Il vostro archivio giornalistico è l'asset. Smettete di affittarlo gratis a Google.

Un quotidiano regionale con cui mi sono seduto lo scorso inverno aveva quattro milioni di lettori mensili e un archivio di trentadue anni, e il dossier per il consiglio di amministrazione di febbraio era il documento peggiore che chiunque fosse nella stanza avesse letto in un decennio. Referral da ricerca organica in calo del 41% anno su anno. Tariffe pubblicitarie programmatiche in calo di un altro 18%. Le entrate da affiliazione che nel 2023 tenevano in piedi la baracca in silenzio erano crollate a un terzo del loro picco. La CFO ha proiettato la slide, mi ha guardato e ha posto l'unica domanda che contava: che cosa ci deve esattamente Google, e come facciamo a farglielo pagare?

Ho dovuto dirle la verità: contrattualmente Google non deve loro nulla. Il patto non scritto che ha costruito il web — voi ci lasciate effettuare il crawling, noi vi mandiamo traffico — è stato riscritto nel momento in cui gli AI Overview hanno iniziato a comparire sul 48% di tutte le ricerche di Google a marzo 2026 (theStacc / Search Engine Land). Quando un riepilogo generato dall'AI sta sopra il link organico, il lettore raramente scorre; il click-through da desktop del Daily Mail su quelle query è sceso dell'89%, dal 25,23% al 2,79%. Il contenuto viene ancora letto. Semplicemente, l'editore non viene più pagato per esso. La via del ritorno, ne sono convinto, è l'AI conversazionale costruita sull'archivio dell'editore stesso.

Quella conversazione è il motivo per cui il mio team in Veriprajna oggi costruisce AI conversazionale per gli editori — motori di retrieval-augmented generation che operano sull'archivio giornalistico dell'editore stesso, con l'imposizione delle citazioni e la strategia di licensing che li rendono sicuri da mettere sotto una testata. Retrieval-augmented generation, o RAG, significa semplicemente che l'AI risponde solo a partire dai vostri documenti, invece che da tutto ciò che ha assorbito dall'internet aperto. Quella distinzione si rivela essere l'intera partita. Ma voglio ripercorrere come ci siamo arrivati, perché la prima versione l'abbiamo sbagliata di brutto, e il modo in cui l'abbiamo sbagliata è esattamente il modo in cui la maggior parte degli editori sta per sbagliarla.

L'economia dei referral è finita. L'economia del licensing non è ancora stata costruita.

Cominciamo da quanto è grave l'emorragia, perché è la scala stessa a costituire l'argomento. Il traffico da ricerca Google verso gli editori è calato di circa il 33% a livello globale nell'anno fino a novembre 2025, e i dirigenti del settore intervistati dal Reuters Institute si aspettano un ulteriore calo del 43% nei prossimi tre anni — un quinto di loro si prepara a perdite superiori al 75% (Reuters Institute Journalism Trends 2026). I casi individuali vanno peggio, e uno di essi è diventato una causa legale: Penske Media, le cui entrate da affiliazione sono calate di oltre un terzo rispetto al picco, ha citato in giudizio Google a settembre 2025 — il primo grande caso antitrust che accusa l'azienda di costringere gli editori a fornire dati per l'addestramento dell'AI.

Il motore di ricerca che ha costruito la vostra distribuzione è ora il vostro maggior concorrente, e non ha chiesto il permesso per cambiare schieramento.

Perciò l'istinto in ogni consiglio di amministrazione è identico: se Google non ci manda lettori, costruiremo la nostra AI e li terremo sul nostro sito. Istinto corretto. È nell'esecuzione che la gente si fa male.

Abbiamo costruito prima la cosa ovvia. Ha avuto un'allucinazione su un consigliere comunale.

