Intelligenza artificiale e ricerca etnografica: ma cosa c'è di nuovo?

di Fabio Malfatti — Centro Ricerche EtnoAntropologiche APS

Antropologia e intelligenza artificiale nella ricerca etnografica: tre modi di incontrarsi, tra strumenti di analisi qualitativa e responsabilità del ricercatore.

Nel gennaio del 2004 iniziai una ricerca in Internet per capire quali software potessero aiutare l'analisi qualitativa delle centinaia di ore di registrazioni audio e video che si accumulano durante il lavoro sul campo. Quella ricerca mi portò a Transana, che negli anni ho descritto come il microscopio della ricerca qualitativa: uno strumento che permette di vedere meglio, ma che non guarda al posto nostro. Oggi, a più di vent'anni di distanza, mi trovo a fare con l''intelligenza artificiale' lo stesso esercizio che feci allora, e a pormi la stessa domanda che mi ha accompagnato in tutta la riflessione sulle tecnologie digitali: ma cosa c'è di nuovo?

La domanda è un espediente retorico, lo ammetto, ma continua a funzionare. La usai già nella mia tesi di laurea (Malfatti, 2007), dove serviva a creare una connessione con le 'vecchie' tecnologie e a scoprire che molte cose potevano essere fatte anche prima, magari con meno facilità, senza che la 'rivoluzione digitale' segnasse per forza uno iato profondo con il passato. Ci aiuta a ricordare che molte delle discussioni che oggi si accendono attorno agli LLM (i grandi modelli linguistici come ChatGPT o Claude) hanno già avuto luogo, in altre forme, dentro la nostra disciplina. Quando negli anni Settanta e Ottanta si discuteva animatamente dell'uso della cinepresa e del registratore nella ricerca etnoantropologica, una delle ricadute più importanti di quel confronto fu l'obiezione rovesciata sulla ricerca tradizionale: il ricercatore seleziona ciò che osserva, esattamente come la telecamera inquadra solamente una parte del tutto. Ogni tecnologia ha lati positivi e lati negativi, ma quando viene assunta a 'dogma assoluto', in un senso o nell'altro, gli effetti sono disastrosi. Vale per la scrittura, vale per la cinepresa, vale per i software CAQDA e vale, credo, anche per l'intelligenza artificiale.

Detto questo, sarebbe ingenuo liquidare quello che sta succedendo come una semplice ripetizione. Nel dibattito internazionale vedo muoversi almeno tre livelli, tra loro intrecciati, che provo a descrivere separatamente.

1. Studiare chi costruisce le Intelligenze Artificiali

Il primo livello è lo studio etnografico dei sistemi di intelligenza artificiale e di chi li produce.

Gli algoritmi non nascono nel vuoto: sono progettati da persone, dentro contesti culturali, con assunzioni implicite su cosa sia 'normale' e cosa sia 'rilevante'. Diana Forsythe (2001) faceva etnografia nei laboratori di IA già alla fine degli anni Novanta, mostrando come i preconcetti dei progettisti si sedimentassero nei sistemi. Più recentemente Nick Seaver (2022) ha studiato dall'interno chi costruisce gli algoritmi di raccomandazione musicale. In questo senso l'IA è un oggetto etnografico come un altro, e forse più interessante di altri.

Anche in Italia questo filone è ben vivo. Roberta Raffaetà, che da anni lavora all'intersezione tra antropologia della scienza e antropologia ambientale, ha mostrato come big data e sistemi di intelligenza artificiale stiano riconfigurando le pratiche degli scienziati che studiano il mondo microbico (Raffaetà, 2020). E in un lavoro recente con Lucilla Barchetta ha raccontato dall'interno la collaborazione in un team composto da fitopatologi e data scientists, alla ricerca di quel 'contesto' che i dati, da soli, non contengono (Barchetta e Raffaetà, 2025). È una ricerca che sento particolarmente vicina, perché tocca il rapporto tra saperi, piante e territori su cui lavoriamo anche noi.

