On June 13, 2026, TechCrunch reported<\/a> che KPMG ha ritirato un report dedicato all’utilizzo dell’intelligenza artificiale nelle organizzazioni. Il motivo ufficiale: apparenti hallucination nei contenuti generati dai modelli impiegati nella ricerca.<\/p>\n Pertanto, dati, statistiche e affermazioni presenti nel documento risultavano potenzialmente non verificabili o direttamente errati. KPMG ha scelto di rimuovere il report dalla circolazione anzich\u00e9 pubblicare una versione corretta. Questa decisione, per quanto coraggiosa sotto il profilo della trasparenza, ha sollevato interrogativi profondi.<\/p>\n Infatti, non si tratta di un’azienda alle prime armi con l’AI. KPMG \u00e8 uno dei Big Four della consulenza globale. Tuttavia, anche un’organizzazione con risorse tecniche e umane di quel livello ha prodotto un documento compromesso da errori generativi. Di conseguenza, il problema non \u00e8 di competenza, ma di processo.<\/p>\n Hallucinations in language models are statements generated with apparent certainty but lacking any real basis. The model does not consciously lie. It simply produces statistically plausible outputs that may not correspond to the facts.<\/p>\n Questo fenomeno \u00e8 documentato da anni nella letteratura tecnica. Ad esempio, MIT Technology Review<\/a> aveva gi\u00e0 analizzato in profondit\u00e0 il meccanismo nel 2023. Nonostante ci\u00f2, molte organizzazioni continuano a utilizzare output AI senza protocolli di verifica adeguati.<\/p>\n In particolare, il rischio aumenta quando i modelli vengono interrogati su dati quantitativi, statistiche di settore o fonti specifiche. Dunque, il caso KPMG non \u00e8 anomalo: \u00e8 la conseguenza prevedibile di un processo di produzione contenuti che non include un layer di fact-checking strutturato.<\/p>\n Ogni caso di questo tipo produce una redistribuzione di credibilit\u00e0 nel mercato. Pertanto, vale la pena analizzare chi guadagna e chi perde posizioni dopo l’accaduto.<\/p>\n Who loses:<\/strong> KPMG subisce un danno reputazionale diretto, anche se limitato nel tempo. Oltre a questo, l’intero segmento dei report di ricerca prodotti con AI generativa perde credibilit\u00e0 agli occhi di chi li utilizza come fonte secondaria. Analogamente, i vendor di modelli AI coinvolti \u2014 anche se non nominati esplicitamente \u2014 vedono accentuarsi le discussioni sulla reliability dei propri sistemi.<\/p>\n Who benefits:<\/strong> le organizzazioni che adottano approcci ibridi \u2014 AI assistita da revisione umana esperta \u2014 escono rafforzate da episodi come questo. Inoltre, i fornitori di soluzioni di AI governance e audit dei contenuti generativi trovano in questo caso un argomento commerciale potente. In sintesi, la trasparenza di KPMG nel ritirare il report, pur costosa, costruisce un precedente positivo per la gestione delle crisi da AI.<\/p>\n Un errore comune \u00e8 pensare che episodi come questo riguardino solo grandi corporation con budget tecnologici enormi. Al contrario, le PMI sono spesso pi\u00f9 esposte perch\u00e9 dispongono di meno risorse per il controllo qualit\u00e0 degli output AI.<\/p>\n Molte imprese italiane di medie dimensioni utilizzano oggi strumenti AI per produrre analisi competitive, report di settore, contenuti di marketing e persino documenti commerciali. Tuttavia, raramente questi output vengono sottoposti a una verifica sistematica prima della distribuzione. Di conseguenza, il rischio di pubblicare o condividere informazioni errate \u00e8 concreto e sottostimato.<\/p>\n We of SHM Studio<\/a> osserviamo questa dinamica con regolarit\u00e0 nel lavoro con i nostri clienti. In particolare, il problema emerge con maggiore frequenza nei settori dove i dati di mercato cambiano rapidamente: retail, manifattura, servizi B2B ad alta specializzazione. Perci\u00f2, la governance dei contenuti AI non \u00e8 un tema teorico: \u00e8 una necessit\u00e0 operativa immediata.<\/p>\n Il caso KPMG non \u00e8, nella nostra lettura, un fallimento dell’AI in quanto tecnologia. \u00c8 un fallimento architetturale del processo che ha portato alla pubblicazione del report. Quindi, la domanda corretta non \u00e8 \u00abl’AI \u00e8 affidabile?\u00bb ma \u00abil nostro processo di produzione e verifica \u00e8 adeguato?\u00bb.<\/p>\n There are at least three levels of control that every organization should incorporate when using generative models to produce content with reputational or decision-making implications. First, verification of the primary sources cited by the model. Next, a layer of human review by experts with specific knowledge of the subject matter. Finally, a formal approval process prior to external distribution.<\/p>\n Questi tre livelli non eliminano il rischio, ma lo riducono significativamente. Inoltre, documentare questo processo protegge l’organizzazione in caso di contestazioni successive. La AI Consulting by SHM Studio<\/a> includes the design of these operational workflows specifically for Italian B2B contexts.