AI, inclusione e comunicazione23 settembre 20267 minuti

AI e lingue ignorate: l’obiettivo per 3,4 miliardi di persone

Sessanta organizzazioni vogliono portare l’AI nelle lingue oggi trascurate. Come verificare traduzioni, consenso e risultati prima di fidarsi.

Eugenio ChiaraAutore e direzione editoriale

Sessanta organizzazioni hanno fissato un obiettivo: entro cinque anni, 3,4 miliardi di persone dovrebbero poter usare strumenti AI nella propria lingua e con la propria voce.

La coalizione riunisce laboratori come Anthropic, Google e Mistral, aziende come Amazon e Microsoft, OpenAI Foundation, Mozilla Data Collective, Unicef, Banca Mondiale, governi, università e gruppi che lavorano direttamente con le comunità.

La dimensione dell’annuncio colpisce. La verifica utile comincia però da un dettaglio più piccolo: capire una lingua significa riconoscere accenti, modi di dire, contesto culturale e cambi di registro. Una traduzione fluida può restituire il significato sbagliato con molta sicurezza.

Quanto segue è verificato il 23/09/2026 sul comunicato della Gates Foundation , sull’impegno congiunto dei firmatari , sulla ricostruzione di Associated Press e su un recente studio sulle disuguaglianze linguistiche nell’AI .

Che cosa è stato annunciato

I firmatari lavoreranno su quattro aree:

dati linguistici condivisi con licenze aperte;
prove e parametri per misurare i progressi;
modelli e applicazioni utilizzabili anche da chi ha meno risorse;
protezioni per privacy, consenso e sovranità dei dati.

L’obiettivo riguarda le lingue sottorappresentate nei dati, negli strumenti e nei test usati per costruire i sistemi AI. Il comunicato parte da circa 7.000 lingue nel mondo e riconosce che soltanto una piccola parte dispone di risorse sufficienti per ottenere buoni risultati.

La voce conta quanto il testo. Per molte persone parlare è più accessibile che scrivere; in altri casi è il canale disponibile su un telefono semplice o con una connessione debole. Tono, pause, dialetto e parole mischiate fra due lingue portano informazioni che una trascrizione pulita può perdere.

Questo è un impegno comune, non un nuovo modello né una funzione già disponibile. La coalizione deve ancora definire nel dettaglio struttura, governance e gruppi di lavoro. Il comunicato non assegna un budget complessivo, non elenca le lingue prioritarie e non specifica quale contributo verificabile offrirà ogni organizzazione.

La distinzione evita un equivoco facile: sessanta firme descrivono una direzione; i risultati arriveranno quando saranno pubblicati dati, test, applicazioni e misure confrontabili.

Dove una traduzione sbagliata diventa esclusione

Associated Press riporta un esempio usato dalla Gates Foundation. Una donna incinta del Malawi dice, nella propria lingua, che le si sono rotte le acque. Una traduzione letterale può trasformare il messaggio in qualcosa come “ha buttato via l’acqua”, perdendo l’urgenza medica.

La frase generata resta grammaticalmente plausibile. Proprio questa plausibilità rende l’errore pericoloso: chi legge potrebbe non accorgersi che il contesto è stato cancellato.

Fuori da un ospedale, l’errore cambia forma ma resta riconoscibile. Un assistente clienti può interpretare male un reclamo espresso in dialetto. Un sistema di moderazione può considerare offensiva una parola affettuosa locale, oppure ignorare una minaccia nascosta in un modo di dire. Una campagna tradotta può usare un tono formalmente corretto e socialmente fuori posto.

Un’analisi in preprint pubblicata nel 2026 ha esaminato la disponibilità di risorse AI per 6.003 lingue. Gli autori descrivono una forte concentrazione su poche lingue e una distanza che, nel periodo osservato, si è ampliata invece di ridursi. Lo studio propone anche un indice che combina risorse linguistiche, infrastrutture digitali e condizioni sociali: un promemoria utile, perché un modello capace serve poco dove mancano elettricità, connessione o dispositivi adatti.

I dati vocali appartengono anche alle comunità

Per migliorare una lingua poco rappresentata servono registrazioni, trascrizioni, varianti locali e contesto. Raccogliere questi materiali apre domande precise: chi ha dato il consenso, chi può riutilizzarli, per quanto tempo, con quale licenza e con quale vantaggio per chi li ha prodotti?

Mozilla Data Collective ha spiegato ad Associated Press che molti sistemi sono partiti da dati raccolti sul web, uno spazio che rappresenta male gran parte delle lingue e delle culture. La coalizione promette raccolte responsabili e controllo locale. La qualità di questa promessa dipenderà dai contratti e dai meccanismi di reclamo.