Sarò onesto sulle nostre cicatrici, perché me le sono guadagnate. Il primo motore che abbiamo messo in piedi era la versione per cui ogni vendor SaaS vi farà un preventivo tra i 60.000 e i 120.000 dollari con distribuzione in poche settimane: prendi l'archivio, spezzetti ogni articolo in chunk, trasformi i chunk in vector embedding e lasci che un chatbot recuperi le corrispondenze più vicine. Fa una demo bellissima. Gli chiedi di una notizia recente, tira fuori l'articolo giusto, suona alla grande.

Poi, in una sessione pilota, un redattore gli ha posto il tipo di domanda che qualsiasi lettore porrebbe: qual è la storia tra questo consigliere comunale e il costruttore dietro il progetto del centro cittadino? Quella è una domanda multi-hop — significa collegare una persona attraverso una dozzina di articoli distribuiti su più anni, in cui compare di volta in volta come nome completo con la carica, poi solo come cognome e una volta, in una vecchia didascalia fotografica, soltanto come "il rappresentante del quartiere", ben prima che occupasse quel seggio. La ricerca vettoriale ha recuperato alcuni chunk testualmente simili, li ha cuciti insieme in un paragrafo fluente e ha affermato una relazione che l'archivio in realtà non sosteneva. Ha inventato il tessuto connettivo.

Ho osservato il volto della redattrice quando se n'è accorta. Quello sguardo — una giornalista che si rende conto che la macchina ha appena fabbricato un fatto sotto il nome del suo giornale — è ciò che ora costruisco tutto per prevenire. Avevamo spedito un bugiardo sicuro di sé.

Quel fallimento è l'intera ragione per cui non credo più che un widget di chat sia un prodotto. Non ha idea che quei nomi sparsi siano una sola persona. Non ha alcun modello del tempo — che quell'uomo è stato un privato cittadino per anni prima di vincere quel seggio. E non ha alcun meccanismo per verificare se la frase che ha appena generato sia effettivamente fondata su una fonte. Sulle query che non contano, va bene. Sulle query a cui i lettori tengono davvero, quelle longitudinali, quelle su persone e denaro nel tempo, si rompe esattamente dove più ha bisogno di reggere.

Perché il RAG non ha semplicemente risolto tutto questo?

Perché "RAG" descrive una categoria, non una competenza, e il 60% difficile del lavoro è la parte che nessuno vende.

La prima cosa che ho sottovalutato — di brutto — è stata l'ingestion. Sono entrato dando per scontato che un archivio di trent'anni fosse un corpus pulito in attesa di essere trasformato in embedding. Non lo era. Erano due decenni di HTML maciullato da tre migrazioni di CMS, link interni morti che non puntavano da nessuna parte e uno strato pre-2005 che esisteva solo come microfilm scansionato. Quando abbiamo eseguito un OCR ordinario su quelle scansioni, titoli, colonne di testo e didascalie fotografiche tornavano fusi in un unico blocco senza senso, perché l'OCR non riusciva a vedere l'impaginazione. Abbiamo dovuto introdurre il riconoscimento ottico dei caratteri consapevole del layout — quello che rileva le colonne e separa un titolo da una didascalia dal corpo del testo — usando strumenti come Amazon Textract e Azure Document Intelligence. È il lavoro poco glamour che determina se l'intera cosa funziona, ed è la voce che ogni vendor di chatbot omette dal preventivo.

La seconda cosa era il problema del consigliere comunale, che ha un nome: entity resolution. Perché l'AI possa ragionare su una persona, ogni menzione di quella persona — ogni variante di firma, ogni titolo onorifico, ogni riferimento obliquo — deve collassare in un unico nodo. L'abbiamo risolta come fanno le realtà serie, con un knowledge graph: il GraphRAG open-source di Microsoft stratificato su Neo4j, con la libreria di graph data science che si occupa della disambiguazione, così che "Mr. Musk", "Elon Musk" e "il CEO di Tesla" diventino una sola entità, non tre. Un'implementazione in questo ambito ha raggiunto 12 milioni di nodi. Appena installato, GraphRAG non sa nulla della vostra cronaca politica locale né delle vostre cinquanta fonti ricorrenti. Insegnargli le persone specifiche del vostro archivio è lavoro su misura, ed è il lavoro che trasforma i "chunk testualmente simili" nella "storia reale di una persona".

