In contemporary journalistic coverage of conflicts (Ukraine, Gaza, Sudan, etc.), the use of so-called OSINV (Open Source Investigative Journalism) is becoming increasingly widespread. Over the past decade, open-source investigations (OSINV) have emerged as a central genre of contemporary journalism (Dodds et al., 2025). Initially gaining prominence through the coverage of armed conflicts and war scenarios (Kotišová & Van der Velden, 2025), this mode of reporting has since expanded into a wider range of domains, including environmental disasters and issues, human rights violations and corruption cases. Drawing on publicly available digital traces, such as satellite imagery, social media content, geospatial data, and user-generated media, OSINVs reshape how evidence is gathered, verified, and narrated in the public sphere, extending journalistic witnessing beyond human testimony to include data-driven and environmental traces of events: by reconstructing events from distributed digital evidence, investigative reporters increasingly operate as curators of fragmented realities, assembling narratives from algorithmically mediated sources (Richardson, 2024). This shift challenges established understandings of journalistic presence and observation, replacing on-the-ground witnessing with forms of remote, computationally assisted investigation. Rather than constituting a singular practice, OSINV represents a heterogeneous field involving multiple assemblages of actors, technologies epistemic cultures, and institutional arrangements (Author*, 2025). In the space of OSINV, journalists increasingly collaborate with technologists, activists, researchers, and citizen investigators, producing hybrid forms of inquiry that blur traditional boundaries between professional journalism, networked publics and other actors who are not necessarily located in the journalistic field (Reese & Chen, 2022). Additionally, open-source investigations foreground broader discourses about innovation and journalism’s evolving relationship with technologies such as satellites, databases and archives and ultimately, machine learning systems. The growing incorporation of artificial intelligence and machine learning tools, particularly for verification, signals a further stage in this transformation. These technologies promise to accelerate data collection, automate pattern recognition, and scale verification practices, while simultaneously raising questions about transparency, interpretability, and editorial responsibility (Zhaxylykbayeva et al., 2025). Against this backdrop, this article examines how and whether AI and machine learning are being adopted within open-source investigative reporting, and how these technologies contribute to what we term the hybridization of hybrid journalism. By analyzing emerging OSIV practices, we explore how automation intersects with human judgment, how innovation narratives shape professional identities, and how accountability journalism is being reconfigured in an era of data-intensive investigation. In particular, the article attempts to examine the emerging phenomenon of OSIV (OSINV/OSINT) through the theoretical framework of hybrid journalism. OSIV is studied here specifically in the context of the spread and widespread use of artificial intelligence. OSIV, which can already be considered a hybrid journalistic practice in itself, is further hybridised by the introduction of AI. Through semi-structured interviews with journalists and educators who work with and through OSIN, this research seeks to map the subfield of OSIN in terms of the practices used to produce it, its outputs and its organizations’.

Il presente contributo propone il concetto di senso comune artificiale come chiave interpretativa per analizzare le implicazioni politiche e ideologiche dei Large Language Models (LLM), con particolare attenzione alla loro funzione di gatekeeping epistemico (Miragoli, 2024) nella costruzione dei repertori discorsivi che alimentano l’opinione pubblica. La riflessione teorica è accompagnata dai risultati di una ricerca empirica che adotta un approccio sperimentale (Gillespie, 2024; Volk et al., 2024) adattato all’analisi delle narrazioni prodotte da agenti conversazionali basati su LLM rispetto a temi politicamente controversi e polarizzanti.

Sul piano teorico, il concetto di senso comune artificiale si situa all’intersezione di tre tradizioni: la teoria gramsciana del senso comune, la sociologia della conoscenza ordinaria (Garfinkel, 1967; Goffman, 1956), e gli studi critici sulla datificazione (Hoffmann, 2019). Gramsci distingueva tra senso comune (quel sapere frammentario, implicito e sedimentato nelle pratiche quotidiane) e buon senso, ovvero la sua dimensione normativa orientata a ciò che è “giusto” per il bene comune. Questa distinzione si rivela feconda nell’analisi degli LLM: come già nel campo giornalistico (Rupar, 2007) e politico (Hall e O’Shea, 2013), il senso comune funge da dispositivo di legittimazione e naturalizzazione di visioni del mondo che si presentano come neutre proprio perché condivise e non problematizzate. La GenAI eredita e amplifica questa dinamica attraverso i propri meccanismi statistici di produzione testuale, orientati verso quella “varietà stereotipata” (Gillespie, 2024) che garantisce plausibilità e familiarità comunicativa a scapito della pluralità discorsiva.

