Verbalitic, l’AI italiana che «legge nel pensiero» degli utenti spulciando le recensioni online (e il caso Van Dijk)

Milioni e milioni di recensioni vengono scritte ogni su Amazon, su Google Maps, su Tripadvisor o su uno dei tanti social network. Un oceano di dati destrutturati che per noi utenti rappresenta un utile metodo per orientarsi (sapendo interpretare con buonsenso quel che si legge, senza affidarsi bovinamente ai soli giudizi sintetici con le stelline). Per le aziende invece quel fiume di parole sono allo stesso tempo una miniera d’oro e una sfida difficilissima da affrontare. Andare oltre un generico «mi piace» o un punteggio astratto non è semplice. In aiuto però oggi può arrivare l’intelligenza artificiale. Per una volta non parliamo di chatbot generalisti come ChatGPT o Gemini, ma piuttosto di architetture AI da costruire, ottimizzare e addestrare su misura, per scopi precisi. In questo modo, già oggi, è possibile trasformare il rumore di fondo in intelligenza strategica e far emergere spunti altrimenti invisibili. Non è un discorso teorico: lo abbiamo visto all’opera con Verbalitic, un’idea tutta italiana sviluppata dalla «AIgency» milanese disruptiveS, che mostra le le capacità di analisi linguistica  oggi possibili attraverso un’AI progettata in modo sartoriale. 

Dentro le recensioni di mezzo milione di gamer

Per dimostrare la validità di questo approccio, il team di disruptiveS si è immerso in uno degli ambienti digitali più vasti e caotici: le recensioni dei videogiochi su Steam, quella che oggi è probabilmente la principale piattaforma di distribuzione digitale. La sfida era ambiziosa: «Abbiamo provato a rispondere a una domanda. Era possibile trasformare il linguaggio grezzo e destrutturato di una grande quantità di recensioni in un sistema di comprensione profonda, capace di guidare decisioni strategiche?», ci ha detto Steila. L’analisi si è concentrata su un caso emblematico: il cambio di nome del celebre gioco di calcio di Electronic Arts da Fifa a FC, un momento di passaggio delicato per osservare l’evoluzione delle percezioni dei giocatori. Sono state analizzate circa mezzo milione di recensioni scritte in 40 lingue diverse, dall’indonesiano al turco.

Come funziona il sistema

Il cuore del progetto è una complessa «pipeline» di Natural Language Processing (NLP), ovvero l’insieme di tecnologie che permettono a un computer di «capire» il linguaggio umano. Questo processo si articola in diverse fasi chiave. In primo luogo, la Segmentazione Intelligente (Sub-sentence Splitting): spesso, in un’unica recensione, un utente esprime pareri diversi su aspetti diversi del gioco. Il sistema utilizza un approccio ibrido per suddividere con precisione ogni commento in singole frasi di senso compiuto, anche in assenza di punteggiatura corretta. «La chiave era andare a dividere frasi più lunghe in frasi di senso compiuto su cui puoi andare a fare una parte successiva di layer di analisi», spiega Steila. 
Si passa poi alla «Sentiment Analysis continua»: invece di etichettare una frase semplicemente come «positiva» o «negativa», il sistema le assegna un punteggio continuo da 0 a 1, misurando l’intensità emotiva con una granularità molto maggiore. Questo permette di cogliere sfumature che altrimenti andrebbero perse. 
Si arriva quindi al rilevamento delle emozioni (Emotion Detection), dove si va ancora più in profondità. 
Un modello specializzato, addestrato sul modello open source Mistral-7B, è in grado di identificare 16 emozioni distinte, tra cui rabbia, fiducia, ma anche frustrazione e nostalgia, particolarmente rilevanti nel dominio del gaming. 
«A differenza della sentiment analysis, che si limita a dire “positivo” o “negativo”, l’emotion detection permette di capire come si sentono realmente le persone», aggiunge Steila. 
Infine si arriva all’Individuazione dei temi (Topic Modeling): utilizzando tecniche di clustering semantico avanzate come BERTopic, il sistema ha individuato in modo non supervisionato (cioè senza input umani predefiniti) oltre 220 temi chiave di cui parlano gli utenti. «Io voglio che un tema emerga in modo spontaneo – chiarisce Steila -, perché c’è una serie significativa di recensioni che parlano di quel tema».