Una ricerca vettoriale trova passaggi che suonano simili. Un knowledge graph sa che due passaggi riguardano lo stesso essere umano. I lettori chiedono di esseri umani.

La terza era il tempo. Le notizie sono intrinsecamente temporali — la stessa carica ricoperta da persone diverse, lo stesso disegno di legge emendato nel corso delle sessioni, la stessa azienda prima e dopo una fusione. Assegniamo agli archi del grafo timestamp di valid-start e valid-end e scomponiamo una domanda come "chi presiedeva la commissione quando è passato il disegno di legge" in sotto-query temporali, attingendo alla ricerca sul temporal-RAG emersa nell'ultimo anno (i filoni di lavoro T-GRAG e VersionRAG). Senza di ciò, il motore appiattisce la storia in un unico presente confuso, che è esattamente il modo in cui affermi che un privato cittadino ricopriva una carica anni prima di essere mai stato eletto.

La frase che dovrebbe comparire nell'RFP di ogni editore: chi è responsabile della citazione fabbricata?

Ecco il momento che mi ha spinto a leggere ad alta voce al mio stesso team una fuga di notizie da Slack come monito.

A novembre 2024 il Washington Post ha lanciato Ask The Post AI. Verso la fine del 2025 lo avevano esteso a un podcast generato dall'AI, e a dicembre sono trapelati i messaggi interni del responsabile degli standard: la cosa inventava citazioni, attribuiva erroneamente le fonti e inseriva commenti come se fossero la posizione editoriale del giornale stesso. "È davvero sconcertante che sia stato consentito di andare avanti", ha scritto un redattore (Semafor, 11 dic 2025). Il difetto tecnico era piccolo e specifico — un passaggio mancante di verifica delle citazioni. Il danno reputazionale è stato globale, e ha colpito una delle redazioni più dotate di risorse sulla Terra.

Tengo vicino quel messaggio trapelato perché è la lezione più economica disponibile in tutto questo campo. Il Post aveva gli ingegneri. Ciò che non aveva, in quel flusso di lavoro, era uno strato di enforcement che si rifiuta di emettere una frase a meno che ogni affermazione in essa non risalga a una fonte recuperata, più una soglia di confidenza che instrada le risposte incerte a una coda di revisione umana prima che vadano in produzione, più una risposta chiara alla domanda che arriva al consiglio di amministrazione: quando la macchina fabbrica una citazione, chi è responsabile? Quella governance non è software confezionato. È la differenza tra uno strumento che puoi mettere sotto la tua testata e un imbarazzo globale.

Confrontatelo con Ask FT, che il Financial Times ha costruito su Claude di Anthropic, ancorato rigorosamente al giornalismo dell'FT con citazioni obbligatorie che rimandano agli articoli di origine. In particolare, ha prodotto un aumento della retention, non la cannibalizzazione degli abbonamenti che tutti temevano. La differenza tra i due esiti non è la qualità del modello. È se l'imposizione delle citazioni sia stata trattata come il prodotto o come una funzionalità da aggiungere in seguito.

Perché non limitarsi a comprarlo, o a costruirlo come ha fatto l'FT?

Me lo chiedono di continuo, quindi lasciate che esponga il panorama con onestà, perché ho visto editori perdere la loro autonomia finanziaria con ciascuna delle risposte sbagliate.

I vendor di chatbot SaaS lasciano cadere un widget sul vostro sito per 60.000-120.000 dollari. Vi ho detto cosa comprate con ciò: vector embedding, nessuna entity resolution, nessun ragionamento temporale, nessuna verifica delle citazioni, e il vostro archivio che vive nel cloud di qualcun altro. Ha allucinazioni esattamente sulle query che contano.

