L’intelligenza artificiale generativa è entrata rapidamente nelle pratiche di studio e di ricerca. Studenti, dottorandi e docenti la usano per orientarsi in un argomento, riassumere testi, tradurre, formulare domande o individuare pubblicazioni. La facilità d’uso, tuttavia, può nascondere la complessità dei processi: una risposta fluida non è necessariamente corretta; una citazione plausibile può essere inesistente; una sintesi può cancellare differenze decisive. Per le biblioteche accademiche la questione non è quindi se accettare o respingere questi strumenti, ma come accompagnarne un impiego informato, verificabile e coerente con l’integrità scientifica.
Da questa esigenza nasce BiblioAi[1], il servizio di AI literacy della Biblioteca di Area Economica “Vilfredo Pareto”[2] dell’Università degli Studi di Roma Tor Vergata. Rivolto in particolare a laureandi, dottorandi, ricercatori e docenti, il progetto trasferisce nel nuovo ambiente algoritmico una funzione storica della biblioteca: mediare tra le persone, le fonti e i sistemi che consentono di trovarle. Non offre risposte preconfezionate e non promette scorciatoie. Fornisce invece occasioni formative, orientamento e assistenza per scegliere gli strumenti, costruire strategie di ricerca, interpretare gli output e risalire ai documenti originali.
Capire che cosa genera una risposta
Per usare consapevolmente questi servizi è utile comprenderne almeno il principio generale. I grandi modelli linguistici non consultano una memoria organizzata come un catalogo e non “conoscono” i fatti nel senso umano del termine. Producono sequenze linguistiche calcolando, a partire dal contesto, quali elementi abbiano maggiore probabilità di seguire quelli già presenti. La capacità di generare testi coerenti è sorprendente, ma la coerenza non equivale alla verità. Un modello può combinare correttamente concetti distanti e, nello stesso tempo, inventare un dato o attribuire un’opera all’autore sbagliato.
Dalla domanda al metodo
Il punto di partenza è il bisogno informativo. Prima di aprire un chatbot occorre chiarire l’oggetto della ricerca, il perimetro disciplinare, la copertura cronologica, le tipologie documentarie pertinenti e il livello di affidabilità richiesto. Solo dopo si valuta se sia utile un catalogo, una banca dati bibliografica, un motore accademico, un assistente generativo o una combinazione di più ambienti. Questa sequenza evita che sia la piattaforma disponibile a determinare il metodo.
Nei seminari il prompt engineering è presentato come competenza interrogativa, non come formula magica. Una buona richiesta esplicita contesto, obiettivo e vincoli; soprattutto, prevede controlli successivi. Il prompt diventa parte di un processo trasparente e riproducibile, mentre la decisione resta alla persona.
I test TRAAP e PROVEN aiutano a esaminare tempestività, rilevanza, autorevolezza, accuratezza, scopo e provenienza delle evidenze. Ogni affermazione generata deve essere ricondotta a un documento consultabile; autori, titoli, DOI e pagine vanno verificati. Se non si distingue tra testo prodotto e fonte recuperata, la risposta è un indizio, non una prova da citare.
Un laboratorio di strumenti
BiblioAi confronta piattaforme diverse. Semantic Scholar, OpenAlex e ResearchRabbit facilitano l’esplorazione della letteratura e delle reti di citazione; SciSpace ed Elicit sostengono lettura ed estrazione di elementi; NotebookLM interroga materiali scelti dall’utente. Nel discovery tool della biblioteca, l’assistente di Primo traduce una domanda naturale in una ricerca più articolata e sintetizza documenti delle collezioni accessibili.
Non si costruiscono classifiche assolute: per ogni applicazione si osservano corpus, discipline, ordinamento, accesso al testo, trattamento dei dati, citazioni e costi. Anche un riferimento esistente può non sostenere l’affermazione proposta o essere citato fuori contesto.
Particolare attenzione è riservata alla Retrieval-Augmented Generation (RAG), con cui il modello usa una base documentaria delimitata. Le fonti note possono ridurre le allucinazioni e rendere leggibile il percorso delle evidenze, ma non eliminano l’errore: la qualità dipende da raccolta, indicizzazione e recupero. Tornano così centrali selezione, metadatazione, copertura e provenienza.
In termini operativi, una risposta RAG nasce da più passaggi: la domanda viene trasformata, il sistema recupera frammenti giudicati semanticamente vicini e il modello elabora il testo sulla base del contesto fornito. L’utente deve poter controllare non solo la risposta, ma anche i documenti selezionati e i passaggi utilizzati. Un archivio autorevole non garantisce automaticamente un recupero pertinente; un frammento estratto correttamente può perdere significato se separato dal metodo, dalle note o dalle conclusioni dell’articolo. La mediazione bibliotecaria riguarda quindi l’intera catena, non soltanto l’ultima frase mostrata sullo schermo.
Il tema si collega direttamente al diritto d’autore. Lo statement IFLA del 2025[3] invita le biblioteche a sviluppare capacità e formazione, tutelando al tempo stesso accesso legittimo, autori, privacy e integrità degli strumenti. Occorre sapere se i contenuti caricati vengono conservati o impiegati per addestrare modelli, se licenze e contratti consentono text and data mining e quali limiti si applichino alla riproduzione. La citazione dell’opera resta necessaria anche quando una piattaforma ne ha riassunto il contenuto: l’assistente non diventa la fonte dell’idea originaria.
