“Descrivete, nel maggior dettaglio possibile, cosa la rende inferiore a un vero Monet.” Tredici parole. Dentro ci sono già le ninfee, il Monet autentico, e la conclusione che i commentatori avrebbero dovuto raggiungere.

Il 13 maggio 2026, un account anonimo su X — @SHL0MS — ha pubblicato quella didascalia sotto un’immagine di stagno con ninfee, foglie galleggianti, riflessi verticali. Ha aggiunto l’etichetta ufficiale “Made with AI” che X mette a disposizione per i contenuti sintetici. Migliaia di persone hanno risposto — il post ha raggiunto 5,5 milioni di visualizzazioni — dettagliate e sicure, smontando tecnicamente quello che è uno dei vertici riconosciuti dell’Impressionismo: una Ninfea di Monet, serie di Giverny.

Nei giorni seguenti, tutto il commentariato si è precipitato a spiegare il pregiudizio di conferma, l’effetto Dunning-Kruger, l’ancoraggio cognitivo. Spiegazioni corrette, ben scritte, inutili per capire cosa ha fatto @SHL0MS come ricercatore.

Perché la domanda non era neutra. Era carica grammaticalmente.

“Cosa la rende inferiore” non chiede se l’opera sia inferiore — presuppone che lo sia e chiede di giustificarlo. Non “è un Monet o no?”, non “confrontatela con un originale”, non “descrivete quello che vedete”. La domanda chiude l’ipotesi prima che il lettore apra gli occhi. Quello che l’esperimento misura non è la capacità di riconoscere un’opera AI: è la capacità di trovare giustificazioni post-hoc a una conclusione già data. Sono due esperimenti diversi. Il risultato spettacolare — un capolavoro smontato in massa — è amplificato esattamente da questa asimmetria metodologica.

La domanda “cosa la rende inferiore” appartiene a una categoria che i metodologi chiamano leading question: non misura un’opinione, la orienta prima che si formi. È tecnica standard negli interrogatori, nelle ricerche di mercato meno oneste, nei sondaggi politici scritti male. Usarla come innesco di un esperimento virale non è un difetto di progettazione — è il progetto.

Il secondo elemento del metodo è più sottile: l’etichetta “Made with AI”. Non è una didascalia qualsiasi. È il meccanismo di certificazione della piattaforma — quello che dovrebbe segnalare la verità del contenuto. @SHL0MS l’ha usata per mentire. La tecnologia di verifica diventa il vettore dell’inganno. Il sistema di fiducia istituzionale viene usato per corrodere la fiducia istituzionale.

Furbo.

Terzo elemento: l’anonimato. @SHL0MS non è nessuno. Non porta il peso di nessuna autorità riconoscibile. Questo è, paradossalmente, un punto di forza metodologico: elimina il pregiudizio di autorità dalle risposte. Le persone non rispondono cercando di essere all’altezza di qualcuno — rispondono come risponderebbero a qualsiasi post virale. Il campione è ecologicamente valido proprio perché non è controllato.

Ed è qui il paradosso che nessuno ha esplicitato: gli elementi che rendono l’esperimento scientificamente fragile sono gli stessi che lo rendono socialmente potente.

Nessun comitato etico ha approvato lo studio. Nessuno dei partecipanti ha dato consenso informato. Il campione è autoselezionato — utenti X, quel giorno, quel post. Non c’è un gruppo di controllo: non sappiamo cosa avrebbero detto le stesse persone con etichetta “vero Monet” o senza etichetta. Non sappiamo se le risposte più scettiche — chi ha riconosciuto l’opera — siano state seppellite dall’algoritmo prima di raggiungere visibilità sufficiente.

In un laboratorio di psicologia sperimentale questo studio non passerebbe la revisione paritaria.

Ma nei laboratori di psicologia sperimentale non c’è quella scala, né comportamenti spontanei, né la pressione del contesto reale. La validità ecologica — il fatto che le persone si comportino come si comporterebbero davvero, non come dicono di comportarsi sotto osservazione — è altissima. E il gruppo di controllo mancante dice comunque qualcosa di utile per inferenza: Alwin de Rooij (Tilburg University, Psychology of Aesthetics, Creativity, and the Arts, 2026) ha documentato in una meta-analisi su 191 dimensioni d’effetto — studi dal 2017 al 2024 — che l’etichetta AI non modifica solo il giudizio razionale, ma la percezione diretta. Non “penso che sia peggio” ma “lo vedo peggio”: colori percepiti come meno saturi, profondità meno ricca, impatto emotivo ridotto. La prima elaborazione visiva, quella che avviene prima del pensiero, risulta già compromessa dall’etichetta.

La cronologia è significativa: gli studi che de Rooij ha aggregato precedono di anni il post di @SHL0MS. Il fenomeno era già documentato; mancava solo il caso virale che lo portasse fuori dalle riviste specializzate.

C’è però un dettaglio che nessuna delle fonti che citano de Rooij ha riportato fedelmente: nella meta-analisi gli effect size sono piccoli, statisticamente significativi ma contenuti. L’effetto drammatico dell’esperimento @SHL0MS — un capolavoro smontato tecnicamente da migliaia di voci — non è spiegabile dai soli dati di de Rooij. È amplificato dalla domanda carica, dalla dinamica virale, dall’algoritmo che seleziona le risposte più sicure di sé. Il paper e il post di X documentano fenomeni imparentati ma non identici. Il termometro modifica la febbre; ma qualcuno ha anche alzato il riscaldamento.

C’è un effetto collaterale che @SHL0MS probabilmente non ha calcolato — o forse sì: da oggi questo è un genere. Esperimenti mentali condotti alla luce del sole, su milioni di soggetti inconsapevoli, con l’inganno come strumento dichiarato a posteriori. Il laboratorio è X, il protocollo è un post, la revisione paritaria è il thread. La domanda è se la prossima volta — sapendo che esiste questo metodo — i commentatori saranno più cauti. O se basterà cambiare etichetta.

Il metodo di @SHL0MS non è un esperimento scientifico. È uno specchio non calibrato, appeso in un posto dove nessuno si aspettava di vedersi. Tre elementi — un Monet autentico, un’etichetta falsa, una domanda già chiusa — hanno prodotto in quarantott’ore quello che un dipartimento universitario avrebbe impiegato mesi a ottenere, con meno soggetti e meno comportamento reale. Non sappiamo chi sia @SHL0MS. Sapremo presto se il metodo regge una seconda volta.

---

Riferimenti

[1] Matteo Flora, Il Monet che non era un Monet, il branco, la rabbia e l’epistemia, 16 maggio 2026. URL: https://mgpf.it/2026/05/16/il-monet-che-non-era-un-monet.html

[2] Luca Cazzaniga, 5,5 milioni di persone hanno smontato un Monet originale credendolo AI, Substack, maggio 2026. URL: https://lucacazzaniga.substack.com/p/55-milioni-di-persone-hanno-smontato

[3] Alwin de Rooij, Bias Against Artificial Intelligence in Visual Art: A Meta-Analysis, Psychology of Aesthetics, Creativity, and the Arts, 2026. 191 dimensioni d’effetto, studi 2017–2024. Aesthetic Triad model (sensory-motor, knowledge-meaning, emotion-valuation). URL: https://repository.tilburguniversity.edu/server/api/core/bitstreams/d1cc5a4a-85ce-4aee-9154-09db818cd45f/content