Le realizzazioni interne dei Big Five — l'FT, il Times, Bloomberg, il Post, il Guardian — sono reali e impressionanti, e sono state costruite da team di ML composti da sei a venti ingegneri nell'arco di dodici o ventiquattro mesi, con costi a sette cifre. Un quotidiano regionale con un team di ingegneria di una-tre persone non può replicare quel numero di persone. Punto. Dire a un editore di fascia media di "costruirlo come l'FT" è come dirgli di far crescere un organo che non possiede.

Le grandi società di consulenza — Accenture, Deloitte, IBM — lo costruiranno senz'altro, con contratti che vanno da 1,5 a oltre 5 milioni di dollari e una fase di discovery che sopravvive alla vostra autonomia finanziaria. Ricorrono allo stesso stack Microsoft GraphRAG e Neo4j che usiamo noi, poi applicano tariffe da partner in cima, e non hanno costruito cinque archivi di editori uno dietro l'altro tanto da sapere dove sono sepolti i cadaveri.

Quel divario — tra il widget che non funziona e il team a sette cifre che non potete assumere — è l'intera ragione per cui gli editori di fascia media hanno bisogno di un partner di realizzazione che abbia già svolto il lavoro poco affascinante di ingestion, entity-resolution e imposizione delle citazioni. Non un abbonamento SaaS, e non una presentazione di discovery. È la cosa specifica per cui abbiamo costruito la nostra practice per gli editori, ed è esposta per intero nella nostra pagina di soluzione per l'AI conversazionale sugli archivi giornalistici.

La parte che la maggior parte delle società di consulenza sbaglia: vi servono due leve di ricavo, non una.

Ecco l'errore strategico che vedo commettere anche a editori intelligenti. Trattano "costruire la nostra AI" e "concedere in licenza i nostri contenuti alle aziende di AI" come un aut-aut. Sono entrambe le cose, e catturano denaro diverso.

Il vostro motore conversazionale è la leva della retention — tiene i lettori sul vostro sito a porre domande al vostro archivio invece di rimbalzare su Perplexity. Ma non fa nulla riguardo alla dispersione che sta avvenendo proprio ora, dove i crawler dell'AI ingeriscono i vostri contenuti gratuitamente. Per questo vi serve la leva della cattura, e l'infrastruttura per essa è stata costruita solo di recente.

Cloudflare ha lanciato Pay Per Crawl a gennaio 2026, bloccando di default i crawler dell'AI su circa il 20% di tutto il traffico web e consentendo agli editori di impostare Allow, Charge o Block per ciascun crawler a un prezzo per richiesta — la prima tassa sui bot a livello infrastrutturale. Tollbit fa qualcosa di simile bot per bot; il Boston Globe, Vox e Future lo hanno testato in via sperimentale. E a marzo 2026 la News/Media Alliance ha firmato un accordo con ProRata che consente a 2.200 editori di piccole e medie dimensioni di aderire a un pool di licensing collettivo con una ripartizione dei ricavi al 50/50 sulle risposte AI tracciate per attribuzione, con un accordo parallelo con Bria per l'uso di RAG in ambito enterprise. La NMA gestisce la burocrazia che un quotidiano regionale non potrebbe mai occuparsi da solo.

I pedaggi sui crawler catturano i ricavi da crawling. Non fanno nulla per i ricavi da query. La risposta onesta è far girare sia un pedaggio sia un motore di retention — chiunque vi dica di sceglierne uno vi sta vendendo la metà che gli capita di costruire.

Un'avvertenza che do sempre: nessuno degli strumenti di cattura impedisce agli AI Overview di riassumervi, perché quelli recuperano al momento della query, non del crawling. La dispersione e la sintesi sono problemi separati. Ma un editore che fa girare Tollbit o Cloudflare sul lato crawling, aderisce a ProRata sul lato licensing e fa girare il proprio motore sul lato retention ha finalmente ricostruito un modello di business a partire da tre risposte parziali. Quella è l'intera strategia, e cucire quei quattro sistemi — ProRata, Bria, Tollbit, Cloudflare — in un unico piano di ricavo coerente accanto al motore è la maggior parte di ciò che facciamo davvero.