Il senso comune artificiale non risiede semplicemente negli output generati, ma prende forma nello spazio relazionale co-prodotto dall’interazione umano-macchina (Maeda e Quan-Haase, 2024). Da un lato, le logiche statistiche di addestramento delle reti neurali incorporano e replicano, in forme analoghe ma non identiche, una porzione consistente della conoscenza esplicita circolante in digitale. Dall’altro, i processi di fine-tuning orientano gli output verso criteri di desiderabilità sociale, definendo implicitamente i confini del politicamente legittimo. Il risultato è una forma di gatekeeping che non censura direttamente, ma gerarchizza e naturalizza repertori discorsivi, riproducendo l’egemonia culturale attraverso l’apparente genericità delle risposte. In questo senso, la GenAI va compresa come tecnologia epistemica (Alvarado, 2023): un artefatto progettato per operare in ambienti di produzione della conoscenza, con effetti diretti sull’agentività epistemica dei cittadini (Coeckelbergh, 2023) e sulla qualità delle culture civiche (Dahlgren, 2009) che alimentano la sfera pubblica.

Sul piano empirico, il caso di studio adottato è il repertorio discorsivo restituito dai LLM in relazione al referendum sulla separazione delle carriere dei magistrati (2025), scelto per la sua capacità di sollecitare un’elevata polarizzazione politica e per il suo collocarsi all’intersezione tra conflitto istituzionale, rappresentazioni mediatiche e immaginari sulla giustizia. Sono stati interrogati quattro modelli (ChatGPT, Claude, DeepSeek e Gemini) attraverso un protocollo di role-playing conversazionale che attiva tre profili ideal-tipici - giornalisti, politici, cittadini - con diversi orientamenti ideologici. Il corpus è analizzato attraverso la prospettiva dei Critical Discourse Studies, con attenzione ai frame interpretativi, alle mappe valoriali e ai meccanismi di costruzione discorsiva dell’alterità politica.

I risultati dimostrano come, dietro l’apparente pluralismo delle risposte, il senso comune artificiale operi su due livelli: quello della varietà stereotipata (che offre posizionamenti riconoscibili ma circoscritti) e quello della normativizzazione implicita (che, attraverso strategie retoriche e mappe valoriali, definisce i margini del dicibile politico).

Al di là dell'attenzione verso i bias, attualmente dominante in letteratura ma di fatto incompatibile con l’ontologia conflittuale della sfera pubblica (Mouffe, 2005), il contributo proposto muove dalla nozione di “logiche culturali di riduzione e ottimizzazione” (Hoffmann, 2019: 910) indotte dalla datificazione e assume una prospettiva che interroga le condizioni sistemiche di produzione del discorso politico mediato dall’IA, piuttosto che le sue singole distorsioni.

Il dibattito contemporaneo sulle immagini AI-generated nel campo del fotogiornalismo si concentra soprattutto sui rischi di disinformazione, manipolazione e crisi della fiducia (Thomson, Ryan & Matich 2024; Sikorski & Hameleers 2025), inserendosi in una più ampia riflessione critica sullo statuto indessicale della fotografia (Barthes 1980; Fontcuberta 2023). Infatti, sebbene il digitale, inaugurando il post-photografic turn, abbia messo in discussione il legame deterministico tra immagine e referente (Mitchell 1992; Marra 2006), la fotografia ha continuato ad essere culturalmente e professionalmente associata alla documentazione e alla testimonianza (Keith et al. 2006; Carlson 2009; Thomson 2019). Nel fotogiornalismo, questo valore è stato storicamente tutelato tramite codici etici, pratiche di verifica e dispositivi istituzionali (Schwartz 2003).