“Dati aperti” non autorizza a registrare una comunità e distribuire le sue voci senza condizioni. Alcune informazioni linguistiche contengono identità, storia, conoscenze tradizionali o dettagli sensibili. Apertura, consenso e sovranità devono stare nello stesso brief.

Project Vaani offre già un metro più concreto. Google dichiara che il progetto, realizzato con l’Indian Institute of Science e BHASHINI, ha raccolto oltre 30.000 ore di parlato in 109 lingue da più di 155.000 persone. Sono numeri del produttore, verificati il 23/09/2026 , e descrivono una raccolta di dati: non certificano da soli l’accuratezza di un prodotto in ogni lingua, accento o situazione.

Una prova per chi comunica in più lingue

Un’azienda, un ente pubblico o un’associazione può applicare subito lo stesso criterio a un chatbot, una campagna o un servizio di traduzione.

Prepara dieci richieste reali con una persona madrelingua. Includi almeno:

una frase con un modo di dire locale;
un messaggio vocale registrato in un ambiente rumoroso;
una richiesta che alterna due lingue;
un caso sensibile su salute, denaro o diritti;
un reclamo dove il tono cambia il significato;
una parola che può essere affettuosa oppure offensiva secondo il contesto;
un nome proprio o un luogo poco noto;
una richiesta incompleta che richiede una domanda di chiarimento;
un errore di pronuncia o di ortografia comune;
un caso in cui l’assistente deve passare la conversazione a una persona.

Valuta tre risultati separati: significato conservato, azione corretta e capacità di dichiarare il dubbio. Una risposta elegante che fallisce uno di questi tre controlli va corretta prima del rilascio.

Per i casi ad alto rischio, la prova richiede revisori locali competenti e un passaggio umano visibile. Un assistente linguistico può aiutare a orientarsi; diagnosi, decisioni legali e scelte finanziarie restano responsabilità di professionisti qualificati.

Le cinque domande da fare a un fornitore

Prima di acquistare uno strumento “multilingue”, chiedi:

Lingue e varianti: quali lingue, dialetti e accenti sono stati testati, e su quali compiti?
Persone coinvolte: chi ha raccolto e validato i dati? Le comunità locali hanno potuto decidere condizioni e riusi?
Errori critici: quali prove riguardano salute, frodi, moderazione, discriminazione e richieste di aiuto?
Disponibilità: la funzione esiste nel prodotto, nel paese e nel piano che userai, oppure appartiene soltanto al modello o a un programma pilota?
Rimedio: come si segnala un errore, chi lo esamina e in quanto tempo viene corretto?

Una pagina con l’elenco delle lingue risponde soltanto alla prima metà della prima domanda. Chiedi risultati per compito e contesto, con date, campioni e limiti dichiarati.

Che cosa misurare nei prossimi dodici mesi

La coalizione promette di definire il lavoro operativo entro un anno. Quattro segnali renderanno l’impegno controllabile:

una lista pubblica delle lingue prioritarie e del criterio usato per sceglierle;
impegni distinti per ciascun firmatario, con risorse e scadenze;
test costruiti con comunità locali e risultati negativi inclusi;
regole per consenso, compensazione, proprietà, ritiro e reclami sui dati.

Nella tabella dei risultati va aggiunta una colonna: chi decide. Laboratori e finanziatori portano tecnologia e denaro; ricercatori, operatori locali e parlanti devono poter definire che cosa significa “funziona” nella loro lingua. Una voce raccolta per addestrare un modello dovrebbe lasciare valore, competenze e controllo nel luogo da cui arriva.

Il lavoro si collega al tema di chi verifica davvero i modelli AI . In questo caso la verifica deve includere persone che conoscono lingua, cultura e conseguenze dell’errore, non soltanto una media globale di accuratezza.

Prova adesso

Apri il flusso di lavoro multilingue che usi più spesso. Prendi una frase con un’espressione locale, registrala con rumore di fondo e falla passare attraverso trascrizione, traduzione e risposta automatica.

Consegna il risultato a una persona madrelingua senza mostrarle l’originale. Chiedile che cosa ha capito, quale azione compirebbe e dove percepisce un dubbio.

Se significato e azione cambiano, hai trovato un limite concreto. Registralo nel brief, aggiungi un passaggio umano e ripeti la prova quando cambiano modello, funzione o lingua.

L’inclusione linguistica diventa credibile quando una persona può essere capita nel proprio contesto, correggere il sistema e sapere che cosa succede alla propria voce.