<\/p>\n Il marketing \u00e8 uno degli ambiti dove l’adozione di strumenti AI generativi \u00e8 cresciuta pi\u00f9 rapidamente negli ultimi anni. Pertanto, le implicazioni del caso KPMG si estendono direttamente alle funzioni di comunicazione e content marketing delle PMI.<\/p>\n Ad esempio, un’azienda che utilizza AI per produrre SEO copywriting<\/a>, newsletter o white paper di settore deve considerare che ogni affermazione quantitativa generata automaticamente \u00e8 potenzialmente a rischio. Allo stesso modo, le analisi competitive prodotte con AI per supportare LinkedIn campaign<\/a> o Google Ads campaigns<\/a> richiedono una verifica dei dati prima dell’utilizzo.<\/p>\n Tra l’altro, il tema della credibilit\u00e0 dei contenuti AI sta diventando rilevante anche per il posizionamento organico. Google's guidelines<\/a> enfatizzano sempre pi\u00f9 l’esperienza diretta e l’autorevolezza delle fonti. Di conseguenza, pubblicare contenuti con dati errati generati da AI pu\u00f2 danneggiare sia la reputazione che la visibilit\u00e0 organica. Per approfondire, la sezione SEO by SHM Studio<\/a> addresses these issues specifically in the Italian context.<\/p>\n C’\u00e8 un aspetto del caso KPMG che merita una riflessione separata. Il report ritirato riguardava proprio l’utilizzo dell’AI nelle organizzazioni. Quindi, un modello AI ha prodotto informazioni errate su s\u00e9 stesso \u2014 o meglio, sulla propria categoria tecnologica.<\/p>\n Questo non \u00e8 un dettaglio secondario. Indica che i modelli linguistici hanno difficolt\u00e0 particolari quando vengono interrogati su dati aggiornati, statistiche di adozione recenti o benchmark di settore in rapida evoluzione. Infatti, i dati di training hanno sempre un cutoff temporale. Pertanto, qualsiasi affermazione quantitativa su fenomeni recenti \u2014 come l’adozione AI nel 2025 o nel 2026 \u2014 \u00e8 strutturalmente ad alto rischio di hallucination.<\/p>\n Research such as that conducted by McKinsey on the Global AI Survey<\/a> mostrano quanto rapidamente cambino i dati di adozione. Dunque, utilizzare un modello AI per citare statistiche su questi stessi trend \u00e8 un esercizio ad alto rischio senza verifica esterna.<\/p>\n L’episodio KPMG suggerisce alcune azioni concrete per le organizzazioni che hanno gi\u00e0 integrato strumenti AI nei propri processi. Di seguito, le priorit\u00e0 operative che noi di SHM Studio<\/a> We recommend this to our B2B partners.<\/p>\n Altres\u00ec, vale la pena considerare che le normative europee sull’AI \u2014 in particolare l’AI Act \u2014 stanno introducendo requisiti di trasparenza e accountability che renderanno questi processi non solo consigliabili ma obbligatori per determinate categorie di utilizzo. Per questo motivo, investire oggi nella governance AI \u00e8 anche un investimento sulla conformit\u00e0 futura. La sezione digital marketing<\/a> and the one dedicated to web services<\/a> di SHM Studio includono consulenza su questi aspetti per le PMI italiane. Per approfondire, \u00e8 possibile Contact our team<\/a> to explore other articles on the SHM Studio Blog<\/a>.<\/p>","protected":false},"excerpt":{"rendered":" KPMG ha ritirato un report sull’AI a causa di apparenti hallucination. Un caso che interroga PMI e aziende sull’affidabilit\u00e0 dei dati generati da modelli.<\/p>","protected":false},"author":7,"featured_media":23958,"template":"","meta":{"_acf_changed":false,"footnotes":""},"tags":[],"news-category":[162],"class_list":["post-23963","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-ai","entry"],"acf":{"tldr_content":" A giugno 2026, KPMG ha ritirato un proprio report sull'utilizzo dell'intelligenza artificiale. Il motivo: evidenti hallucination prodotte dai modelli generativi utilizzati nella ricerca. Pertanto, uno dei pi\u00f9 autorevoli network di consulenza al mondo si \u00e8 trovato a fare i conti con un problema che molte PMI tendono a sottovalutare.<\/p> Infatti, le hallucination non riguardano solo chatbot consumer o strumenti sperimentali. Colpiscono anche processi analitici strutturati, report aziendali e ricerche di mercato. Di conseguenza, qualsiasi organizzazione che utilizzi AI per produrre contenuti, analisi o dati operativi deve dotarsi di processi di verifica espliciti. Inoltre, l'episodio KPMG dimostra che la reputazione non protegge dagli errori tecnici dei modelli.<\/p> In questo articolo, noi di SHM Studio<\/strong> analizziamo la cronologia dell'accaduto, i soggetti pi\u00f9 esposti e le implicazioni operative per le imprese italiane. In sintesi, il caso KPMG non \u00e8 un incidente isolato: \u00e8 un segnale di sistema che richiede una risposta strategica concreta.<\/p>"},"yoast_head":"\nHallucination: una definizione operativa per chi non lavora nell’AI<\/h2>\n
The winners and losers of this episode<\/h2>\n
Perch\u00e9 le PMI italiane non possono ignorare questo segnale<\/h2>\n
SHM Studio Reading: A Process Architecture Problem<\/h2>\n
Implications for those using AI in marketing and communication<\/h2>\n
Quello che nessuno dice: l’AI che parla di s\u00e9 stessa<\/h2>\n
Next moves: what to do now for organizations using AI<\/h2>\n
\n