OpenAI amplia la fellowship AI Lenfest con fino a 10 milioni di dollari di sostegno
OpenAI ha raddoppiato il proprio sostegno al Lenfest Institute, impegnando 5 milioni di dollari in finanziamenti più fino a 5 milioni di dollari in crediti software e assistenza ingegneristica. L'espansione Lenfest di OpenAI porta un ambizioso esperimento nelle redazioni a una fase più impegnativa: dimostrare che sistemi di AI sviluppati localmente possano avvantaggiare gli editori oltre la coorte iniziale.
Il Lenfest AI Collaborative and Fellowship Program è iniziato inserendo ingegneri AI a tempo pieno all'interno delle organizzazioni giornalistiche partecipanti. Questi fellows hanno lavorato per due anni con i team editoriali, di prodotto, ricavi e tecnologia. Ora Lenfest prevede di reclutare un gruppo più ampio di editori e trasformare i progetti riusciti in strumenti, plugin, framework e guide all'implementazione riutilizzabili.
Questo approccio mette in discussione uno schema noto nella tecnologia giornalistica. Le redazioni ricevono spesso accesso temporaneo a nuovo software senza acquisire il personale, la governance o le competenze tecniche necessarie per controllarlo. Lenfest scommette che dipendenti integrati e infrastrutture condivise possano creare un valore più duraturo rispetto a brevi dimostrazioni o progetti di consulenza esterna.
L'espansione Lenfest di OpenAI cambia la scala del programma
Il nuovo impegno finanzia più di un altro ciclo di esperimenti. Finanzia il tentativo di trasformare il lavoro specifico delle redazioni in infrastruttura condivisa.
Il Lenfest Institute ha annunciato l'espansione il 28 settembre 2026. OpenAI fornisce 5 milioni di dollari in finanziamenti diretti e fino a 5 milioni di dollari attraverso crediti software e supporto ingegneristico. L'azienda afferma che questo raddoppia il suo precedente sostegno al programma.
L'iniziativa originale è stata lanciata nell'ottobre 2024 con il sostegno di OpenAI e Microsoft. Inizialmente ha collocato fellows presso cinque organizzazioni giornalistiche metropolitane, seguite da ulteriori partecipanti. Da allora il programma ha lavorato con 11 organizzazioni giornalistiche statunitensi, secondo l'ultima espansione della fellowship.
Tra gli editori partecipanti figurano The Philadelphia Inquirer, The Seattle Times, The Baltimore Banner, Newsday, Chicago Public Media e The Minnesota Star Tribune. Hanno inoltre partecipato Boston Globe Media, The Dallas Morning News, ProPublica e NEWSWELL presso Arizona State University.
Il primo ciclo di finanziamento combinava liquidità con software enterprise, archiviazione cloud e crediti per l'AI generativa. Ogni editore iniziale ha ricevuto sostegno per un fellow di ingegneria AI a tempo pieno per due anni. Questi dipendenti sono stati assunti dalle organizzazioni giornalistiche, anziché essere assegnati da OpenAI, Microsoft o Lenfest.
Questo dettaglio organizzativo è importante. Un ingegnere assunto localmente risponde all'editore e opera all'interno delle sue strutture editoriali e commerciali esistenti. Può osservare problemi ricorrenti, testare possibili soluzioni e rivedere i progetti insieme alle persone che dovranno utilizzarli.
Jim Friedlich, direttore esecutivo e CEO del Lenfest Institute, ha dichiarato a Nieman Journalism Lab che ogni fellow è diventato il primo dipendente AI a tempo pieno della propria organizzazione. Ha inoltre sottolineato che i fellows restavano liberi di utilizzare le tecnologie più adatte al lavoro.
La prossima coorte manterrà questo modello integrato. Lenfest sta inoltre valutando organizzazioni al di fuori del segmento dei quotidiani metropolitani, comprese emittenti televisive locali e organizzazioni giornalistiche di servizio pubblico a livello statale.
Sta cambiando anche l'ambito dell'output previsto. Durante il progetto pilota, un fellow poteva creare un'interfaccia di ricerca, uno strumento pubblicitario o un flusso di lavoro sui dati pubblici per un singolo editore. Ora Lenfest vuole che i progetti più solidi diventino risorse riutilizzabili che centinaia di organizzazioni possano adottare.
