Tripadvisor, l’AI fa sparire le recensioni negative

Which?, l’associazione dei consumatori britannica, ha passato al setaccio i riassunti generati dall’AI di Tripadvisor per decine di hotel europei. Il caso più citato è quello del Riu Palace Santa Maria, a Capo Verde: nelle recensioni raccolte da Which? compaiono 102 menzioni di intossicazione alimentare, 32 recensioni a una o due stelle tra dicembre 2025 e aprile 2026, di cui 14 con almeno un ospite gravemente malato. L’hotel è già oggetto di un’azione legale collettiva che coinvolge 412 persone, con sette decessi segnalati dal 2023.

Il riassunto AI di Tripadvisor per lo stesso hotel racconta un’altra storia. Parla di camere “spaziose”, ristoranti “diversi”, pulizia “spotless” e “recensioni entusiastiche”. Il chatbot Ollie della piattaforma, interpellato sul rischio di intossicazione, risponde che è “piuttosto improbabile” e descrive l’hotel come dotato di “una solida reputazione per gli alti standard igienici”. Il divario tra i dati sorgente e il testo generato non è un dettaglio di stile. È la sostanza dell’inchiesta.

Tripadvisor descrive la propria metodologia in modo preciso: i riassunti sono generati con un modello linguistico combinato a tecniche di NLP, applicati alle recensioni degli ultimi dodici mesi, con aggiornamento su base mensile, e un peso dichiarato “equo” indipendente dal voto assegnato. Sulla carta è un processo neutro. Nella pratica, un processo neutro applicato a un linguaggio naturale già sbilanciato verso il tono positivo produce comunque un output sbilanciato, a prescindere dalle intenzioni di chi lo ha progettato.

Le molestie diventano “episodi isolati segnalati da pochi”

Il secondo caso riguarda il Kaia Coracesium, ad Antalya, in Turchia. Le recensioni raccolte includono segnalazioni ripetute di molestie sessuali da parte di personale maschile della struttura. Il riassunto AI le comprime in una frase: “lapses noted by a few”, episodi isolati notati da pochi, con il servizio descritto come “friendly”.

Qui il problema è più grave di un’omissione. Il modello non ignora le segnalazioni, le riformula fino a renderle irriconoscibili come quello che sono: non un problema di cortesia dello staff, ma denunce di condotta sessuale. Duncan Brumby, professore di human-computer interaction allo University College London, ha spiegato che l’AI tende a “smussare gli angoli e ripulire” le critiche, perché la maggior parte del testo su cui i modelli sono addestrati è blanda o positiva per natura. Il bias linguistico di base diventa un problema quando finisce dentro un prodotto che decide cosa un viaggiatore legge prima di prenotare.

Il dettaglio conta perché sposta la responsabilità. Un’omissione può essere difesa come limite tecnico, un errore statistico su un campione grande. Una riformulazione che trasforma “molestie sessuali ripetute” in “episodi isolati notati da pochi” è una scelta di sintesi, non un buco nei dati: il modello ha visto le parole giuste e ha deciso comunque di ammorbidirle. Cybernews ha ricostruito il caso Kaia Coracesium in dettaglio, notando che lo stesso schema di attenuazione compare in strutture diverse, con problemi diversi, con una regolarità che esclude il caso isolato.

Google legge le stesse recensioni e scrive “focolai di malattia”

Se il problema fosse solo nei dati di addestramento, ogni riassunto AI dovrebbe soffrirne allo stesso modo. Non è così. Per lo stesso Riu Palace Santa Maria, il riassunto generato da Google segnala “potenziale di malattia”, “focolai di malattia” e “preoccupazioni per la presenza di uccelli nelle aree del buffet”. Stessa base di recensioni, esito opposto.

Il confronto si ripete per il Britannia International di Londra, definito da Which? la peggiore catena alberghiera del Regno Unito da oltre dieci anni. Google la descrive come una catena “valutata più volte tra le peggiori del Regno Unito”, con giudizi come “sporca” e “orribile”. Tripadvisor scrive invece che gli ospiti “spesso lodano le camere pulite” e definisce l’atmosfera “affascinante”. La differenza risiede nel modo in cui ciascuna piattaforma ha deciso di costruire il prodotto, non nei dati né nel modello linguistico.

Un approfondimento su ScienceDirect pubblicato ad aprile 2026, dedicato ai riassunti AI sulle piattaforme di viaggio, misura anche la persuasività percepita di questi testi. Il dato rilevante: i viaggiatori tendono a considerare i riassunti generati come più credibili della media delle singole recensioni, proprio perché sembrano una sintesi neutra e non l’opinione di un singolo utente scontento. È l’effetto opposto a quello che dovrebbe avere uno strumento pensato per informare: la sintesi automatica guadagna fiducia nel momento stesso in cui perde accuratezza.

