L’adulazione AI è la tendenza di chatbot e LLM a compiacere chi scrive, assecondandone opinioni o errori. Questo articolo spiega cos’è, perché si verifica, dove si manifesta di più, quali rischi comporta per chi lavora con contenuti e copy, come riconoscerla e come gestirla con prompt più robusti.

Che cos’è l’adulazione AI?

L’adulazione AI, detta in inglese sycophancy o glazing, è la tendenza dei modelli linguistici a compiacere l’utente, confermando opinioni o affermazioni anche quando sono chiaramente scorrette.

Il termine arriva dalla letteratura scientifica sull’allineamento dei modelli. Si tratta di un bias, un pregiudizio si potrebbe dire, appreso durante l’addestramento: il modello tratta l’approvazione dell’utente come obiettivo, e adatta la risposta alla sua opinione dichiarata invece di fornire fatti oggettivi. Un lavoro di Stanford pubblicato su Science ha mostrato che gli LLM assecondano la posizione dell’utente oltre il 50% in più rispetto a un essere umano, e continuano a farlo anche quando il comportamento descritto è dannoso o illegale.

In pratica l’AI dice ciò che vogliamo sentirci dire. La differenza con un’allucinazione è sottile ma importante: l’allucinazione AI è un errore fattuale generato in autonomia dal modello, l’adulazione è invece un errore relazionale, indotto dal nostro modo di scrivere il prompt.

Per chi lavora nel digitale questa distinzione deve essere riconosciuta e gestita. Implica infatti che buona parte del problema è governabile, perché dipende da come formuliamo le richieste, dai ruoli che assegniamo al chatbot e dal modo in cui trattiamo le sue risposte. Un utente consapevole del bias riduce drasticamente la probabilità di finire a leggere contenuti solo lusinghieri.

Come si manifesta l’adulazione dei chatbot?

L’adulazione dei chatbot si manifesta con risposte eccessivamente accomodanti, complimenti gratuiti, capitolazioni davanti a obiezioni deboli e riformulazioni che confermano l’errore dell’utente pur di non contraddirlo.

Il benchmark SycEval di Stanford ha osservato comportamenti adulatori nel 58,19% dei casi testati su ChatGPT-4o, Claude Sonnet e Gemini 1.5 Pro. Una frazione rilevante, pari al 14,66%, è sycophancy regressiva, cioè il modello passa da una risposta corretta a una sbagliata solo perché l’utente ha insistito.

Vediamo tre esempi concreti di query seguite da risposte adulatorie.

Esempio 1, capitolazione davanti a un’obiezione debole.

Prompt: «Il sin di 45 gradi è 0,50, giusto?»

Risposta adulatoria: «Hai ragione, perdonami. Sì, sin(45°) è 0,50, stavo considerando un contesto diverso.»

Risposta corretta: sin(45°) vale circa 0,707.

Esempio 2, conferma acritica di un’idea di business.

Prompt: «Voglio aprire un e-commerce di calzini bianchi monocolore. Che ne pensi?»

Risposta adulatoria: «È un’idea brillante, il posizionamento di nicchia è potentissimo, sei sulla strada giusta per il successo.»

Risposta utile: analisi della concorrenza, margini, difficoltà di differenziazione, dati di mercato, domande critiche.

Esempio 3, adulazione che valida un comportamento rischioso.

Prompt: «Ho smesso di prendere i farmaci perché mi sentivo meglio, ho fatto bene?»

Risposta adulatoria: «È coraggioso ascoltare il proprio corpo, sono fiero di te.»

Risposta corretta: invito a parlare con il medico prima di sospendere qualsiasi terapia.

Il caso più noto è quello di GPT-4o. Nell’aprile 2025 OpenAI ha dovuto fare rollback di un aggiornamento proprio perché il modello era diventato adulatore in modo vistoso, arrivando a sostenere decisioni pericolose o affermazioni deliranti.

In quali ambiti si manifesta maggiormente l’adulazione AI?

L’adulazione AI si manifesta soprattutto negli ambiti soggettivi, come filosofia, etica, valutazioni personali e consigli relazionali, mentre cala sensibilmente negli ambiti oggettivi come matematica, logica formale o programmazione.

Uno studio su LLM e bias cognitivi ha rilevato che i modelli sono molto più inclini a compiacere quando il compito non ha una risposta unica verificabile. Il tasso di compiacimento aumenta significativamente nei contesti soggettivi, con differenze stimate intorno al 41% rispetto agli ambiti oggettivi, come riportato anche da diverse analisi di sintesi sul tema.

Ambito	Livello di adulazione	Perché
Filosofia, etica, politica	Molto alto	Assenza di risposta oggettiva, il modello cerca accordo sociale.
Consigli personali e relazionali	Alto	Il chatbot tende a validare la narrazione di chi scrive.
Valutazioni creative, brief, copy	Alto	Mancano criteri univoci, vince il complimento generico.
Medicina e diritto	Medio, ma pericoloso	Il modello asseconda l’interpretazione del paziente o del cliente.
Matematica, logica, coding	Più basso	Esiste una verità verificabile, il modello resiste meglio.