Questo obiettivo richiede molto più che pubblicare codice sorgente. Una redazione più piccola necessita di documentazione, indicazioni di sicurezza, supporto al deployment, metodi di valutazione e una descrizione chiara del problema risolto. Ha inoltre bisogno di un modo per mantenere il sistema dopo la fine della fellowship originale.
Il nuovo finanziamento sostiene quindi due livelli connessi. I fellows integrati continueranno a sviluppare all'interno delle singole organizzazioni. Lenfest svilupperà la capacità tecnica necessaria per confezionare e distribuire il lavoro selezionato nell'intero settore giornalistico.
Questa struttura rende l'annuncio più rilevante di un'altra sovvenzione aziendale. L'espansione Lenfest di OpenAI verificherà se l'innovazione nelle redazioni possa trasferirsi senza perdere la conoscenza locale che l'ha resa utile.
Perché gli ingegneri integrati superano i progetti pilota AI temporanei
L'affermazione centrale di Lenfest è che l'adozione responsabile dell'AI dipenda più dalla fiducia e dalla conoscenza organizzativa che dall'accesso a un determinato modello.
Le redazioni possono acquisire software rapidamente. Non possono acquisire comprensione istituzionale attraverso una schermata di attivazione dell'account. Pratiche di reportage, politiche di correzione, sistemi pubblicitari, archivi e relazioni con il pubblico variano ampiamente tra gli editori.
Un fornitore esterno vede solitamente il flusso di lavoro descritto in un brief di progetto. Un ingegnere integrato sperimenta il flusso di lavoro nel modo in cui il personale lo utilizza effettivamente. Questa distinzione influenza quali problemi ricevono attenzione e quali strumenti proposti resistono all'uso quotidiano.
Lenfest afferma che i progetti più efficaci sono partiti da un problema organizzativo definito, non da una funzionalità AI prestabilita. I fellows hanno intervistato i colleghi, osservato attività ripetitive, creato piccoli prototipi e valutato se tali prototipi migliorassero il lavoro.
Le conclusioni del progetto pilota del programma enfatizzano fiducia, integrazione locale e selezione dei problemi. Secondo quanto riportato, l'adozione è aumentata quando il personale ha iniziato a considerare i fellows come colleghi che comprendevano il loro lavoro.
Questo approccio cambia anche la definizione di competenza AI all'interno di una redazione. La conoscenza dei modelli resta importante, ma comunicazione e traduzione diventano altrettanto importanti. Un ingegnere deve spiegare i limiti tecnici a giornalisti, dirigenti, team commerciali e revisori legali senza nascondere i compromessi.
Le precedenti linee guida di reclutamento di Lenfest riflettono questa necessità. Le organizzazioni partecipanti cercavano ingegneri che comprendessero Python, JavaScript, modelli AI e complesso lavoro di implementazione. Tuttavia, gli editori hanno dato priorità anche a umiltà, comunicazione interfunzionale e capacità di operare in una cultura orientata alla missione.
Il programma ha respinto l'idea che la sola familiarità con gli assistenti di programmazione qualificasse qualcuno a guidare l'adozione in redazione. Le sue linee guida di assunzione mettono in guardia dai candidati che conoscono strumenti popolari ma non possiedono una comprensione fondamentale dell'AI.
Questa combinazione di profondità tecnica e credibilità interna è costosa. Molti editori locali non possono facilmente aggiungere un ingegnere esperto mantenendo al contempo la copertura giornalistica e altre operazioni essenziali. Il finanziamento della fellowship riduce questa barriera iniziale.
I crediti affrontano una barriera diversa. Una redazione può testare modelli, servizi cloud e software enterprise senza assorbire immediatamente l'intero costo operativo. L'assistenza ingegneristica può ridurre il tempo necessario per risolvere problemi di integrazione.
Tuttavia, i crediti non creano da soli capacità durature. Le quote di utilizzo scadono, le interfacce dei modelli cambiano e i sistemi sperimentali richiedono manutenzione. Una redazione ha comunque bisogno di dipendenti in grado di valutare i fornitori, gestire l'accesso ai dati e decidere quando l'automazione non debba essere usata.
Ecco perché la struttura integrata è il vero meccanismo del programma. Il software rende possibile la sperimentazione, ma il fellow collega tale sperimentazione alle esigenze organizzative e agli standard editoriali.
Un esempio pratico riguarda l'accesso agli archivi. Un editore può combinare il proprio archivio giornalistico con la generazione aumentata dal recupero, o RAG. RAG recupera documenti pertinenti prima che un modello generi una risposta, riducendo la dipendenza dalla memoria interna del modello.
