AI Slop

AI slop, spesso abbreviato in slop, è contenuto digitale di bassa qualità prodotto in massa con l'IA generativa e con poca cura umana: articoli riempitivi, immagini inquietanti, video narrati con filmati di repertorio e canzoni create da macchine, pubblicati per attirare traffico dai motori di ricerca, interazioni o ricavi pubblicitari. Merriam-Webster ha scelto slop come parola dell'anno 2025, definendola «contenuto digitale di bassa qualità, solitamente prodotto in quantità tramite l'intelligenza artificiale», e il Macquarie Dictionary ha scelto «AI slop» per lo stesso anno. A rendere un contenuto slop sono il modo e lo scopo della sua produzione, a costi quasi nulli e in grandi quantità, non un singolo errore che contiene.

Origine del termine#

In origine, slop significava fango molle e in seguito scarti alimentari dati in pasto ai maiali. Nel maggio 2024, il programmatore Simon Willison ha sostenuto che slop avrebbe dovuto diventare il termine per i contenuti indesiderati generati dall'IA, come spam è diventato il termine per la posta indesiderata, attribuendo il merito allo scrittore online deepfates per aver notato che la parola si stava trasformando in un termine specialistico. Nello stesso anno, i feed di Facebook si sono riempiti di immagini surreali da testo a immagine, come «Shrimp Jesus», raffigurazioni di Gesù fuso con un gambero, pubblicate da pagine in cerca di interazioni; entro il 2025, il termine comprendeva anche video, musica, libri e testi accademici creati dall'IA.

Perché si diffonde l'AI slop#

Lo slop è un prodotto economico. Un modello linguistico di grandi dimensioni (LLM) o un generatore di immagini basato su modelli di diffusione può produrre migliaia di post al costo di un singolo contenuto creato da una persona, mentre i feed classificati da un sistema di raccomandazione e le reti pubblicitarie pagano per l'attenzione, indipendentemente da chi o cosa abbia creato il contenuto. A chi li produce basta che una piccola parte dei post diventi popolare:

Il fenomeno è ormai presente in tutto il web:

• Content farm e spam nei motori di ricerca: i siti producono in massa pagine scritte da LLM per posizionarsi nelle query. Le norme antispam di Google definiscono l'abuso di contenuti su larga scala come la generazione di molte pagine che offrono poco valore agli utenti, «indipendentemente dal modo in cui vengono create»; questa definizione prende di mira il volume e lo scopo dello slop, non lo strumento utilizzato.
• Piattaforme di streaming: a settembre 2025 Spotify ha dichiarato di aver rimosso oltre 75 milioni di brani spam nei 12 mesi precedenti, e a luglio 2025 YouTube ha rinominato la propria regola di monetizzazione dei «contenuti ripetitivi» in «contenuti non autentici» per includere i video prodotti in massa.
• Pubblicazione scientifica: un'analisi di quasi 951.000 articoli ha rilevato che fino al 17,5% degli abstract di informatica mostrava segni di modifica tramite LLM entro febbraio 2024. Gli invii poco curati con riferimenti bibliografici inventati aumentano il carico della revisione tra pari.

AI slop e termini correlati#

• Allucinazione: affermazione falsa o non supportata nell'output di un modello. Slop descrive il modo in cui i contenuti vengono prodotti e utilizzati: un articolo accurato ma inutile è comunque slop, mentre un articolo sottoposto a un'attenta revisione può contenere un'allucinazione.
• Deepfake: contenuto multimediale sintetico creato per far sembrare che una persona reale dica o faccia qualcosa. In genere, lo slop punta a catturare l'attenzione, non a ingannare gli spettatori su una persona o un evento specifico.
• Collasso del modello: deterioramento dei modelli addestrati ripetutamente su contenuti generati. Lo slop raccolto dal web e inserito nei dati di addestramento è uno dei modi in cui inizia questo ciclo; per questo le pipeline di pulizia dei dati per dataset su scala web deduplicano i campioni quasi identici e filtrano quelli di bassa qualità.
• Dati sintetici: dati generati appositamente, filtrati e convalidati per addestrare modelli: la controparte controllata dello slop.

Rilevamento e filtraggio dell'AI slop#

Quando disponibili, i segnali di provenienza sono la prova più affidabile. La filigrana AI incorpora un segnale rilevabile al momento della generazione, mentre le Credenziali dei contenuti (C2PA) aggiungono metadati firmati che registrano quale strumento ha creato o modificato un file, consentendo alle piattaforme di etichettare i contenuti il cui generatore ha collaborato. Nessuno dei due metodi è utile con l'output degli strumenti che non aggiungono alcun contrassegno, e i metadati si perdono quando un file viene ricodificato o catturato con uno screenshot.

I classificatori che valutano i contenuti a posteriori colmano la lacuna con risultati alterni. I rilevatori di testo scritto dall'AI hanno una storia poco convincente: OpenAI ha ritirato il proprio classificatore di testo a luglio 2023, dopo che aveva identificato correttamente solo il 26% del testo scritto dall'AI. Le immagini sono più facili da analizzare, perché i generatori lasciano tracce statistiche; alcune sono visibili alle persone, come lettere distorte o mani deformi, e aiutano i lettori a capire se un'immagine è generata dall'AI, mentre i modelli rilevano tracce più sottili. Un modello di classificazione Ultralytics YOLO26 addestrato su immagini reali e generate etichettate può segnalare le immagini probabilmente generate dall'AI per la revisione umana. Questi rilevatori devono stare al passo con i nuovi generatori: un classificatore addestrato su immagini di una GAN si è generalizzato ad altri generatori basati su CNN dopo l'addestramento con sfocatura e aumento dei dati JPEG; tuttavia, i rilevatori addestrati sulle GAN non hanno funzionato con le immagini dei modelli di diffusione latente, mentre la costruzione del rilevatore sulle caratteristiche di CLIP ha aumentato di circa 26 punti percentuali la precisione sui generatori di diffusione e autoregressivi non visti.