2. Intelligenza Artificiale come strumento del ricercatore

Il secondo livello riguarda l'uso dell'IA come strumento nella ricerca. Un gruppo di colleghi danesi ha sperimentato l'addestramento di reti neurali non per prevedere, ma per rendere visibile il lavoro interpretativo che noi ricercatori facciamo quasi senza accorgercene: la loro 'Thick Machine' (Munk, Olesen e Jacomy, 2022) usa proprio gli errori della macchina come materiale di riflessione sulla descrizione densa di geertziana memoria. Morten Axel Pedersen (2023) ha proposto di chiamare questo filone machinic anthropology. Sono esperimenti che seguo con interesse, anche perché il problema che affrontano è lo stesso da cui partii nel 2004: come gestire e analizzare grandi quantità di materiale qualitativo senza perdere il controllo interpretativo.

Su questo terreno della collaborazione tra le due comunità di ricerca, Raffaetà, Santanera ed Esposito (2023) hanno curato un numero speciale che raccoglie progetti ed esperimenti condotti a cavallo tra antropologia e data science: non si tratta di scegliere tra big data e thick data, ma di capire, caso per caso, cosa ciascun approccio può dare all'altro e a quali condizioni.

3. Capire la IA con gli strumenti dell'antropologia

Il terzo livello rovescia la prospettiva: usare gli strumenti dell'antropologia per capire che cosa sono questi modelli. Se un sistema generativo 'parla', da dove viene il suo linguaggio? Quali culture, quali voci e quali silenzi contiene? Jones, Satran e Satyanarayan (2025) propongono un campo di studi congiunto tra antropologia linguistica e informatica per leggere dentro la scatola nera.

E qui arriva il punto dolente, perché la ricerca empirica più seria ci consegna anche avvertimenti che non possiamo ignorare. Uno studio condotto su interviste a rifugiati Rohingya (Ashwin, Chhabra e Rao, 2025) ha mostrato che gli errori commessi dai modelli linguistici nella codifica delle interviste non sono casuali: variano sistematicamente secondo le caratteristiche delle persone intervistate. Il rischio è di introdurre distorsioni invisibili proprio là dove la ricerca qualitativa richiede la massima finezza interpretativa. Per questo, quando utilizzo questi strumenti nel lavoro di analisi, ogni interpretazione prodotta con l'aiuto della macchina viene poi verificata non solo sul testo originale, ma con la il sintagma della registrazione originale, in modo da poter ricostruire il contesto,. i toni e tutte le dimensioni non verbali.

Controllare le citazioni dal materiale etnografico, documentare ogni passaggio. È lo stesso principio che mi guidava con Transana, quando lo usavo per mantenere traccia, e quindi rendere falsificabile, il processo di analisi e interpretazione di un'intervista (Malfatti, 2007): la verifica incrociata riduce gli effetti della soggettività e degli errori di metodo, non li elimina, e richiede procedure esplicite.

Come scrivevo a proposito dei software per l'analisi qualitativa, quello che questi strumenti non possono fare, per fortuna, è realizzare l'analisi al posto nostro. L'analisi deve restare sempre piena responsabilità del ricercatore. L'etnografia si fonda sul tempo passato con le persone, sulla fiducia costruita, sulla capacità di cogliere ciò che è ambiguo e non detto: nessun modello linguistico può stare in un castagneto a parlare con chi quel paesaggio lo cura da generazioni. Ma proprio per questo possiamo permetterci di sperimentare senza timori reverenziali e senza entusiasmi da neofiti.

La storia della nostra disciplina è piena di strumenti (il registratore, la cinepresa, i software di analisi) che all'inizio sembravano corpi estranei e che abbiamo imparato a piegare alle nostre domande. Con l'intelligenza artificiale la sfida è la stessa: usarla senza farci usare, senza essere ingenui : E' essenziale continuare quella discussione, a volte anche con toni molto accesi, che da sempre accompagna l'ingresso di ogni nuova tecnologia nella ricerca. È da questi confronti che la disciplina ha sempre tratto le sue riflessioni migliori.

Riferimenti bibliografici

Ashwin, J., Chhabra, A., Rao, V. (2025). "Using LLMs for Qualitative Analysis can Introduce Serious Bias". Sociological Methods & Research. — Il contrappunto empirico essenziale: i bias di codifica non sono casuali. Da leggere prima di qualsiasi protocollo LLM su interviste — molto rilevante per il tipo di verifica anti-allucinazione che usi in Agri-Care.