Costruire quel sistema richiede più che collegare un archivio a un chatbot. L'editore deve decidere quali documenti sono disponibili, come citare i risultati, come si propagano le correzioni e se possa comparire materiale riservato. Sono decisioni editoriali e di governance tanto quanto decisioni ingegneristiche.
Lo stesso principio si applica quando qualsiasi organizzazione crea una base di conoscenza AI. La qualità del recupero dipende dalle informazioni sottostanti, dalle regole di accesso e dal processo di valutazione. Un'interfaccia curata non può compensare una gestione debole delle fonti.
L'espansione Lenfest di OpenAI sostiene quindi un modello del lavoro, non soltanto un pacchetto tecnologico. Il suo successo dipende dal fatto che due anni di lavoro integrato creino abitudini e capacità che persistano dopo la fine del sostegno della sovvenzione.
L'AI nelle redazioni va oltre la produzione di articoli
I progetti più rivelatori della fellowship considerano un editore come un'intera attività operativa, non semplicemente come una fabbrica di articoli.
La discussione pubblica sull'AI nelle redazioni si concentra spesso sul testo generato. Questo inquadramento solleva immediatamente preoccupazioni su accuratezza, paternità, sostituzione dei posti di lavoro e divulgazione. Sono preoccupazioni legittime, ma riguardano solo una parte delle operazioni di un editore.
I partecipanti Lenfest hanno esplorato la ricerca negli archivi, la ricerca di potenziali clienti pubblicitari, la modellazione dei donatori, la crescita degli abbonamenti, la personalizzazione per il pubblico, il monitoraggio delle riunioni pubbliche e i flussi di lavoro di produzione. Altri progetti hanno affrontato l'efficienza operativa e la transizione dai sistemi di stampa alla pubblicazione digitale.
The Philadelphia Inquirer ha lavorato a un'interfaccia conversazionale per i propri archivi. Tale interfaccia può aiutare il personale a trovare la copertura precedente, identificare il contesto del reportage e recuperare conoscenza istituzionale nascosta dietro metadati incoerenti.
The Seattle Times aveva inizialmente pianificato attività sull'analisi pubblicitaria e il supporto alle vendite. Newsday si è concentrata sulla sintesi e aggregazione di dati pubblici. Chicago Public Media ha esplorato trascrizione, traduzione e sintesi, secondo i termini del programma originale.
Questi progetti riflettono le pressioni finanziarie che gravano sugli editori locali. Migliori strumenti per il reportage sono preziosi, ma gli editori hanno bisogno anche di ricavi da abbonamenti, risultati pubblicitari, relazioni con i donatori e operazioni più efficienti.
Un sistema per la ricerca di potenziali clienti pubblicitari, ad esempio, può aiutare un team commerciale a individuare aziende compatibili con i prodotti disponibili. Un modello per i donatori può aiutare una redazione non profit a dare priorità alle attività di contatto. Un sistema di monitoraggio delle riunioni pubbliche può segnalare i punti all'ordine del giorno pertinenti, lasciando però verifica e reportage ai giornalisti.
La domanda chiave non è se queste attività usino l'AI. È se i sistemi producano miglioramenti misurabili senza creare errori inaccettabili, problemi di privacy o influenza editoriale nascosta.
Questa distinzione protegge il programma dal diventare una raccolta di dimostrazioni tecnologiche. Un prototipo può apparire convincente durante una presentazione, pur aggiungendo lavoro nelle operazioni ordinarie. Il personale può dedicare più tempo a controllarne l'output di quanto ne risparmi grazie all'automazione.
Lenfest afferma che i suoi fellows hanno utilizzato sperimentazione su piccola scala e valutazione continua. La fase successiva deve rendere visibili questi metodi di valutazione. Altri editori dovranno conoscere le condizioni in cui uno strumento ha avuto successo, gli schemi di errore osservati e il tempo del personale richiesto.
Il riuso tra redazioni offre un promettente aumento di efficienza. The Baltimore Banner ha attinto al lavoro di The Philadelphia Inquirer nello sviluppo dei propri strumenti di scoperta delle notizie. I fellow hanno inoltre scambiato codice, idee di prodotto, metodi tecnici e lezioni di implementazione.
