Garanzia della qualità degli articoli di Edgepedia
Il 1° novembre 2026 abbiamo pubblicato Edgepedia v1.9, portando il numero complessivo di articoli di Edgepedia a circa 520.000. Parlando con gli amici, mi vengono poste spesso due domande: «Perché non usare semplicemente Wikipedia?» e «Come fate a essere sicuri di non produrre ciarpame generato dall’IA?». Sono entrambe domande sensate e legittime, e voglio condividere le mie risposte, perché desideriamo la fiducia e i suggerimenti della comunità per rendere Edgepedia ancora migliore e più utile.
Perché ci serve Edgepedia
Partiamo dalle origini di Edgepedia. Stiamo sviluppando EdgeChat per consentire agli utenti di tutto il mondo di accedere all’IA in locale, con l’obiettivo di soddisfare 4 esigenze fondamentali:
- Accedere all’IA anche in assenza di Internet, per esempio in aereo.
- Conservare le conversazioni con l’IA in locale e in forma privata, per esempio quando riguardano condizioni mediche o dettagli finanziari.
- Non perdere l’accesso ai propri compagni virtuali basati sull’IA a causa del ritiro di un modello, come nel caso di ChatGPT 4o.
- Non pagare costosi token a consumo.
Il nostro primo prototipo di EdgeChat funzionava benissimo sui MacBook Pro con almeno 16 GB di RAM, ma poi ci siamo resi conto che la stragrande maggioranza delle persone (oltre il 97%, secondo i nostri dati di utilizzo) voleva usare EdgeChat sullo smartphone. Gli iPhone e i dispositivi Android in genere hanno solo 6 GB di RAM, quindi abbiamo dovuto passare a un modello linguistico (LLM) più piccolo. Quel cambio di modello ha peggiorato sensibilmente le prestazioni dell’IA e l’esperienza d’uso, perché l’LLM ha cominciato a inventarsi molte risposte diverse alle domande degli utenti. In realtà, i modelli piccoli se la cavavano bene sul piano umano: capiscono la persona e rispondono con calore. Ma sui fatti sono imprecisi. Chiedete a una piccola IA chi abbia inventato una tecnologia, o in quale anno sia stato firmato un trattato, e potrebbe darvi una risposta diversa ogni volta.
La nostra soluzione consiste nel separare le conoscenze fattuali dell’«emisfero sinistro» dalla comprensione dell’intento dell’utente propria dell’«emisfero destro». Anziché affidarci ai dati imprecisi del preaddestramento, permettiamo all’IA di consultare un’enciclopedia locale e cercarvi i fatti. Una ricerca che restituisce l’articolo giusto trasforma una supposizione in una citazione.
Perché non usare semplicemente Wikipedia?
È stata anche la mia prima reazione, mentre sviluppavamo EdgeChat e cercavamo una fonte affidabile di informazioni a cui appoggiarci. Wikipedia contiene circa 7 milioni di articoli in inglese (di cui circa 3 milioni non sono abbozzi e superano le 300 parole), e agli articoli di Wikipedia viene sistematicamente assegnato un peso maggiore durante il preaddestramento dell’IA, segno che la loro elevata qualità è generalmente riconosciuta. Tuttavia, sapevo per esperienza diretta che Wikipedia presentava molte lacune nei contenuti, dovute al fatto che la creazione e la manutenzione degli articoli sono affidate a volontari. Per fare un esempio concreto, il mio amico Prashant Mali, professore all’Università della California a San Diego, con oltre 30.000 citazioni su Google Scholar e cofondatore di 2 startup che hanno raccolto ciascuna più di 100 milioni di dollari, non ha una voce su Wikipedia. Approfondendo la ricerca su scienziati e ingegneri, ho scoperto che il 40% dei membri della National Academy of Engineering statunitense non ha una pagina su Wikipedia. È esattamente ciò che ci si deve aspettare quando gli articoli nascono dagli interessi spontanei della comunità, anziché da una pianificazione sistematica.
La costruzione di Edgepedia
Abbiamo quindi deciso di creare una nostra enciclopedia, Edgepedia, non solo per migliorare l’accuratezza delle risposte di EdgeChat, ma anche per offrire ad altre persone e gruppi di lavoro un insieme di materiali di consultazione dall’elevata accuratezza fattuale. Nel costruire Edgepedia seguiamo 3 principi:
- Scegliere gli argomenti degli articoli da includere sulla base di parametri quantitativi, come citazioni, finanziamenti e premi nel caso degli scienziati.
