L'intelligenza artificiale può comprendere il gusto cinematografico?

Che cosa imparano davvero le macchine sui film

Un sistema di raccomandazione non conosce i film. Conosce i comportamenti. Netflix descrive il suo “Foundation Model for Personalized Recommendation”, presentato nel 2025, come un modello che opera secondo il principio della previsione autoregressiva – “our default approach employs the autoregressive next-token prediction objective, similar to GPT” – e il cui obiettivo primario è semplicemente prevedere la successiva interazione con un titolo (Netflix Technology Blog). Viene addestrato sugli storici di interazione di oltre 300 milioni di utenti e centinaia di miliardi di interazioni (Netflix Technology Blog). Non è formazione del gusto, ma calcolo delle probabilità su vasta scala.

In modo analogo funziona la personalizzazione delle immagini di copertina: Netflix seleziona l'artwork mostrato tramite i cosiddetti contextual bandits, ottimizzando la probabilità di un “quality play”, misurata come “take fraction” (Netflix Technology Blog). In questo modo l'azienda personalizza esplicitamente “not just what we recommend but also how we recommend” – e riferisce di un “significant lift in core metrics” (Netflix Technology Blog). YouTube, dal canto suo, dal 2016 divide le sue raccomandazioni in due fasi: una generazione di candidati e un modello di ranking (Google Research).

Questi sistemi sono innegabilmente potenti. Ma rispondono a una domanda diversa da quella artistica. Misurano ciò che spesso funziona. Non spiegano perché una determinata immagine sia emotivamente necessaria all'interno di una determinata storia.

Dal pronostico al giudizio: numeri senza discernimento

Il salto dalla raccomandazione alla valutazione è la vera ambizione del settore. I fornitori promettono di riconoscere il successo ancora prima delle riprese. ScriptBook si pubblicizza come “87 % financially accurate” con un'accuratezza di greenlight dell'80 per cento sulla sola base della sceneggiatura; il brevetto sottostante indica un'accuratezza di classificazione fino all'86 per cento per successo e insuccesso (ScriptBook). Largo.ai dichiara un'accuratezza di greenlight dell'82 per cento e cifra in oltre 12.000 i film analizzati (Largo.io). In entrambi i casi si tratta di affermazioni dei fornitori che non hanno retto a una verifica indipendente nel corso di questa ricerca.

La ricerca seria è più cauta. Uno studio pubblicato nel 2024 su Scientific Reports ha raggiunto un'accuratezza media di pronostico dell'83,7 per cento per il botteghino con una rete neurale arricchita dai commenti; senza i dati dei commenti i valori calavano nettamente (Scientific Reports). Decisivo, tuttavia, è l'oggetto: ciò che viene pronosticato è il successo commerciale, non la qualità artistica. Gli autori stessi indicano la selezione dei dati e l'effetto COVID come limiti aperti (Scientific Reports).

È proprio qui che emerge il punto cieco. Un'analisi indipendente di ScriptBook condotta da Cineuropa sostiene che lo scopo dell'analisi non è “cogliere le finezze di una sceneggiatura, bensì confrontare il suo contenuto con le grandezze note di film già usciti” (Cineuropa). Nel caso documentato del film Passengers la previsione di botteghino era utilizzabile, ma lo strumento non ha saputo anticipare la scarsa accoglienza critica (Cineuropa). La critica recita: “false objectivity” – metriche oggettive che possono soltanto sostenere una decisione soggettiva, ma non prenderla (Cineuropa).

La differenza tra effetto e verità

Una macchina può almeno misurare l'effetto emotivo? In parte. Modelli di affective computing come AttendAffectNet prevedono le emozioni evocate da un film a partire dalle tracce video, audio e testo – ma solo come le dimensioni di valenza e attivazione, con i migliori valori di correlazione intorno a 0,655 per l'attivazione e 0,575 per la valenza (Sensors). Si tratta di un'approssimazione correlativa di reazioni misurate, non di un giudizio sulla verità emotiva. Tale ricerca abbozza come modellare le reazioni del pubblico come punti dati; non sostituisce né un pubblico di prova rappresentativo né un giudizio estetico, e un impiego produttivo in studio proprio di questo modello non risulta documentato nelle fonti esaminate.

È esattamente qui che intervengono le proiezioni di prova e i dati del pubblico. Possono raggruppare le reazioni, rendere visibili schemi tra gruppi di spettatori e stimare probabilità. Ma un pubblico di prova resta un campione, non un giudizio di valore, e spettatori diversi reagiscono in modo diverso alla stessa scena. I sistemi automatizzati di trailer e artwork, a loro volta, possono ottimizzare la selezione e la presentazione del materiale – Netflix lo dimostra per la scelta personalizzata delle copertine (Netflix Technology Blog). Tuttavia, in nessuna delle fonti esaminate per questo articolo si trova la prova che un sistema comprenda la cifra stilistica di un regista o la necessità artistica di un'immagine; questa frase va letta come esito della ricerca e inquadramento giornalistico, non come affermazione categorica sul futuro.

Così è possibile affinare l'asse concettuale centrale di questo articolo. Sono misurabili o pronosticabili: la qualità tecnica, la probabilità statistica di successo, la notorietà, la popolarità e – in modo limitato e correlativo – l'effetto emotivo. Restano invece normative, culturali e dipendenti dal contesto: la verità emotiva, l'originalità, la necessità artistica e il gusto personale. Un film tecnicamente impeccabile, familiare e statisticamente promettente può essere emotivamente vuoto. Un'opera inizialmente spiazzante può diventare culturalmente formativa. Nessun sistema qui documentato decide su questa differenza.

