Lo studio quantifica la perdita di precisione quando un dato finisce al centro del contesto
Il problema è noto a chiunque abbia provato a farsi trovare online: se il tuo contenuto finisce nel posto sbagliato, diventa invisibile. Non per colpa degli algoritmi di posizionamento tradizionali, ma per un difetto strutturale dei sistemi di intelligenza artificiale che oggi rispondono alle domande degli utenti. A rispondere, con dati alla mano, arriva un paper accettato a CogSci 2026, la conferenza annuale della Cognitive Science Society. Lo studio porta le firme di Dongxin Guo, Jikun Wu e Siu-Ming Yiu. È stato reso pubblico lo scorso 9 maggio su arXiv, ma le sue implicazioni pratiche stanno diventando chiare solo ora.
L’effetto che cancella il tuo sito dai risultati AI
Il fenomeno si chiama “Lost in the Middle”. In italiano potremmo tradurlo con “perso nel mezzo”. Descrive una caduta di precisione pari a circa 20 punti percentuali quando un sistema di recupero informazioni basato su AI deve pescare un dato collocato al centro di un contesto lungo, rispetto a quando lo stesso dato si trova all’inizio o alla fine. In pratica, se il tuo contenuto compare a metà di una lista di risultati o di un documento analizzato dall’algoritmo, ha molte meno probabilità di essere mostrato all’utente.
Il meccanismo ha una parentela stretta con un difetto della mente umana scoperto quasi cinquant’anni fa. Già nel 1974 lo psicologo John Anderson aveva documentato il cosiddetto “effetto fan”: più fatti associamo a un concetto, più lentamente e con minore accuratezza riusciamo a recuperarne uno specifico. L’interferenza tra informazioni simili affolla la memoria e rallenta il recupero. I ricercatori hanno quindi chiesto: i modelli di intelligenza artificiale soffrono dello stesso problema più di noi? E se sì, di quanto?
Il cervello batte l’algoritmo (e HippoRAG impara)
Il confronto è stato condotto mettendo fianco a fianco esseri umani, sistemi di Dense Passage Retrieval (ovvero modelli che trasformano domande e documenti in vettori numerici per calcolare somiglianze) e HippoRAG, un’architettura ispirata al funzionamento del cervello. A ciascuno è stato misurato un indice chiamato sensibilità all’interferenza, espresso come rapporto tra il parametro di interferenza (α) e la variabilità di risposta (σ). Più il valore è basso, più il sistema è robusto.
Il risultato è netto: la memoria umana registra un valore di 0,41. I sistemi di Dense Passage Retrieval salgono a 0,67, quasi due terzi in più. Il dato dice una cosa precisa: i modelli di AI oggi più diffusi per il recupero di informazioni sono molto più disturbati dall’accumulo di dati simili rispetto a quanto accade nel cervello di una persona. HippoRAG, l’architettura che prova a imitare i meccanismi cognitivi, si colloca a metà strada con un valore di 0,44. Non raggiunge la resilienza umana, ma dimezza il divario rispetto ai sistemi tradizionali.
A rendere possibile questo progresso sono tre meccanismi cognitivi che il documento propone come spiegazione della maggiore robustezza umana. Non si tratta di formule astratte: sono ipotesi operative che provano a tradurre in codice ciò che il nostro cervello fa in modo spontaneo per non lasciarsi sommergere dall’interferenza. Lo studio non si limita alla diagnosi: avanza sei previsioni verificabili, costruite per collegare la ricerca sulla memoria cognitiva con la valutazione pratica dei sistemi di recupero dell’IA. In altre parole, gli autori dicono: “Se la nostra teoria è giusta, quando testeremo i modelli dovremo osservare questi sei comportamenti”.
Sei previsioni per il SEO del futuro
Le sei previsioni verificabili contenute nel paper sono il passaggio più rilevante per chi pubblica contenuti online. Non spiegano solo perché certi documenti spariscono nel mezzo di un contesto lungo, ma suggeriscono cosa diventerà importante per essere recuperati. Se HippoRAG e i suoi sviluppi futuri ridurranno la sensibilità all’interferenza, i contenuti oggi penalizzati dalla posizione intermedia potranno tornare visibili. Ma con una conseguenza: la competizione non si giocherà più solo sulla rilevanza puntuale di una pagina rispetto a una query, bensì sulla capacità del contenuto di inserirsi in una rete di relazioni semantiche che il modello sa gestire senza confusioni. Chi produce testi intercambiabili o ridondanti, oggi già debole, rischia di diventare irrilevante. Chi costruisce nessi chiari tra informazioni correlate, invece, potrebbe beneficiare di un recupero meno arbitrario.
Non basterà più scrivere per i motori di ricerca tradizionali: chi capirà come l’AI organizza la memoria avrà il vantaggio della prima pagina.