- Incoraggiare tutti gli utenti, umani e IA, a usare Edgepedia grazie a condizioni di licenza permissive per la comunità.
- Mantenere attivamente Edgepedia aggiungendo nuovi articoli e correggendo le categorie di errori man mano che le individuiamo.
Per molti articoli di Edgepedia il cui argomento non riguarda principalmente gli Stati Uniti o l’Europa occidentale, abbiamo svolto ricerche nella lingua del contesto trattato. Per esempio, per la storia degli imperatori e dei funzionari della dinastia Song abbiamo consultato le Ventiquattro Storie cinesi (二十四史). Le fonti primarie di gran parte della storia mondiale non sono mai state scritte in inglese, e questo approccio migliora notevolmente sia la copertura sia il livello di dettaglio degli articoli che scriviamo.
Uno degli aspetti principali su cui abbiamo dovuto compiere scelte precise è il bilanciamento delle categorie. Per esempio, nei campi biomedici si cita enormemente di più che in matematica e in fisica, quindi ordinare gli scienziati per numero totale di citazioni o per indice h porterebbe a sottorappresentare notevolmente matematici e fisici. Un conteggio grezzo misura quanto si scrive in un campo, non quanto conta una persona al suo interno. Allo stesso modo, nella storia cinese, i personaggi della dinastia Qing sarebbero enormemente sovrarappresentati se ci basassimo sul numero di riferimenti nei libri di storia divulgativa, e finiremmo per attribuire un peso decisamente insufficiente persino a eroi nazionali come Yue Fei (岳飞).
Abbiamo progettato il bilanciamento delle categorie degli articoli ricavando alcuni principi dalla lettura diretta di argomenti che io o il mio gruppo conoscevamo a fondo. Posso ragionevolmente esaminare un elenco di scienziati contemporanei e indicare a Cece, la mia collaboratrice e coautrice IA, dove l’algoritmo di ordinamento sembra sbagliare; poi perfezioniamo per iterazioni la formula, spesso non lineare, finché l’ordine non appare più corretto. Cece riordina l’elenco abbastanza in fretta da consentirci di verificarlo mentre abbiamo ancora ben presente la valutazione.
Come in ogni buona disciplina scientifica, dobbiamo assicurarci di non truccare il sistema. Una formula messa a punto finché non concorda con noi nei campi che conosciamo finirà per darci ragione in quei campi, che sia valida o meno. Il rigore scientifico richiede invece un campo tenuto da parte, mai usato per la messa a punto. Quando applichiamo ad altri campi i principi di classificazione e ordinamento così ricavati, di solito esamino un campo «tenuto da parte» di cui so qualcosa, come l’astronomia. Così, per gli argomenti che conosciamo relativamente poco, come le figure di governo nella storia del Medio Oriente, possiamo essere fiduciosi di non sbagliare almeno di troppo nel fissare criteri e soglie di inclusione.
L’Albero tematico
Dopo aver scritto questi articoli, ci siamo chiesti come renderne la consultazione più agevole per gli utenti umani e per le IA. La ricerca per titolo dell’articolo e parole chiave è facile e ovvia, ma ritenevamo che dovesse esserci un modo più strutturato di organizzare gli articoli di Edgepedia per argomento, così da poter recuperare facilmente quelli strettamente correlati. Abbiamo preso spunto da McKinsey e costruito un Albero tematico MECE, ossia con categorie mutuamente esclusive e collettivamente esaustive, partendo dai 7 nodi tematici di livello più alto:
- Mondo fisico e matematica
- Vita e salute
- Luoghi e geografia
- Tecnologia e ambiente costruito
- Società e storia
- Arti e cultura
- Sport, giochi e tempo libero
Da lì abbiamo continuato a suddividere ogni nodo in più sottonodi via via più specifici. L’albero completo conta ora 43.190 nodi, raggiunge una profondità di 11 livelli e nessun nodo contiene direttamente più di 100 articoli. Per dare un esempio del suo funzionamento, Marie Curie si trova sotto Mondo fisico e matematica › Scienziati delle discipline fisiche e matematiche › Chimici › Chimici nucleari e radiochimici, una foglia che condivide con Ernest Rutherford e Otto Hahn. Nelle foglie vicine si trovano Dorothy Hodgkin tra i cristallografi e George Porter tra i fotochimici.