Barchetta, L., Raffaetà, R. (2025). "Antropologia tra piante, dati e scienziati". Antropologia, 12(1). — Etnografia italiana di un consorzio IA-agricoltura; il più vicino ai tuoi interessi su agroecologia e territorio.

Bluteau, J.M. (2026). "Ethnography is dead, long live ChatGPT!?". Journal of Creative Research Methods. — Esperimento provocatorio: l'IA generativa può performare pratica culturale, non solo esserne oggetto.

Dunivin, Z. (2025). "Scaling hermeneutics: a guide to qualitative coding with LLMs for reflexive content analysis". EPJ Data Science, 14. — Guida operativa alla codifica riflessiva con LLM.

Forsythe, D. (2001). Studying Those Who Study Us: : An anthropologist in the world of artificial intelligence.. Stanford UP. — Il testo fondativo dell'etnografia dei laboratori di IA; mostra come le assunzioni culturali dei progettisti si sedimentino nei sistemi.

Forsythe, D. (2001). Studying those who study us: An anthropologist in the world of artificial intelligence. Stanford University Press.

Hayes, A.S. (2025). "'Conversing' With Qualitative Data". International Journal of Qualitative Methods, 24. — Panoramica equilibrata delle possibilità: codifica, temi, sintesi multi-fonte, con il ricercatore al centro.

Koycheva, L., VandenBroek, A.K., Artz, M. (a cura di) (2026). Anthropology and AI. Routledge. — Il volume collettaneo più recente e completo; include una storia antropologica dell'IA.

Jones, G. M., Satran, S., & Satyanarayan, A. (2025). Toward cultural interpretability: A linguistic anthropological framework for describing and evaluating large language models. Big Data & Society.

Malfatti, F. (2013). Analisi qualitativa su archivi audiovisivi digitalizzati: il software Transana. Lares, LXXVIII(1-2).

Malfatti, F. (2011). Il software per l'analisi qualitativa Transana. In Il profumo della terra. Percorsi di ricerca antropologica.

Malfatti, F. (2007). Tecnologie digitali e ricerca etnoantropologica (Tesi di laurea sperimentale in Antropologia culturale, Corso di Laurea in Filosofia, rel. M. Squillacciotti). Università degli Studi di Siena.

Munk, A.K., Olesen, A.G., Jacomy, M. (2022). "The Thick Machine: Anthropological AI between explanation and explication". Big Data & Society, 9(1). — L'articolo chiave del filone: propone un uso dell'IA orientato alla thick description geertziana anziché alla predizione. Punto di partenza obbligato.

Pedersen, M.A. (2023). "Editorial introduction: Towards a machinic anthropology". Big Data & Society. — Introduce il numero speciale che dà nome al campo; mappa le posizioni tra big data e thick data.

Raffaetà, R. (2020). Antropologia dei microbi. Come la metagenomica sta riconfigurando l'umano e la salute. CISU.

Raffaetà, R., Santanera, G., & Esposito, F. (2023). Special issue editorial introduction: Entangling data while entangling disciplines. Discussing the future of anthropological collaborations with data scientists. Anthropology in Action, 30(3), 1-8.

Seaver, N. (2022). Computing Taste. Chicago UP. — Etnografia dei sistemi di raccomandazione musicale; modello di come fare fieldwork dentro le culture algoritmiche.

Søltoft, J.I., Kocksch, L., Munk, A.K. (2024). "Synthetic Interlocutors". arXiv:2410.11395. — Esperimento con chatbot costruiti su materiali etnografici per "prolungare" il campo; utile per pensare limiti e potenzialità dei corpora dialogici.

Suchman, L. (1987). Plans and Situated Actions. Cambridge UP. — Classico sull'interazione uomo-macchina; la nozione di azione situata resta la base antropologica di ogni critica all'IA "disincarnata".

Jones, G.M., Satran, S., Satyanarayan, A. (2025). "Toward cultural interpretability". Big Data & Society. — Programma di ricerca congiunto tra antropologia linguistica e interpretabilità ML.

Rodríguez et al. (2024). "Key points for an ethnography of AI". Humanities and Social Sciences Communications. — Commento metodologico su cosa distingue un'etnografia vera dell'IA da un uso decorativo del termine.