Nel 2021, durante il primo anno della pandemia, il giornalismo italiano ha incontrato il data journalism in modo repentino e impreparato. Grafici sbagliati, confusione tra contagi e casi attivi, confronti statistici senza base metodologica, medie mobili presentate come numeri assoluti. Gli errori erano in buona fede — molte redazioni stava imparando in tempo reale — ma hanno avuto conseguenze reali sulla comprensione pubblica della crisi. Quella crisi ha messo in luce un deficit strutturale del giornalismo italiano: la scarsa cultura del dato come fonte giornalistica primaria.
Il data journalism non è nuovo. Il Guardian lo pratica sistematicamente dal 2009, quando ha pubblicato il database completo delle spese parlamentari britanniche. Il New York Times ha un team dedicato da oltre un decennio. In Italia, la crescita è stata più lenta ma reale: ci sono oggi giornalisti italiani che sanno leggere un dataset, pulirlo, analizzarlo e raccontarlo. Sono ancora relativamente pochi. Ma ci sono.
Cosa è il data journalism e cosa non è
Il data journalism è il giornalismo che usa i dati come fonte primaria invece che come decorazione. Non è mettere un grafico a corredo di un articolo scritto senza guardare i numeri. È partire dai dati — un dataset pubblico, una banca dati governativa, un database trapelato, i risultati di un’inchiesta — e costruire la storia giornalistica a partire da ciò che i dati mostrano.
La distinzione è metodologica prima che tecnica. Un giornalista può fare data journalism con fogli Excel senza mai toccare codice Python, se parte dal dato e lo analizza con rigore prima di scrivere. Un giornalista che usa strumenti sofisticati di visualizzazione per abbellire una storia già scritta non sta facendo data journalism: sta facendo decorazione visuale.
Il ciclo del data journalism
Il ciclo di lavoro di un pezzo di data journalism professionale ha cinque fasi. La prima è trovare i dati: open data governativi (istat.it, openbdap.mef.gov.it, dati.gov.it), registri pubblici, richieste di accesso civico (FOIA), database internazionali. La seconda è pulire i dati: raramente un dataset è pronto per l’analisi; errori, valori mancanti, formati incoerenti richiedono un lavoro di pulizia che può richiedere giorni. La terza è analizzare: trovare il pattern, l’anomalia, la tendenza che vale la pena raccontare.
La quarta fase è verificare: i risultati dell’analisi devono essere verificati da un secondo occhio, preferibilmente qualcuno con competenze statistiche, per escludere errori di metodologia. La quinta è raccontare: tradurre ciù che i dati mostrano in una storia comprensibile per un lettore non specializzato. Questa è spesso la fase più difficile, perché richiede di semplificare senza distorcere.
Chi lo fa in Italia e come
Openpolis è forse la realtà italiana che ha fatto di più per rendere accessibili i dati della politica italiana. Analizza e rende pubblici dati su voti parlamentari, presenza dei deputati, bilanci degli enti locali, provvedimenti del governo. Non è una testata giornalistica nel senso tradizionale: è un’organizzazione no-profit che produce analisi di dati pubblici. Ma molti giornalisti usano le sue elaborazioni come punto di partenza per le proprie inchieste.
IrpiMedia integra il data journalism con il giornalismo investigativo transnazionale: alcune delle sue inchieste più importanti sono basate sull’analisi di grandi dataset — dati su proprietà immobiliari, flussi finanziari, reti societarie — che richiedono strumenti di analisi specializzati. La collaborazione con il network ICIJ (International Consortium of Investigative Journalists) permette di accedere a database internazionali come quelli dei Panama Papers e dei Pandora Papers.
Le competenze che mancano nelle redazioni italiane
Il data journalism richiede un mix di competenze che le redazioni italiane faticano a trovare in una singola figura: literacy statistica (capire cosa significa una correlazione, cosa è significativo statisticamente, cosa può essere confuso con casualità), competenze tecniche minime (fogli di calcolo avanzati, eventualmente SQL o Python per dataset grandi), capacità di visualizzazione dei dati, e — fondamentalmente — capacità di racconto giornalistico.
Il problema è che queste competenze non vengono insegnate nei corsi di giornalismo italiani in modo sistematico. Le scuole di giornalismo hanno integrato moduli di data journalism, ma la formazione sul campo è ancora limitata. I giornalisti italiani più capaci in questo ambito si sono spesso formati in modo autonomo o attraverso corsi internazionali. È una lacuna che il settore sta lentamente cercando di colmare.
L’impatto dell’AI sul data journalism
I modelli linguistici e i tool di AI generativa stanno cambiando anche il data journalism. Da un lato, strumenti come Python con librerie di machine learning rendono l’analisi di grandi dataset più accessibile a chi non è un esperto di programmazione. Dall’altro, l’AI può sbagliare nell’analisi statistica in modi non sempre ovvi, producendo risultati plausibili ma errati — il problema delle ‘allucinazioni’ che si trasferisce dal testo ai numeri.
Il rischio più serio è un data journalism superficiale che usa l’AI come scorciatoia per saltare le fasi di pulizia e verifica dei dati. Un dataset non pulito in aggiunta a un modello AI non calibrato porta a risultati sbagliati presentati con sicurezza.
La competenza critica del giornalista — sapere quando fidarsi dei numeri e quando no — diventa ancora più importante nell’era degli strumenti automatizzati.