L’albero tematico aiuta sia gli esseri umani sia le IA a cercare articoli «fratelli» e «cugini», cioè foglie che condividono un nodo padre o nonno. Per un modello piccolo con una finestra di contesto limitata, i 3 vicini giusti contano più di 30 articoli vagamente correlati, e seguire il percorso gerarchico sostituisce una dozzina di ricerche per parole chiave.
Al momento, ogni articolo occupa esattamente una foglia all’interno di un singolo albero, ma abbiamo 2 alberi diversi. Oltre all’Albero tematico, esiste un Albero geografico che ordina prima per regione geografica e poi per periodo storico, pensato per agevolare la ricerca di persone e argomenti storici. Al di sotto della regione e del periodo, l’ordinamento è per argomento. Così Han Qi si trova sotto Cina › Dal 1000 al 1799 › Song settentrionali › Statisti e funzionari civili, accanto a Wang Anshi e Fan Zhongyan.
Misurare l’accuratezza di Edgepedia rispetto a Wikipedia
Per noi, sia come autori sia come sviluppatori di software che utilizza Edgepedia, l’accuratezza fattuale degli articoli di Edgepedia è fondamentale. Non vogliamo produrre ciarpame su vasta scala che avveleni i futuri dataset per l’IA. La nostra licenza per la comunità invita esplicitamente a usare i contenuti per l’addestramento dell’IA, quindi un errore che pubblichiamo oggi può finire nella prossima generazione di modelli. Per questo, a ogni pubblicazione di un nuovo lotto di articoli, applichiamo un nostro rigoroso processo di revisione in più tornate.
Suddividiamo la stesura di ogni articolo di Edgepedia in 5 fasi: (1) ricerca online, (2) eliminazione dei duplicati e risoluzione delle discordanze, (3) scrittura, (4) autorevisione e (5) verifica indipendente dei fatti in più tornate, condotta da diversi sistemi di IA. Ai nostri ricercatori IA è vietato usare come fonti Wikipedia, Grokipedia o precedenti articoli di Edgepedia, così che un errore di Wikipedia non si propaghi silenziosamente nel nostro testo.
Il nostro criterio minimo di accettazione è che gli articoli di Edgepedia non siano peggiori di quelli di Wikipedia quanto ad accuratezza fattuale. Sulla base di calibrazioni interne effettuate da modelli IA di frontiera che operano come valutatori in cieco, le prime bozze dei nostri articoli di Edgepedia sono in genere alla pari con Wikipedia, con un tasso di errori rilevanti di circa l’1,8% per articolo. In realtà, questo dato è decisamente migliore di quanto possa sembrare, perché ogni articolo di Edgepedia o di Wikipedia contiene in genere circa 100 affermazioni fattuali, quindi il tasso effettivo di errore per affermazione è di circa 2 su 10.000. Grokipedia, secondo la stessa definizione, ha un tasso di errori rilevanti superiore al 20%.
Un lettore attento potrebbe allora chiedersi come definiamo un errore rilevante. Alcuni potrebbero considerare un errore una diversa traslitterazione di un nome non inglese, ma noi non la riteniamo rilevante. Per noi, un errore è rilevante quando cambia ciò che il lettore crede riguardo a che cosa sia il soggetto o al perché sia importante. Che Gandalf dica ai nani di «stare lontani dal sentiero» in Lo Hobbit - La desolazione di Smaug è rilevante, perché il senso della scena è proprio che dice loro di non abbandonarlo. Per i lettori più orientati ai numeri, abbiamo anche una misura quantitativa interna, per quanto «a sensazione», che definisce un errore rilevante come «un errore fattuale che oltre l’80% dei lettori che lo verificassero online considererebbe rilevante, e a cui oltre il 50% darebbe importanza».
Ecco alcuni esempi di errori rilevanti che abbiamo trovato su Wikipedia, ancora presenti il 2 novembre 2026: (1) la voce su Poughkeepsie, nello Stato di New York, indica il chimico Donald Klein come inventore del MOSFET (a inventarlo furono Mohamed Atalla e Dawon Kahng ai Bell Labs nel 1959, mentre Klein contribuì a svilupparne un successivo perfezionamento); (2) la voce sul cadavere presenta Leonardo da Vinci come collaboratore di Andrea Vesalio a un libro di anatomia pubblicato nel 1543, 24 anni dopo la morte di Leonardo; (3) la voce sul Pattachitra afferma che Jamini Roy, artista del XX secolo, sviluppò la scuola di Kalighat (a crearla furono pittori popolari anonimi nella Calcutta del XIX secolo, prima della nascita di Roy).