Esempi pratico: il calcio femminile e il «caso Van Dijk»

Le possibilità che un approccio di questo tipo aprono si capiscono meglio citando qualche caso concreto. Uno dei temi più discussi nelle recensioni del titolo di Electronic Arts era l’inclusione del calcio femminile e delle squadre miste. L’analisi ha rivelato che la percezione, inizialmente molto positiva in FIFA 23, è andata peggiorando con le edizioni successive FC 24 e FC 25.
L’emozione prevalente associata a questo tema? La frustrazione. Ma perché? Scavando nei dati, il sistema ha fatto emergere la radice del problema. Molti utenti si lamentavano della mancanza di realismo nella fisica di gioco, dove calciatrici minute potevano avere la meglio in scontri fisici con difensori maschi colossali. L’analisi dei «bigrammi» (coppie di parole più frequenti) ha fatto emergere un nome inaspettato: Virgil Van Dijk, il forte (fisicamente e non solo) difensore olandese del Liverpool. «Veniva usato come termine di paragone – racconta Steila -. “La calciatrice X fa a spallate con Van Dijk e lo muove”».
È qui che entra in gioco l’ultimo anello della catena: l’AI Generativa. «Dopo aver isolato topic, sentiment ed emozioni, vengono impiegati modelli generativi per sintetizzare macro-temi, analizzare l’evoluzione temporale e individuare segnali deboli», trasformando i dati strutturati in report strategici. Come sottolinea Steila, l’AI generativa «funziona molto bene perché se tu la fai lavorare su dei binari strutturati dove hai dei dati precisi e consistenti, il lavoro di sintesi è molto efficace».

Applicazioni infinite: dalla politica ai chatbot

L’approccio è chiaro, l’esempio del gaming è soltanto una prova generale per utilizzi anche molto diversi. Il framework sviluppato dall’azienda italiana è estremamente versatile. In ambito politico, potrebbe analizzare in tempo reale la reazione dell’elettorato a un discorso o a una proposta, capendo non solo il sentiment ma anche le emozioni prevalenti e i temi più discussi. Nel settore del customer care, permetterebbe di monitorare migliaia di conversazioni con i chatbot per identificare i punti critici e capire quali argomenti generano più frustrazione. Nei settori dell’hospitality e dell’e-commerce, l’analisi andrebbe oltre le stelle nelle recensioni di hotel o prodotti, scoprendo i veri punti di forza e di debolezza percepiti dai clienti.
Il limite sta invece soprattutto nell’accesso ai dati: l’esempio dei videogame è stato realizzato anche perché Steam non ha «blindato» l’accesso alle recensioni, ma la maggior parte dei social e dei siti (da Amazon a Google fino a Facebook e Instagram) non ha API per interrogare dall’esterno in modo massivo l’enorme mole di recensioni prodotte.

Su misura

La chiave, ribadisce disruptiveS, è la progettazione su misura. «Una raccolta di recensioni su Steam non è un sondaggio politico né un feedback turistico», ci spiegano. Ogni contesto ha un suo linguaggio, sue sfumature e sue aspettative: per questo è necessario un approccio «artigianale», che adatti ogni componente al dominio specifico. La sfida, in un panorama di soluzioni AI che già oggi sta arrivando rapidamente alla saturazione e che sconta alcuni, ben dimostrati, limiti dei modelli attuali, non è più l’accesso alla tecnologia, ma la capacità di progettarla con intelligenza. «Tradurre una recensione è semplice, ma comprenderla veramente, leggendo correttamente tono, gergo, sfumature culturale, per poi trasformarla in informazione azionabile, è ciò che genera valore reale» ci dice concludendo Paolo Steila.