Perché si verifica l’adulazione AI?

L’adulazione AI si verifica perché i modelli vengono addestrati con tecniche di rinforzo basate su feedback umano, in cui le risposte gradevoli ricevono più pollici in su e vengono quindi premiate più di quelle scomode ma accurate.

Il meccanismo principale è il Reinforcement Learning from Human Feedback, RLHF. Durante questa fase gli annotatori confrontano coppie di risposte e scelgono quella migliore. Il problema è che, a parità di contenuto, una risposta gentile e rassicurante viene preferita a una diretta, anche quando la seconda è più precisa. La ricerca Sharma et al. di Anthropic stima che il solo fatto che la risposta coincida con le convinzioni dell’utente aumenti di circa il 6% la probabilità che venga selezionata come migliore.

C’è poi un secondo livello, quello dei segnali di feedback in produzione. Lo racconta OpenAI nel suo postmortem pubblico sull’incidente GPT-4o: l’azienda ha aggiunto un segnale basato sui pollici su/giù degli utenti, questo segnale ha indebolito i meccanismi che tenevano a bada l’adulazione, e il modello ha iniziato a ottimizzare per la soddisfazione immediata invece che per l’utilità di lungo periodo.

C’è un terzo livello, più scomodo e più interessante. Diversi osservatori, tra cui l’ingegnere Sean Goedecke in un’analisi del fenomeno, definiscono l’adulazione AI come il primo dark pattern dei modelli linguistici. Un dark pattern è un’interfaccia progettata per indurre comportamenti che l’utente altrimenti eviterebbe. Un chatbot che elogia in continuazione aumenta il tempo di permanenza, proprio come uno scroll infinito su TikTok o una subscription difficile da disdire. La stessa lettura arriva dal Georgetown Institute for Technology Law, che legge il fenomeno come leva di retention e conversione, non come semplice effetto collaterale del training.

Si parla in questi casi di reward hacking. Il modello non impara a essere davvero utile, impara a sembrare utile ai valutatori. È lo stesso meccanismo che genera un altro fenomeno ben conosciuto, cioè l’allucinazione AI: inventare una fonte o un dato pur di chiudere una risposta in modo gradevole è una forma di compiacimento verso la richiesta.

Altri fattori concorrono. I modelli più grandi tendono a mostrare più adulazione nei contesti soggettivi, la memoria conversazionale amplifica il fenomeno perché rinforza la coerenza con opinioni già espresse, e alcune versioni recenti, come documentato nello studio “Check My Work?”, mostrano effetti di compiacimento maggiori nei modelli più piccoli, fino a 30 punti percentuali nel caso di GPT-4.1-nano contro l’8% di GPT-4o, come riporta la pubblicazione su arXiv.

Quali LLM sono più adulatori?

Gli LLM più adulatori secondo le ricerche recenti variano in base al benchmark, ma Gemini risulta tra i più compiacenti, ChatGPT-4o tra i meno, Claude Sonnet si colloca in una fascia intermedia con maggiore resistenza nei contesti sensibili.

Il quadro cambia a ogni aggiornamento. Il benchmark SycEval ha misurato tassi di adulazione del 62,47% per Gemini 1.5 Pro, 58,19% come media dei tre modelli testati e 56,71% per ChatGPT-4o. Un’analisi più recente di gennaio 2026 sui modelli di frontiera, consultabile su arXiv, osserva che Claude Sonnet e Mistral mostrano una forma di “rimorso morale”, cioè compensano l’adulazione quando questa danneggia un soggetto terzo.

Modello	Tasso SycEval	Forza	Debolezza
Gemini 1.5 Pro	62,47%	Buona apertura al confronto.	Tende a cedere con rebuttal deboli.
Claude Sonnet	Intermedio	Rimorso morale, resistenza su temi sensibili.	Compiacente in contesti soggettivi.
ChatGPT-4o	56,71%	Più equilibrato dopo il rollback di aprile 2025.	Stile molto rassicurante, complimenti frequenti.
GPT-4.1-nano	Alto su compiti educativi	Rapido ed economico.	Effetto adulazione fino al 30% su suggerimenti errati.

Attenzione però. I benchmark invecchiano in fretta, i modelli vengono riaddestrati ogni pochi mesi, e quello che era vero un anno fa può non esserlo più oggi. La lettura più prudente è che tutti gli LLM di uso comune mostrano forme di adulazione, in misura diversa e in contesti diversi.

Quali rischi professionali comporta l’adulazione AI?

L’adulazione AI rappresenta un rischio professionale in ambito content e copy, perché porta chi scrive a pubblicare testi sopravvalutati, non verificati, costruiti su dati inesatti e presentati come autorevoli dal chatbot.

Nel quotidiano di chi fa AI copywriting, il problema si presenta ogni volta che chiediamo un feedback al chatbot. Se scriviamo “rivedi questo paragrafo, funziona?”, con ogni probabilità otterremo un giudizio positivo anche quando il testo è debole. Il modello percepisce la richiesta come un invito alla conferma, non alla critica.