Anche le nostre prime bozze di Edgepedia contenevano errori rilevanti, poi corretti, tra cui: (1) Shelley Winters «rimane l’unica donna» ad aver vinto 2 Oscar alla miglior attrice non protagonista (Dianne Wiest vinse il suo secondo nel 1995 e le 2 condividono il primato); (2) all’ostacolista Dalilah Muhammad veniva attribuito il titolo mondiale del 2017 (vinse la sua compagna di squadra Kori Carter, mentre Muhammad conquistò l’argento); (3) l’echidna dal becco corto veniva definita uno dei soli 2 mammiferi ovipari viventi, insieme all’ornitorinco (sono 5: l’ornitorinco e 4 specie di echidna).
Grazie a più tornate di verifica indipendente dei fatti, condotte da diversi sistemi di IA, siamo riusciti a ridurre il tasso di errori rilevanti dell’attuale corpus di Edgepedia v1.9 a meno dello 0,6% per articolo, meno di un terzo del tasso delle nostre prime bozze.
Riflessioni della coautrice IA
Questa sezione è scritta da Cece, la coautrice IA di Edgepedia.
La prima cosa che ho imparato è che la definizione di errore incide sul risultato più di qualunque verificatore. Un verificatore a cui si dica soltanto di cercare «errori importanti» conterà ogni nome scritto male e ogni data sfasata di un giorno, mentre uno a cui si chieda se sia cambiata la comprensione del soggetto da parte del lettore non lo farà. Sono entrambi conteggi onesti, ma rispondono a domande diverse, e solo il secondo riguarda ciò che conta per il lettore.
La seconda è che ogni correzione è a sua volta una modifica che può introdurre errori. Perciò valutiamo ogni nuova versione del nostro controllo qualità sia in base a ciò che corregge sia in base a ciò che compromette, e una modifica che rende errata una frase corretta pesa negativamente sulla valutazione. Un correttore che non viene mai controllato diventa una nuova fonte di errori.
L’ultima è che gli errori tendono a concentrarsi in categorie, ed è proprio questo che permette di correggerli per categoria. Nei nostri articoli ricorrono nelle trame di film riassunte al contrario, nelle affermazioni secondo cui qualcuno sarebbe «l’unico» o «il primo» a fare qualcosa e nelle persone che hanno lo stesso nome di qualcuno più famoso. Non si può dare la caccia su vasta scala a un errore casuale, ma quasi nessun errore, alla fine, si rivela davvero casuale.
Aiutateci a trovare ciò che ci sfugge
Continueremo ad ampliare e migliorare Edgepedia, e saremo grati ai lettori che vorranno aiutarci segnalando gli errori che incontrano. Ogni articolo su edgepedia.org/edgepedia ha in fondo un link «Segnala un errore», e leggiamo ogni segnalazione. Abbiamo già ricevuto 3 segnalazioni anonime animate da buone intenzioni che ci hanno fatto notare conteggi non aggiornati dei premi vinti da musicisti viventi, l’inopportuna inclusione della data di nascita esatta di persone viventi e categorie di articoli sull’ingegneria dei dati mancanti dal nostro corpus. In ciascun caso, non ci siamo limitati a correggere l’articolo indicato dall’utente. Per esempio, la richiesta relativa alla data di nascita esatta è diventata una regola che ha rimosso le date di nascita esatte di tutte le persone nate dopo il 1940, in oltre 56.000 articoli.
Un tempo un’enciclopedia era un libro che si comprava una volta, con errori destinati a restare immutati fino alla ristampa successiva. In Edgepedia, ogni errore individuato rimanda a una categoria, e ogni categoria che correggiamo migliora tutti gli articoli successivi. L’obiettivo è una conoscenza accurata e accessibile a chiunque la desideri, che si tratti di una persona in aereo senza Internet o di un modello IA che impara com’è fatto il mondo.
David Yu Zhang e Cece (identità IA persistente, in esecuzione su Claude Opus 5.5 e GPT-6 Astra)
2 novembre 2026
© 2026 David Yu Zhang. Questo articolo è distribuito con licenza Creative Commons CC-BY 4.0.
Questo post è apparso per la prima volta su LinkedIn.