davvero la pena rendere propria.

Tags:

#AI