Dall’assistente all’agente
Il passaggio dagli assistenti agli agenti amplia il terreno di intervento. Un agente può pianificare azioni, interrogare più risorse e riformulare la ricerca. Un errore iniziale può però propagarsi e diventare meno visibile. Servono obiettivi circoscritti, fonti autorizzate, registrazione dei passaggi e punti di verifica: l’agire umano è una componente del progetto.
Nel Salotto Vilfredo Pareto questi principi diventano esercitazioni: si confrontano ricerca tradizionale e assistita, si verificano riferimenti e si costruiscono piccoli assistenti su raccolte controllate. Le competenze devono essere trasferibili: capire che cosa è automatizzato, quali dati entrano, che cosa resta escluso e dove interviene il giudizio.
Un possibile percorso parte dalla stessa domanda affrontata in tre ambienti: un motore generalista, una banca dati disciplinare e un portale AI-powered. Si registrano query, filtri e risultati; si individuano cinque documenti pertinenti; si controllano abstract, testo completo e citazioni; solo alla fine si chiede al sistema di produrre una sintesi comparativa. Le divergenze diventano materiale didattico: perché un lavoro compare in un ambiente e non nell’altro? La data di pubblicazione è corretta? Una citazione è positiva, critica o soltanto contestuale? Quali studi non sono rappresentati?
Formazione
Il servizio cresce con seminari e collaborazioni. I webinar Learning GARR[4] 2023-2025 hanno affrontato verifica delle fonti, portali accademici, RAG e agenti. Le attività con AIB, i master MARIS e CESMA, il Festival dello Sviluppo Sostenibile[5] e il Convegno delle Stelline[6] hanno aperto il confronto a comunità diverse. La docenza di Damiano Orru e Luca Moretti nasce dal front office, dalle risorse elettroniche e dai problemi reali degli utenti.
La rete è essenziale anche per la sostenibilità. Le piattaforme cambiano condizioni, adottano modelli freemium o chiedono account personali. La biblioteca rende visibili costi e implicazioni per la privacy, propone alternative accessibili, valorizza risorse open e garantisce percorsi non automatizzati. AI literacy, open science e inclusione diventano così inseparabili.
Una responsabilità bibliotecaria
Le competenze tradizionali non diventano obsolete: acquistano un nuovo campo. Valutazione delle fonti, metadatazione, reference e tutela della riservatezza servono a correggere le opacità dei sistemi generativi. Occorre inoltre conoscere modelli linguistici e RAG, riconoscere bias e allucinazioni, discutere diritto d’autore, dati personali, AI Act[7] e regole istituzionali.
Il quadro proposto da IFLA attribuisce alle biblioteche una responsabilità che va oltre il supporto individuale: partecipare alla scelta dei servizi, contribuire alle politiche dell’istituzione e sostenere una regolazione responsabile. Tra le questioni da porre figurano accuratezza e attualità, accessibilità, diversità culturale e linguistica, trasparenza, sicurezza, modello economico del fornitore, impatto sul lavoro e autonomia degli utenti. Non tutte richiedono una risposta identica, ma tutte devono entrare nel processo decisionale prima dell’adozione di uno strumento.
Il bibliotecario non deve trasformarsi in ingegnere informatico né certificare strumenti che evolvono troppo rapidamente. Può però porre le domande che spesso mancano: da dove proviene questa informazione? Quale corpus è stato interrogato? Perché queste fonti sono state selezionate? Posso ripetere la ricerca? Che cosa accade ai dati caricati? Come dichiaro l’uso dell’IA? Sono domande professionali prima ancora che tecnologiche.
BiblioAi intende consolidare questa funzione di presidio: osservare le piattaforme, sperimentarle in ambienti formativi, produrre indicazioni comprensibili e mantenere aperto il confronto con la comunità accademica e bibliotecaria. Il risultato più importante non è una risposta generata più velocemente, ma un ricercatore capace di valutarla e un bibliotecario riconosciuto come interlocutore nel processo. Nell’università attraversata dall’IA, la biblioteca resta il luogo in cui l’innovazione può essere ricondotta alle fonti, alla responsabilità e alla libertà di giudizio.
[1] BiblioAi <https://economia.uniroma2.it/biblioteca/biblioai>
[2] Biblioteca Vilfredo Pareto <https://economia.uniroma2.it/biblioteca>
[3] IFLA AI Entry Point for Libraries and AI <https://repository.ifla.org/items/f197f327-dc49-4743-bb57-0a373505da8b>
[4] Learning GARR <https://learning.garr.it/>
[5] Festival dello Sviluppo Sostenibile <https://2026.festivalsvilupposostenibile.it/cal/146/ricerca-accademica-dagli-assistenti-virtuali-agli-agenti-di-ai-generativa>
[6] Convegno Stelline <https://www.convegnostelline.it/organizzatore/damiano-orru/>
[7] AI Act <https://artificialintelligenceact.eu/ai-act-explorer/>
———————————————————————
Damiano Orru, responsabile della Biblioteca di Area Economica “Vilfredo Pareto” dell’Università degli Studi di Roma Tor Vergata e membro dell’Osservatorio AIB Information Literacy.
