Come verifichiamo ogni notizia, prima di pubblicarla
Quando un assistente AI risponde a domande di attualità senza controlli, sbaglia qualcosa di significativo in circa il 45% dei casi (studio internazionale EBU/BBC, 2025). Lumina è costruita apposta per non funzionare così: l'affidabilità non viene dai modelli che concordano, ma dalla verifica sulle fonti e da una persona che ha l'ultima parola.
Prodotto da una pipeline AI con controllo editoriale umano.Le scelte che tengono insieme l'affidabilità
Verifica indipendente
Un controllo riapre ogni fonte citata e cerca conferme altrove. I fatti centrali non confermati bloccano la pubblicazione.
Controllo umano
Una persona approva i temi e decide sui casi dubbi. La parola finale è sempre umana.
Ancoraggio alle fonti
Ogni articolo nasce leggendo le pagine originali, non dalla memoria del modello. Niente affermazioni senza una fonte verificabile.
Trasparenza delle fonti
Ogni voce porta i suoi link, in chiaro. Puoi sempre risalire a ciò che abbiamo letto.
Più modelli per la copertura
Tre modelli di fornitori diversi cercano in parallelo: è più difficile che una notizia importante sfugga a tutti.
Memoria tra le edizioni
Una base di conoscenza costruita per similarità semantica collega ogni edizione alle precedenti: riconosce le novità, evita i doppioni e propone rimandi.
Dal flusso di notizie all'edizione pubblicata
Tre modelli indipendenti raccolgono, un modello sintetizza, poi una catena di controlli decide cosa merita di essere pubblicato. I due passaggi evidenziati sono i punti in cui qualcosa può essere fermato.
Come nasce un'edizione, passo per passo
Più modelli, in parallelo
Tre modelli di frontiera di fornitori diversi (oggi Claude di Anthropic, Gemini di Google e GPT di OpenAI) leggono le notizie del giorno con ricerca web dal vivo, ognuno in autonomia. Punti di vista indipendenti servono soprattutto alla copertura: è più difficile che una notizia importante sfugga a tutti e tre.
Sintesi e corroborazione
Un modello confronta i tre report: unisce la stessa notizia riportata da più parti, tiene traccia di quanti l'hanno segnalata, ordina per rilevanza e assegna un livello di confidenza. L'accordo tra modelli aiuta a dare priorità — non è una prova di verità.
Confronto con le edizioni passate
Prima di scrivere, ogni tema viene confrontato con l'archivio delle edizioni già pubblicate tramite ricerca semantica (embeddings locali, senza servizi esterni). Si distingue ciò che è davvero nuovo da ciò che è solo un aggiornamento, si evitano i doppioni e nel tempo cresce una base di conoscenza.
Selezione editoriale
Sulla base di rilevanza, confidenza e novità, una persona decide quali temi trattare: includere, mettere in attesa o scartare. La selezione resta umana.
Scrittura ancorata alle fonti
Ogni articolo viene scritto leggendo davvero le pagine originali, con citazioni in linea obbligatorie e almeno due o tre fonti indipendenti. In italiano, in uno stile sobrio.
Verifica avversariale
Un controllo riapre ogni fonte citata e, in più, fa ricerche indipendenti su ciascuna affermazione. Etichetta ogni fatto come supportato, non supportato o contraddetto. Se un fatto centrale non regge, la pubblicazione si blocca.
Arbitro
Se la verifica fallisce, un arbitro decide: una revisione mirata, oppure il passaggio a una persona. Non si pubblica tirando a indovinare.
Qualità del testo
La scrittura italiana passa attraverso strumenti di controllo rule-based — non solo modelli linguistici: Vale per lo stile, LanguageTool per la grammatica, textstat per la leggibilità. Le correzioni segnalate vengono poi applicate al testo, lasciando intatti fatti, fonti e citazioni.
Traduzione
La versione inglese viene tradotta e poi ricontrollata, in modo avversariale, per la fedeltà al testo originale.
Pubblicazione trasparente
L'edizione bilingue arriva sul sito con tutte le fonti linkate e i rimandi alle edizioni passate correlate, verificabili da chiunque.
I limiti che conosciamo
Nessun sistema automatico è perfetto, e preferiamo dirlo noi. Ecco i limiti che conosciamo e come li gestiamo.
L'accordo tra modelli è un indizio, non una prova
Modelli diversi possono sbagliare allo stesso modo, soprattutto su una notizia che leggono dalla stessa fonte. Per questo trattiamo la corroborazione come criterio di priorità, mai come test di verità: quello spetta al controllo sulle fonti.
Anche il verificatore è un'AI
Il controllo automatico può sbagliare. Lo ancoriamo a evidenze esterne e lo affianchiamo all'escalation umana, ma non pubblichiamo un suo tasso d'errore misurato.
Ricerca dal vivo, senza una lista chiusa di fonti
Non usiamo un elenco fisso di testate approvate: la copertura resta ampia, ma la qualità della singola fonte dipende dal giudizio dei modelli. La corroborazione e il blocco sui fatti non supportati sono la rete di sicurezza.
Il controllo umano è ai punti chiave
Le persone approvano i temi e leggono ciò che viene segnalato come dubbio, ma un articolo che supera tutti i controlli automatici può essere pubblicato senza una rilettura riga per riga.
Una rassegna giornaliera ha punti ciechi
Una notizia che nessun modello trova quel giorno semplicemente non compare, e una vicenda in rapida evoluzione può essere colta a metà. Le notizie freschissime sono anche le più difficili da verificare.
Trovato un errore?
Scrivici e correggiamo. La trasparenza vale più di un'apparente perfezione.
Su cosa si fonda questo approccio
Le scelte della pipeline seguono ricerca accademica e standard editoriali riconosciuti. Una rassegna che dà valore alle fonti non poteva non citare le proprie.
- Lo studio che misura quanto gli assistenti AI sbagliano le notizie senza controlli.EBU/BBC — AI assistants misrepresent news 45% of the time (2025)
- L'analisi sulle citazioni errate nei motori di ricerca AI.Tow Center / Columbia Journalism Review — AI Search Has a Citation Problem (2025)
- Il metodo di verifica fattuale che scompone il testo e controlla ogni affermazione con ricerche indipendenti.Long-form factuality in large language models — SAFE (Google DeepMind, 2024)
- La tecnica per ridurre le allucinazioni verificando le affermazioni in modo indipendente dalla bozza.Chain-of-Verification Reduces Hallucination in LLMs (2023)
- La ricerca che mostra perché un modello non può correggersi da solo senza evidenze esterne.Large Language Models Cannot Self-Correct Reasoning Yet (ICLR 2024)
- Lo studio che mostra come le citazioni, da sole, spesso non supportino davvero ciò che affermano.Evaluating Verifiability in Generative Search Engines (Stanford, 2023)
- Il lavoro che spiega perché mescolare alla cieca più modelli non conviene — e perché noi non lo facciamo.Rethinking Mixture-of-Agents — Self-MoA (2025)
- La carta deontologica sull'uso dell'AI nel giornalismo.Paris Charter on AI and Journalism — RSF
Ora che sai come funziona
Leggi l'ultima edizione o ricevila via email.