Chi paga Tripadvisor, e perché un riassunto onesto costa

Tripadvisor guadagna da commissioni sulle prenotazioni e da pubblicità pagata dagli hotel, non dai lettori che cercano recensioni oneste. Un riassunto che apre con “spotless” e “rave reviews” trattiene il visitatore sulla pagina di prenotazione. Un riassunto che apre con “102 segnalazioni di intossicazione alimentare” lo allontana, insieme alla commissione che la piattaforma avrebbe incassato.

Il modello linguistico non ha bisogno di istruzioni esplicite per minimizzare i reclami: gli basta seguire il proprio bias naturale verso il tono positivo, in un contesto di prodotto che premia proprio quell’esito. Tripadvisor ha risposto a Which? dicendo di “dissentire fondamentalmente dalla premessa dell’indagine”, sostenendo che i riassunti non sostituiscono le recensioni singole e che esistono soglie automatiche che sopprimono il riassunto in caso di incidenti gravi come morte, droga o aggressione sessuale. L’azienda ha definito le accuse “un’affermazione infondata che sembra pensata per generare polemica”. Rory Boland, editor di Which? Travel, ha replicato che “questo mancato emergere di informazioni critiche sulla sicurezza è inaccettabile e potenzialmente letale”.

La difesa di Tripadvisor sulle soglie automatiche per gli incidenti più gravi è verificabile solo in parte: Which? ha trovato proprio nei casi più gravi (intossicazioni multiple, molestie ripetute) riassunti che minimizzano invece di sopprimersi. Se la soglia esiste, non ha funzionato nei casi documentati dall’inchiesta. È lo stesso schema di opacità descritto in un altro caso di pubblicità invisibile dentro i chatbot: l’incentivo commerciale resta nascosto dentro un output che si presenta come neutro, e il controllo esterno arriva sempre dopo il danno.

Il problema è del formato “riassunto AI di recensioni”, non del singolo vendor

Il pattern non si esaurisce con questo caso. Su Amazon, l’assistente Rufus raccomanda prodotti a marchio proprio circa sei volte oltre la loro quota di mercato reale, con l’83% di raccomandazioni definite “self-serving” da analisi indipendenti, un meccanismo diverso ma analogo a quello descritto in un altro caso di riassunto AI che sostituisce la lettura diretta delle recensioni. Un paper accademico pubblicato a febbraio 2026 dalla University of Illinois Urbana-Champaign documenta un bias di positività strutturale nei riassunti AI di contenuti generati dagli utenti, presente sia nella fase di campionamento sia in quella di sintesi.

Il fenomeno è strutturale al formato “riassunto AI di recensioni su piattaforma commerciale”, non un difetto isolato di un singolo vendor. Ogni prodotto che genera sintesi automatiche di giudizi degli utenti, e allo stesso tempo vive di commissioni da chi quei giudizi riceve, parte da un conflitto di interessi che nessuna soglia di moderazione elimina del tutto. Lo stesso automatismo di fiducia acritica verso un output AI, anche su temi che riguardano la sicurezza delle persone, è già stato osservato in un caso di chatbot che diffondono miti sui vaccini: la fiducia del pubblico verso un testo generato da AI resta più alta di quanto la sua accuratezza giustifichi.

Una risposta di mercato parziale esiste: verificare a scadenza fissa i riassunti AI contro le recensioni sorgente, invece di fidarsi del testo generato. Chi gestisce una struttura ricettiva o un e-commerce con recensioni pubbliche può monitorare i canali diretti (recensioni Google, feedback raccolti in prima persona) che non passano dal filtro editoriale di una piattaforma terza. È un correttivo manuale, non una soluzione di prodotto, ma resta l’unico modo per sapere cosa i clienti stanno davvero scrivendo.

Chi prenota un hotel guardando solo il riassunto AI di Tripadvisor sta leggendo un testo ottimizzato per farlo prenotare, non per informarlo. Chi gestisce una struttura ricettiva e si affida allo stesso riassunto per capire cosa pensano i propri ospiti sta facendo data governance con lo strumento sbagliato: i segnali critici vengono filtrati prima ancora di arrivare al management. Il conto lo paga comunque qualcuno a valle, quando il cliente arriva in hotel rassicurato da “spotless” e trova la realtà raccontata dalle recensioni che l’AI aveva deciso di non fargli leggere.