Controllo Fonti

L'AI scrive in modo convincente anche quando sbaglia i dettagli. Incolli il documento originale e il testo scritto da un'AI: lo strumento mostra i numeri, le date, i nomi e le citazioni che non tornano e dove cercarli nella fonte. Con otto esercizi «trova l'errore» e una guida per portarlo in aula.

Prova la demo: bottizer00.github.io/controllo-fonti I testi restano nel tuo browser: nessun invio, nessun server, nessun account.

Perché esiste

Un'AI può scrivere un riassunto ricco di dettagli e sbagliare proprio i dettagli: punteggi, percentuali, date, cognomi. Più il testo sembra preciso, più è facile fidarsi.

Lo strumento nasce da un caso vero: per preparare un esame avevo fatto riassumere all'AI dodici lezioni universitarie in un documento di sintesi, il più ricco di dettagli e quindi il più "credibile". Confrontandolo riga per riga con le slide originali ho trovato errori sostanziali (punteggi inventati, test descritti con il numero sbagliato di prove, valori massimi, esiti e prevalenze sbagliati). Qui ho trasformato quel controllo manuale in uno strumento, e in materiale per fare formazione.

Cosa fa

• Strumento. Due caselle (fonte e testo AI, anche da file .txt o Word .docx). Il testo AI viene evidenziato in tre colori: verificato, da controllare (il valore c'è, ma altrove, arrotondato o con parole diverse intorno), non trovato. Cliccando un'evidenziazione il passaggio corrispondente si illumina nella fonte; se il valore manca ma la fonte ne riporta uno plausibile nello stesso contesto, lo propone («nella fonte c'è 8%»); per una citazione inventata mostra il passaggio della fonte che le somiglia di più.
• Esercizio «trova l'errore». Otto esercizi su tre livelli (verbale, scheda prodotto, preventivo, circolare, test, curriculum, contratto, offerta di lavoro). Si segnano gli elementi sospetti e, con una bandierina, le frasi il cui significato è ribaltato. Alla fine ogni errore ha la sua spiegazione e dice se lo strumento lo vede. Quattro esercizi contengono errori di significato («gradita» che diventa «richiesta», «determinato» che diventa «indeterminato»): nessun numero è sbagliato e lo strumento li dà per verdi, per far toccare con mano il limite.
• Per i formatori. Si crea un esercizio con i propri testi e lo si condivide con un link: contiene tutto, nessun server. Schede da stampare per i partecipanti (con o senza soluzioni), una pagina con prompt da copiare, i sei tipi di errore e una lezione di 30 minuti e la guida per il formatore con tempi, domande, risposte attese e una variante da 60 minuti.

Cosa riconosce

• Numeri, percentuali e importi in formato italiano e inglese (1.300, 1,3, «1,3 milioni», in inglese 1,300,000 e «$1.2 million»), scritti in lettere («ventuno», «due milioni ottocentomila», «sei virgola otto») o con unità attaccate (250,3g).
• Date in formati diversi (14/03/2026 = «14 marzo 2026» = «quattordici marzo duemilaventisei»), senza anno (15/08) o in elenco («22, 29 gennaio e 5 febbraio»); orari (14.45 = 14:45, «ore 9», 9-12:30).
• Valori calcolati dall'AI (una percentuale, un totale, una differenza, una quota): se non sono nella fonte ma tornano con i numeri del testo, lo strumento scrive il calcolo («2.720 × 10% = 272») e avverte quando un numero di partenza non torna: i conti coerenti con un dato sbagliato restano sbagliati. Si cercano solo valori abbastanza precisi, per non trovare calcoli per caso.
• Nomi, sigle e codici (titoli come «Dott.» o «Ing.» e sigle come «CdA» o «SpA» non contano come nomi), citazioni tra virgolette cercate parola per parola, riferimenti («art. 4», «artt. 32 e 33», «sentenza n. 15/2026»), telefoni, email e link.
• Sa che un titolo markdown (## Verbale) o un'etichetta in grassetto non sono nomi propri, e che l'AI scrive spesso in markdown.