La ragione è strutturale, non semplicemente graduale. I modelli confrontano il nuovo con il noto. Proprio per questo la ricerca mette in guardia dall'uniformità guidata dai dati: il classico risultato di Fleder e Hosanagar mostra che i sistemi di raccomandazione possono generare “cicli autorinforzanti” in cui i titoli popolari vengono raccomandati più spesso, consumati più spesso e quindi raccomandati ancora di più – “These cycles reduce diversity” (INFORMS). Un successivo esperimento sul campo su 82.290 prodotti e oltre 1,1 milioni di utenti conferma che i filtri collaborativi riducono la diversità aggregata dell'offerta, anche se la diversità individuale può al contempo aumentare (University of Pennsylvania). Un sistema ottimizzato sul noto tende a produrre altro noto.

Che cosa accade davvero nella pratica

Il quadro reale è più sfumato di entrambi gli estremi – tanto l'euforica fiducia nelle macchine quanto il rifiuto generalizzato. Il caso pratico probabilmente più solido è Cinelytic: Warner Bros. Pictures International utilizza la piattaforma dal 2020 per valutare contenuti e talenti e per orientare le strategie di uscita (Business Wire). Notevole è la sua autolimitazione. Il fondatore Tobias Queisser ha dichiarato a Fortune: “We don't believe that an algorithm can run a script and understand whether the story is good or will connect with humans” – e ha precisato: “We're not in the business of forecasting hits or flops” (Fortune). Nel 2025 Cinelytic ha ampliato il proprio portafoglio con l'acquisizione di Jumpcut Media e del suo strumento di analisi delle sceneggiature ScriptSense; tra i clienti citati figurano Lionsgate e Warner Bros. (Variety).

Sul piano degli strumenti di postproduzione, tali automazioni sono disponibili commercialmente dal 2025. Blackmagic Design descrive, per DaVinci Resolve 20, che “IntelliScript” costruisce automaticamente una timeline “with the best takes of user selected dialogue” sulla base di uno script testuale fornito dall'utente, che “IntelliCut” può rimuovere i silenzi nei dialoghi e, tramite riconoscimento dei parlanti, disporre ciascun parlante su tracce separate, e che “Multicam SmartSwitch” nella pagina di montaggio può “automatically select angles based on who is speaking” (Blackmagic Design). Sono suggerimenti assistivi e automazioni di compiti tecnici – un montaggio grezzo, il taglio dei silenzi, la scelta della camera che parla. Non fondano né un'estetica della camera né un ritmo: non la decisione drammaturgica del perché uno stacco, in una scena emotiva, cada un secondo troppo presto o troppo tardi.

Un esempio spesso citato del confine tra analisi e giudizio è il trailer assistito dall'IA che IBM sviluppò nel 2016 per il film della 20th Century Fox Morgan. IBM Research descrive il progetto come una collaborazione uomo-macchina: un'analisi multimodale di immagine, suono, atmosfera e struttura delle scene individuò dieci momenti idonei, poi disposti e montati da un filmmaker professionista (IBM Research). Secondo John Smith, responsabile della ricerca IBM, il montatore utilizzò nove dei dieci clip proposti, ne regolò i confini, imposte le transizioni e scelse la musica – “that was a completely human process” (VICE). Il sistema analizzò e propose momenti; la selezione cinematografica e il montaggio finale rimasero umani. Come esperimento storico, il caso illustra il potenziale dell'analisi automatizzata dei trailer – non un gusto cinematografico autonomo.

Controargomenti, limiti e rischi

L'obiezione più forte allo scetticismo suona così: anche il gusto umano è appreso, plasmato dall'esperienza, dalla cultura e dall'imitazione. Se un modello riconosce schemi che “funzionano”, fa qualcosa di fondamentalmente diverso da un montatore esperto? La differenza dimostrabile risiede meno nella capacità di riconoscere schemi che in ciò che può essere misurato. I sistemi ottimizzano grandezze osservabili – clic, tempo di permanenza, fatturato. La necessità artistica, l'impronta culturale e le scelte sbagliate coraggiose e produttive non sono definite come obiettivo misurabile in nessuna delle fonti qui esaminate.

Ne derivano rischi concreti. In primo luogo, il documentato pericolo di omogeneizzazione attraverso cicli di popolarità autorinforzanti (INFORMS). In secondo luogo, la “false objectivity” degli strumenti di pronostico, i cui numeri suggeriscono certezza dove andrebbe presa una decisione culturale ed estetica (Cineuropa). In terzo luogo, la confusione tra qualità tecnica e verità: un'immagine può essere perfettamente composta e ciononostante irrilevante. Al tempo stesso, sarebbe sbagliato negare all'IA ogni rilevanza. Come strumento analitico – per la valutazione del rischio, per l'automazione del lavoro tecnico, per la personalizzazione della distribuzione – la sua utilità è documentata. Il confine non passa tra uomo e macchina, ma tra il misurabile e il giudizio.

Conclusione: tra correlazione e significato

Un sistema di IA può imparare quali immagini, storie o stacchi funzionano spesso. Può raggruppare le reazioni dei gruppi di prova, stimare probabilità e portare alla luce correlazioni che sfuggono all'occhio umano. Da ciò non consegue che comprenda perché una determinata immagine sia emotivamente necessaria all'interno di una determinata storia. Il gusto non è mera popolarità, e la probabilità statistica non è un giudizio estetico. Lo stato onesto delle cose nel 2026 si colloca tra due narrazioni comode: la macchina non sostituisce la cifra stilistica del regista, né è irrilevante. Sposta la domanda. Non più: che cosa funzionerà probabilmente? Bensì: chi decide quando i dati e l'intuizione divergono – e chi si assume il rischio creativo quando un'opera spiazzante si rivela quella che segna un'epoca? Per ora, questa decisione resta un giudizio umano.