TL;DR: per fermare l’AI slop non basta scegliere tra segnalazioni umane e classificatori automatici. Il criterio giusto è il costo dell’errore: il modello deve filtrare il volume, mentre una persona deve decidere sui casi che possono danneggiare reputazione, visibilità o fiducia. Per una PMI, automatizzare anche il verdetto finale significa risparmiare minuti e rischiare mesi di credibilità.
LinkedIn sta usando entrambi
Il 30 luglio 2026 LinkedIn ha introdotto nel menu dei post l’opzione Seems like AI slop. Il 21 agosto The Verge ha riportato i dati condivisi dal chief product officer Hari Srinivasan: oltre un milione di clic sul pulsante in circa due settimane e il 40% di visualizzazioni in meno, rispetto a poche settimane prima, sui contenuti che la piattaforma classifica come AI slop.
Sono numeri dichiarati da LinkedIn, non una verifica indipendente. Non dimostrano nemmeno che il pulsante abbia causato da solo il calo: nello stesso periodo la piattaforma ha aggiornato i classificatori automatici. Il dettaglio utile è un altro. LinkedIn dice che una singola segnalazione non decide la distribuzione e che combina più segnali con misure contro gli abusi.
Questa architettura vale anche fuori da un social network. Un sito WordPress, una knowledge base o un’automazione editoriale devono scegliere dove mettere il giudizio umano e dove lasciare lavorare una regola automatica.
Il criterio: quanto costa una decisione sbagliata
Il confronto non va fatto chiedendo quale metodo “riconosce meglio l’AI”. AI slop non significa semplicemente testo generato: significa contenuto ripetitivo, poco utile, senza esperienza verificabile o pubblicato in serie senza controllo. Un testo umano può essere scadente; un testo assistito dall’AI può essere accurato e originale.
Valuto quindi i due approcci sul costo dell’errore. Un falso negativo lascia passare rumore. Un falso positivo penalizza un contenuto valido, magari scritto in modo formale da chi usa l’italiano come seconda lingua. Più la conseguenza è difficile da annullare, più serve un responsabile umano.
Segnalazioni umane: capiscono il contesto, ma non scalano
Una persona riconosce elementi che un classificatore fatica a misurare: un esempio vissuto, una presa di posizione difendibile, un passaggio tecnicamente corretto ma fuori contesto. Può anche distinguere una prosa semplice da un testo vuoto. Questo rende il feedback umano adatto ai casi ambigui e alle decisioni con impatto sulla reputazione.
Il limite è la variabilità. Due revisori possono giudicare diversamente lo stesso articolo. Un pulsante pubblico può inoltre attirare segnalazioni coordinate o pregiudizi contro uno stile, un tema o un autore. Per questo una segnalazione dovrebbe aprire una verifica, non applicare automaticamente una penalità.
In una PMI il collo di bottiglia è il tempo. Se ogni scheda prodotto, email e articolo richiede una lettura completa da parte del titolare, l’automazione si ferma. Il revisore umano va usato dove il costo dell’errore è alto: claim commerciali, numeri, consigli tecnici, policy, privacy e contenuti firmati.
Classificatori: coprono il volume, ma confondono stile e valore
Un controllo automatico è rapido e ripetibile. Può rilevare frasi duplicate, fonti mancanti, titoli troppo simili, formule ricorrenti, lunghezza anomala e assenza di elementi richiesti. In un flusso WordPress può intervenire prima della bozza; in n8n o Make può rimandare il contenuto al redattore senza occupare il revisore su errori meccanici.
Il problema nasce quando il punteggio diventa un verdetto. Un classificatore vede pattern, non responsabilità. Può penalizzare un testo corretto perché regolare o approvare un testo fluido che inventa una fonte. Le soglie cambiano inoltre con il modello, la lingua e il tipo di contenuto. Senza log e campioni di controllo, il team non sa perché un pezzo è stato bloccato né se il filtro sta peggiorando.
Il classificatore è quindi forte come filtro e debole come giudice. Il suo output deve dire “controlla questo punto”, non “pubblica” o “cancella” senza appello.
Come costruire il gate su WordPress e nelle automazioni
Per un team piccolo userei una pipeline a due livelli. Il primo è automatico: controllo anti-duplicati, verifica delle fonti, presenza di una tesi, HTML valido, metadati SEO, link interni e segnali di prosa formulaica. Ogni fallimento produce un motivo leggibile e lascia il contenuto in bozza.
Il secondo livello è umano e più corto. Il revisore non riscrive tutto: controlla i claim evidenziati, verifica che l’esempio sia utile e decide se la take può essere firmata. È la stessa logica descritta nel confronto su AI in stesura o revisione: lo strumento accelera il lavoro, ma la responsabilità resta a chi approva.
Registrerei quattro elementi per ogni pubblicazione: versione del controllo automatico, motivi dei flag, nome di chi ha approvato e correzioni applicate. Dopo un mese, i falsi positivi diventano materiale per tarare le regole. Senza questa traccia, “human in the loop” resta un’etichetta e il classificatore una scatola nera.
Non serve addestrare un modello proprietario. Per molti siti bastano controlli deterministici, confronto con gli ultimi contenuti e una revisione assistita. La parte importante è impedire che un singolo score possa mandare online materiale non verificato.
La take: la macchina instrada, la persona decide
La segnalazione umana da sola arriva tardi e costa troppo. Il classificatore da solo è veloce, ma non sa distinguere con affidabilità una voce disciplinata da un contenuto senza valore. La scelta netta è un sistema ibrido con ruoli diversi: automazione per filtrare e ordinare, persona per approvare i casi ad alto impatto.
Per una PMI non è prudenza astratta. È controllo dei costi. La macchina riduce il tempo speso sul rumore; il revisore evita che un falso positivo cancelli un buon contenuto o che un falso negativo finisca sotto il nome dell’azienda.