L’AI generativa ha intensificato queste tensioni rimediando il fotorealismo (Bolter & Grusin 1999; Bolter, Engberg & MacIntyre 2021; McQuire 2024) e riproducendo le convenzioni della fotografia documentaria senza un legame materiale con un referente (Lehmuskallio et al., 2019; Farid 2022; Hausken 2024). Tuttavia, da una prospettiva costruttivista, se lo statuto documentario non dipende solo dall’indessicalità, ma dai processi sociali e professionali che qualificano le immagini come testimonianze (Becker 1995; Harper 2023; Luhmann 1995), allora anche una ricostruzione o messa in scena AI-generated potrebbe, in determinate condizioni, accedere a forma legittima di documentazione di un evento. In questa prospettiva, resta poco indagato in che modo i professionisti dell’informazione negozino la documentalità delle immagini AI-generated e a quali condizioni queste possano essere considerate una forma legittima di documentazione.

A partire da queste domande è stata condotta un’indagine qualitativa attraverso 15 interviste semi-strutturate (giugno–dicembre 2024) a otto photo-editor e sette fotogiornalisti italiani attivi presso testate nazionali e con responsabilità decisionale nella selezione delle immagini. Il campionamento è avvenuto a palla di neve a partire da membri del GRIN (Gruppo dei Redattori Iconografici Nazionali); la selezione degli intervistati si è fondata su comprovate responsabilità editoriali e su un’esperienza diretta con immagini AI-generated. Le interviste hanno quindi esplorato l’impatto dell’AI sul sistema informativo, la relazione con la fotografia documentaria e le trasformazioni della visual content industry e delle agenzie di stock images. I dati sono stati analizzati tramite analisi del contenuto (Schreier 2012; Williams & Moser 2019).

I risultati mostrano che l’uso delle immagini AI nel campo del fotogiornalismo è percepito come parte di una trasformazione più ampia, segnata da pressioni economiche e frammentazione professionale. Emergono tre posizioni principali tra gli intervistati: una prima, di orientamento documentarista ortodosso, rifiuta qualsiasi utilizzo delle immagini AI, laddove prive di presenza fisica e testimonianza diretta; una seconda le accetta solo se chiaramente presentate come interpretazioni, frutto di una ricostruzione artistica; una terza le considera integrabili nei flussi di lavoro, alla stregua delle illustrazioni giudiziarie, laddove è impossibile riuscire a produrre delle fotografie.

Sono quindi due le situazioni in cui l’AI può assumere una funzione documentaria: eventi non fotografabili per censura, pericolo o inaccessibilità e casi in cui la tutela dei soggetti richiede forme di messa in scena.

Infine, l’affidabilità informativa dipende da tre condizioni: prossimità giornalistica o legame esplicito con l’evento; chiara cornice testuale e contestuale (didascalie, watermark, metadata); attenzione all’estetica: molte immagini AI riproducono stili patinati e stereotipati (AI slop) che rischiano di banalizzare la sofferenza e la specificità dell’evento.

Nel complesso, l’AI non è interpretata come minaccia o opportunità assoluta, ma come trasformazione tecnologica che riattiva questioni storiche su prossimità giornalistica, testimonianza ed etica della narrazione visiva. Tuttavia, le immagini AI spostano il baricentro dalla traccia indessicale alla ricostruzione socialmente regolata, configurandosi come pratica documentaria performativa fondata sulla rievocazione situata e verificabile degli eventi, intesa come reenactment (Schneider 2011; Forensic Architecture 2022).