Come funziona

1. Dal testo si estraggono gli elementi controllabili (src/check.js), mascherando via via date, orari, riferimenti, telefoni, codici e numeri, così nessun elemento viene contato due volte.
2. La fonte viene indicizzata: ogni numero con le sue interpretazioni possibili (1.300 può essere 1300 o 1,3), le date, i nomi, le parole.
3. Per i numeri conta il contesto, ma non con una finestra fissa: ogni parola della fonte è attribuita al numero più vicino. «2 nuovi punti di consegna … 3 addetti» attribuisce «punti di consegna» al 2 e «addetti» al 3, quindi un «tre punti di consegna» nel testo AI viene segnalato anche se un 3 c'è, altrove, nella fonte.
4. Per i nomi conta la vicinanza: due parole sono un nome solo se nella fonte stanno attaccate (o separate da «di», «del»…). «Elisa Tonon» non è verificato se la fonte ha Elisa Toffolo e Anna Tonon. Le parole che nella fonte compaiono solo in minuscolo («Partenza», «Laurea») sono maiuscole da titolo dell'AI, non nomi.
5. Per ogni elemento mancante si cerca nella fonte il valore più vicino per contesto e, solo se plausibile (stessa grandezza, prove sufficienti), lo si propone. Una correzione sbagliata è peggio di nessuna correzione.

Tutto è JavaScript senza dipendenze: nessun framework, nessuna build, nessuna rete. Per i testi copiati da un PDF c'è «Sistema da PDF»: toglie i trattini a fine riga, unisce le righe spezzate e scioglie le legature, prima del confronto. Per i file Word il .docx (un archivio zip) è letto a mano con gli strumenti del browser, con un tetto alla dimensione decompressa.

Quanto funziona (misurato)

La cartella benchmark/ contiene 24 documenti inventati (verbali, circolari, preventivi, contratti, bandi, schede tecniche, articoli…) e 72 riassunti scritti da un'AI (Gemini) che ha letto solo il documento: un paragrafo, un elenco in markdown, la risposta a una domanda. npm run benchmark ripete la misura.

Errori inseriti a macchina (614 casi, uno alla volta, seme fisso):

Errore inserito	Segnalato	Correzione proposta giusta
Cognome sbagliato	100%	92%
Numero inventato	100%	92%
Giorno di una data	100%	84%
Mese di una data	98,6%	98%
Orario	100%	–
Numero vero della fonte messo nel posto sbagliato	74%	–
Totale	94,8%

Falsi allarmi sui riassunti originali: 68 segnalazioni su 1.793 elementi (3,8%). Le ho riviste tutte a mano: 21 erano problemi veri (valori calcolati, dedotti o sbagliati dall'AI, come 8.350 m² invece di 8.750 o un orario di ritorno inventato) e 47 falsi allarmi (2,6% degli elementi), quasi sempre numeri presenti nella fonte con parole diverse intorno (una tabella riscritta, un sinonimo). Le etichette sono in benchmark/etichette.json.

Su testi veri va un po' peggio. Ho provato lo strumento su sette sezioni di Wikipedia in italiano, riassunte da un'AI (in locale: non sono nel repository per la licenza dei testi). Si segnala circa il 9-10% degli elementi, contro il 3,8% del corpus sintetico: i testi reali hanno più sinonimi («persone» e «vittime»), migliaia scritte con lo spazio, valori calcolati dall'AI e frasi lunghe con molti numeri. Quella prova ha fatto scoprire tre difetti veri (le migliaia con lo spazio, il contesto che attraversava la fine della frase, i nomi dopo l'articolo), ora corretti. Due test ne tengono il frutto: un testo copiato dalla fonte non deve avere nessuna segnalazione, né intero né frase per frase, e 300 testi casuali non devono mai mandare in errore il motore.

Come leggerli, onestamente:

• il caso più difficile, un numero esatto messo nel posto sbagliato, è quello in cui lo strumento sbaglia di più (circa uno su quattro sfugge): dipende da quanto il contesto cambia;
• i documenti sono sintetici e i riassunti vengono da un solo modello: i numeri valgono per questo corpus, non per ogni testo;
• le soglie sono in un test (test/benchmark.test.js): se un ritocco al motore peggiora i risultati, la suite fallisce.