E c'è una terza leva su cui insisto di più con gli editori commerciali e specializzati B2B, perché è quella con il maggior potenziale di crescita: il motore non è solo un fossato di retention, è un prodotto per cui potete far pagare. Un'interfaccia di query ancorata alle citazioni su un archivio verticale profondo — trent'anni di atti giudiziari, approvazioni di farmaci o dati sulle operazioni nel vostro specifico settore, il tipo di corpus per cui un responsabile della compliance o un analista metterà a nota spese un abbonamento per interrogarlo — è un livello di intelligence a pagamento, e infine un'API, che un concorrente letteralmente non può generare perché non possiede il vostro corpus. È la mossa che l'FT ha fatto nella fascia alta con il suo livello professionale da oltre mille dollari, e Bloomberg con un sistema che trasforma l'inglese semplice nel proprio linguaggio di query attraverso le conference call sugli utili e la ricerca. La stampa di settore è seduta sulla stessa opportunità su un archivio più ristretto e profondo, e la maggior parte di essa non se n'è ancora accorta.

Che aspetto ha tutto questo quando funziona

Il motore sopravvissuto al nostro disastro del consigliere comunale non somiglia per nulla al primo. Ingerisce l'archivio con un OCR consapevole del layout che rispetta l'impaginazione. Risolve le entità in un knowledge graph, così che una persona sia un unico nodo, non una dozzina di menzioni sparse. Ragiona sul tempo, così che la storia non venga appiattita nel presente. Esegue un retrieval ibrido — corrispondenza sparsa di parole chiave (BM25) accanto alla ricerca semantica densa, perché una query per "Bill 402" ha bisogno di una corrispondenza esatta che nessun embedding farà emergere in modo affidabile — e riordina i candidati prima che raggiungano il modello, con un reranker Cohere o BGE che guadagna il 15-30% sulla qualità del retrieval al costo di 50-200 millisecondi di latenza, uno scambio che accetterò ogni volta su una query che conta. E si rifiuta, strutturalmente, di emettere un'affermazione che non può citare, instradando quelle incerte a un redattore anziché a un lettore.

Si aggancia inoltre a qualsiasi CMS l'editore già utilizzi, e quell'integrazione non è mai generica. Arc XP espone una content API ma nessun hook per gli embedding, quindi vi si costruisce accanto. WordPress VIP consente di registrare endpoint personalizzati. Brightspot è più flessibile. Atypon, usato dagli editori accademici, ha una propria ricerca a cui bisogna affiancarsi. Un realizzatore che li ha visti tutti e cinque sa dove ciascuno di essi vi mette i bastoni tra le ruote.

Le redazioni che si stanno spostando più in fretta sentono già la direzione — tagliando le notizie generaliste di massa, che nella loro produzione sono in calo del 38%, e riversando gli sforzi nelle inchieste originali, in aumento del 91%, e nell'analisi contestuale, in aumento dell'82% (Reuters Institute). Il loro archivio di quel lavoro distintivo è l'unico asset che un'azienda di AI non può generare e un concorrente non può replicare. L'errore è lasciarlo a giacere su un server, indicizzato gratuitamente, mentre chi produce sintesi lo monetizza.

La CFO di quel quotidiano regionale ha chiesto cosa le dovesse Google. La domanda migliore, quella che vorrei più editori ponessero per prima, è quanto valga il loro stesso archivio quando sono loro a controllare il motore che lo legge. Trentadue anni di reportage sono un corpus proprietario su cui nessun modello sulla Terra è stato addestrato — e le uniche persone che possono trasformarlo in una conversazione che un lettore pagherà per continuare ad avere sono le persone che lo possiedono. Potete scoprire come lo costruiamo, dall'inizio alla fine, qui. L'archivio è sempre stato l'asset. Ciò che è cambiato è che finalmente dovete smettere di regalarlo.