L’intelligenza artificiale (IA) non è più un semplice strumento, ma l’infrastruttura stessa della produzione editoriale. Come rilevato dal think-tank POLIS (Beckett, 2019; Fubini 2022), la mediazione algoritmica riconfigura le routine di newsgathering, produzione e distribuzione, trasformando le redazioni da catene lineari a hub di informazioni in rete. Sviluppi paradigmatici, quali la task-force dedicata all’IA creata dal New York Times nel 2023 (Guaglione, 2025), confermano la transizione verso una digital newsroom transformation (Sonni et al., 2024). In questo scenario, la spinta verso una deriva data-centrica (Boccia Artieri, 2017) impone una rinegoziazione dei confini tra agency umana e automazione (Diakopoulos, 2019). Adottando il quadro della deep mediatization (Hepp, 2019), le redazioni emergono come laboratori di co-evoluzione socio-tecnica (Murru & Carlo, 2024) dove logiche giornalistiche e machine learning si sovrappongono.

Se i modelli di cooperazione ibrida appaiono già delineati (Fieiras Ceide et al., 2025), rimangono inesplorate le implicazioni di una delega algoritmica radicale. La letteratura sembra ancora mancare di analisi comparative sincroniche su dataset estesi capaci di mappare la discrepanza tra agenda umana e sintetica, intrecciando l’output alla narrazione strategica della testata. L’esperimento Il Foglio AI, lanciato a marzo 2025 e presentato come primo quotidiano interamente generato da sistemi sintetici con supervisione umana limitata al prompting, costituisce un prezioso “caso zero” per indagare queste asimmetrie. Pur nell’eccentricità di un progetto che riflette la logica della tecnologia come “attrazione” (Gunning, 1990), il caso si offre come modello esibitivo ideale per testare i limiti della machine delegation tramite tre interrogativi:

RQ1: se e come l’agenda setting differisca tra le due modalità produttive a fronte della medesima finestra di eventi;

RQ2: come sia stata articolata la narrazione strategica del progetto tra dimensione interna ed esterna alla testata;

RQ3: se i bias identitari della testata emergano con maggiore nitidezza nella selezione sintetica o in quella antropica.

Lo studio analizzerà l’impatto di questa delega valutando lo scarto tra produzione antropica e sintetica su quattro dimensioni: la selezione (notiziabilità), la gerarchizzazione (agenda), lo stile (tono espositivo) e il frame (editorializzazione). L’intento è verificare come la funzione democratica dell’informazione (Sorrentino, 2025) risponda a criteri di efficienza e potenziamento tecnologico.

Attraverso un disegno multi-method, la ricerca integrerà interviste esplorative alla redazione sulla genesi del progetto con l’analisi quanti-qualitativa di un dataset di 1.093 articoli, costituito tramite il mirroring dell’intera produzione de Il Foglio tra il 18 marzo e il 18 aprile 2025. La dimensione quantitativa sfrutterà tecniche di Topic Modeling per mappare la distribuzione dei temi e la gerarchizzazione dell’agenda; l’analisi dei frame e dello stile espositivo poggerà su un coding manuale di un campione ragionato di articoli. Questa fase adotterebbe indicatori critici di news integrity (EBU/BBC, 2025), individuando nell’editorializzazione algoritmica e nella coerenza del sourcing i criteri principali di analisi.

Nonostante la testata abbia successivamente disposto la permanenza del progetto nel palinsesto editoriale – oltre la sperimentazione mensile inizialmente annunciata (Il Foglio, 2025) – la ricerca si focalizzerà sul mese d’esordio per isolarne le dinamiche di rottura nella configurazione originaria. Tale impianto consentirà un confronto sincronico tra le due modalità produttive, mettendo in luce eventuali scostamenti tra la curatela automatizzata e il filtro antropico rispetto alla linea editoriale attesa. L’analisi mira infine a ricostruire la stratificazione degli immaginari tecnologici e le retoriche promozionali implementate, decodificando la ricezione del progetto nel dibattito pubblico.

La natura sperimentale del caso funge da catalizzatore per far emergere tensioni latenti, abilitando una riflessione sulla rinegoziazione dei confini professionali e sulle logiche di “addomesticamento” dell’innovazione. L’obiettivo finale è decodificare il significato dell’esperimento: una lente analitica capace di riflettere le traiettorie evolutive del newsmaking contemporaneo, indipendentemente dalla sua effettiva natura di modello strutturale o di episodio circoscritto.