Limiti (importanti)

• Controlla solo la coerenza di numeri, date, nomi e citazioni con la fonte. Non capisce il significato: una frase può essere sbagliata (un «non» sparito, «gradita» che diventa «richiesta») anche con tutti i dettagli giusti. Per questo l'esercizio include errori che lo strumento non vede.
• Un valore calcolato dall'AI (una percentuale, un totale) non è scritto nella fonte e viene segnalato: va ricalcolato a mano.
• Se la fonte è incompleta, segnala come «non trovato» anche cose vere. Va letto come un invito a controllare, non come un verdetto.
• I nomi sono riconosciuti con un'euristica sulle maiuscole: può mancare qualcosa o segnalare parole che non sono nomi.
• Pensato per testi in italiano. L'inglese è supportato nei casi base: date («March 14, 2026», «14th of March»), numeri in lettere («twenty-one», «one hundred and fifty», «two million»), importi con la virgola delle migliaia («1,300,000»), 3:30 pm, «Mr.», «Dr.», «Section 4». Provato in locale su dieci voci di Wikipedia in inglese (7.400 elementi, 2.900 frasi: nessuna segnalazione sul testo copiato dalla fonte); non ha un benchmark suo come l'italiano. Le altre lingue non sono supportate.
• Non legge i PDF: copia il testo e incollalo.
• Non sostituisce la verifica di una persona competente, in particolare per leggi, conformità e sicurezza.

Privacy

La pagina non contatta nessun server. Lo impone la politica di sicurezza dichiarata nella pagina (connect-src 'none', nessuno script o stile inline), verificabile dagli strumenti per sviluppatori del browser, e un test controlla che resti così. Non usa cookie e non salva i testi che inserisci. Un piccolo service worker (sw.js) tiene in cache i soli file del sito, con la rete per prima e la copia solo se la rete manca: dopo la prima visita la pagina funziona anche senza connessione (utile in aula) e si può installare come app; non contatta nessun altro indirizzo. Il link di un esercizio condiviso contiene i testi nella parte dopo il #, che il browser non invia a nessuno; viene validato prima dell'uso e il titolo è mostrato come testo, mai come HTML.

Uso

• Online: apri la demo.
• Senza rete: dopo la prima visita funziona offline (anche installata come app). I pulsanti A− / A+ in alto ingrandiscono il testo per il proiettore.
• In locale: scarica il repository e apri index.html con il browser, funziona anche offline.
• Test (serve Node 20 o successivo, nessuna dipendenza da installare):

npm test            # circa 150 test: logica, esercizi, file Word, link, benchmark, pagine, coerenza, testi casuali
npm run benchmark   # valutazione sul corpus
npm run e2e         # prova nel browser reale (serve Chrome, Chromium o Edge)

La CI esegue tutto, compresa la prova nel browser con Chrome. L'accessibilità è stata verificata anche con axe-core (strumento standard) su ogni scheda, in tema chiaro, scuro e su telefono: nessuna violazione; l'unico titolo fuori ordine che aveva trovato è stato corretto. I controlli di contrasto che axe non può decidere (testo sul fondo sfumato della testata) li ho calcolati a mano: tutti sopra 4,5. Lighthouse sulla demo pubblicata: prestazioni 99, accessibilità 100, best practice 100, SEO 91; l'unico audit non superato (robots.txt) fallisce soltanto perché Lighthouse lo scarica da dentro la pagina e la politica di sicurezza senza rete glielo impedisce: il file esiste.

Struttura

index.html, guida.html   le pagine
style.css                stile (chiaro e scuro, telefono, stampa)
src/check.js             logica di verifica, pura e testabile
src/esercizio.js         frasi, errori e valutazione dell'esercizio
src/condividi.js         esercizi condivisibili con un link
src/file.js              lettura di .txt e .docx
sw.js, manifest.webmanifest   funzionamento senza rete e installazione come app
src/examples.js          gli otto esercizi (dati sintetici)
src/ui-*.js              interfaccia
benchmark/               corpus, etichette, misura
test/                    test con node --test
e2e/                     prova nel browser (driver DevTools senza dipendenze)

Licenza

MIT. Strumento didattico di Giacomo Bottizer.