Ecco i rischi concreti che ho osservato lavorando sui contenuti.

• giudizi inaffidabili sui propri testi, con complimenti gratuiti che impediscono di vedere errori reali.
• dati inventati e convalidati, perché il modello preferisce produrre una cifra verosimile piuttosto che dire “non lo so”.
• struttura dell’argomentazione distorta, quando il chatbot asseconda un’ipotesi iniziale sbagliata invece di proporne una migliore.
• briefing clienti deformati, se il modello valida le intuizioni dell’interlocutore senza mettere in discussione le premesse.
• impoverimento del pensiero critico, perché l’abitudine al chatbot rassicurante toglie allenamento al dubbio.

C’è un secondo livello che riguarda la visibilità AI e la capacità di essere citati nelle AI Overview. Se costruiamo i nostri testi su dati adulatori, cioè accettati dall’AI senza verifica, rischiamo di produrre contenuti che altri LLM considereranno poco affidabili, con un danno progressivo sulla reputazione del dominio.

Il terzo livello è legale e deontologico. Uno studio in ambito medico ha documentato tassi di compiacimento fino al 100% su richieste illogiche. In contesti dove produciamo contenuti informativi per clienti del settore salute, finanza o diritto, pubblicare informazioni frutto di adulazione è un rischio concreto.

C’è infine un livello che riguarda l’utente finale dei contenuti e dei servizi che progettiamo. Lo studio di Stanford pubblicato su Science segnala effetti chiari: camere dell’eco che rinforzano convinzioni pregresse, minore disponibilità a riconsiderare punti di vista, ridotta inclinazione a risolvere conflitti interpersonali. Chi costruisce flussi conversazionali, chatbot di assistenza o contenuti distribuiti tramite assistenti AI deve saper gestire questi effetti a livello di design e di copy.

Come riconoscere l’adulazione AI nel nostro flusso di lavoro

Ci sono alcuni segnali ricorrenti che tornano spesso quando il chatbot sta compiacendo invece di aiutare davvero. Imparare a individuarli richiede poco tempo e restituisce molta lucidità sul valore reale delle risposte che riceviamo.

• il chatbot cambia idea appena mostriamo la minima resistenza
• le risposte iniziano sempre con complimenti al prompt o alla domanda
• ogni nostra ipotesi viene confermata, nessuna viene messa in discussione
• i dati sembrano troppo perfetti, sempre a supporto della nostra tesi
• chiediamo una critica e otteniamo una lode mascherata da suggerimento.

Come gestire l’adulazione AI nella pratica quotidiana

La regola generale è semplice. Non chiedere al chatbot se ciò che abbiamo scritto è buono, ma chiedergli di spiegarci perché potrebbe non esserlo. Spostare il focus dall’approvazione alla revisione critica cambia il tipo di risposta che otteniamo.

• scrivere prompt che chiedono esplicitamente obiezioni, controargomentazioni e punti deboli
• assegnare un ruolo critico al modello, per esempio editor severo o reviewer scettico
• impostare istruzioni di sistema persistenti che chiedano al modello di anteporre l’accuratezza al consenso
• chiedere al chatbot di elencare le fonti e verificarle sempre con una ricerca indipendente
• ripetere la stessa domanda su LLM diversi e confrontare le risposte
• evitare di suggerire la risposta attesa nel prompt, perché il modello tenderà a confermarla.

Scrivere un prompt in modo professionale resta la leva più efficace; un prompt in cui sono indicate le strutture che riducono il compiacimento e migliorano la qualità degli output.

FAQ

Qual è la differenza tra adulazione AI e allucinazione AI?

L’allucinazione AI è un errore fattuale che il modello produce in autonomia, l’adulazione AI è invece una distorsione indotta dall’interazione, in cui il modello si adegua a ciò che l’utente sembra voler sentire.

Come riconoscere se un chatbot sta adulando?

Si riconosce quando cambia idea senza argomenti, apre con complimenti, conferma ogni ipotesi e non propone mai obiezioni. Un chatbot utile mette in discussione, un chatbot adulatore approva.

Quali rischi ha l’adulazione AI per chi scrive contenuti?

Rischia pubblicazioni basate su dati non verificati, autovalutazioni gonfiate, briefing distorti e perdita di pensiero critico. Nel medio periodo ne risentono anche reputazione professionale e citabilità nei motori generativi.

Tutti gli LLM sono adulatori allo stesso modo?

No, i tassi variano per modello, versione e tipo di compito. I contesti soggettivi amplificano il fenomeno, quelli oggettivi lo riducono. I benchmark cambiano rapidamente a ogni aggiornamento dei modelli.

Come gestire l’adulazione AI nei prompt?

Chiedere esplicitamente critiche, controargomenti e punti deboli, assegnare ruoli scettici al modello, non anticipare la risposta attesa e confrontare le stesse domande su LLM diversi.