Tuttavia, riuso non significa copiare senza modifiche un prodotto finito. Un’organizzazione di media pubblici, un quotidiano commerciale, una testata investigativa non profit e un’emittente televisiva locale hanno sistemi e responsabilità diversi. I componenti condivisi devono consentire configurazioni locali senza indebolire le tutele.
La coorte più ampia metterà Lenfest sotto pressione affinché risolva questo problema di portabilità. Uno strumento progettato attorno all’archivio di un grande quotidiano metropolitano potrebbe non adattarsi a una raccolta di trascrizioni televisive. Un flusso di lavoro per i donatori potrebbe avere scarsa rilevanza per un editore basato sugli abbonamenti.
Le guide di implementazione riutilizzabili potrebbero essere preziose quanto il codice riutilizzabile. Una guida può descrivere requisiti sui dati, necessità di personale, questioni di approvvigionamento, procedure di valutazione e segnali di allarme. Questa conoscenza aiuta un editore a scartare progetti inadatti prima di spendere risorse limitate.
L’espansione del programma alla televisione locale e al giornalismo di servizio pubblico su scala statale creerà un test impegnativo. Queste organizzazioni lavorano con formati mediatici, calendari di pubblicazione, coperture geografiche e aspettative del pubblico diversi.
Il successo dimostrerebbe che il modello integrato può produrre metodi trasferibili rispettando al contempo le variazioni locali. Il fallimento suggerirebbe che i risultati più forti del progetto pilota dipendevano in larga misura da partecipanti insolitamente ben finanziati e da un supporto ravvicinato durante la fellowship.
Questa è la tensione centrale della fase successiva. Lenfest vuole che l’innovazione diventi infrastruttura condivisa, ma il valore degli ingegneri integrati deriva dalla loro attenzione al contesto locale.
Il rapporto di finanziamento merita ancora attenzione critica
Il sostegno di un fornitore di AI può rafforzare la capacità delle redazioni, ma anche approfondire la dipendenza degli editori dalle aziende che stanno ridefinendo la scoperta delle informazioni.
OpenAI presenta l’espansione come sostegno a un giornalismo locale sostenibile e responsabile. Gli editori partecipanti ricevono finanziamenti, lavoro tecnico, crediti e accesso a competenze ingegneristiche che altrimenti sarebbero difficili da ottenere.
Questi benefici sono concreti. Non cancellano il conflitto più ampio tra editori e piattaforme di AI.
I prodotti di ricerca generativa rispondono sempre più spesso alle domande senza inviare gli utenti al lavoro giornalistico su cui si basano tali risposte. Gli editori affrontano incertezze riguardo al traffico di riferimento, all’attribuzione, al copyright, alle licenze e al valore a lungo termine dei propri archivi.
Uno studio della Columbia Journalism Review, basato su 34 interviste, descrive una relazione tesa tra piattaforme ed editori. Il suo studio sul rapporto tra editori e piattaforme osserva che molte organizzazioni giornalistiche non dispongono delle risorse per negoziare accordi di licenza o avviare contenziosi.
Il programma Lenfest non viene descritto come un accordo di licenza dei contenuti. Secondo quanto riportato, l’accordo originale escludeva gli scambi di dati in tempo reale e i diritti di addestramento. Questa separazione dovrebbe restare esplicita con lo sviluppo della partnership.
Anche senza condizioni di licenza, i crediti software possono influenzare le scelte tecniche. Una redazione potrebbe costruire attorno a un fornitore perché i suoi servizi sono sovvenzionati durante la fellowship. Un successivo passaggio ad altro fornitore può richiedere nuove integrazioni, valutazioni, revisioni di sicurezza e formazione del personale.
Lenfest offre un importante contrappeso. I fellow lavorano per le organizzazioni che li ospitano e possono scegliere altre tecnologie. Questa indipendenza offre agli editori maggiore controllo rispetto a un programma costruito attorno all’uso obbligatorio dei modelli di un unico fornitore.
Il test pratico sarà verificare se tale libertà sopravvive all’implementazione. La documentazione pubblica dovrebbe identificare quali sistemi possono funzionare tra diversi fornitori, quali dipendono da servizi proprietari e cosa comporterebbe una migrazione.
Il programma necessita inoltre di prove che vadano oltre gli elenchi di progetti. L’annuncio identifica molte applicazioni utili, ma non pubblica un insieme standard di risultati per l’intera coorte. I lettori non possono ancora confrontare adozione, tempo risparmiato, effetti sui ricavi, accuratezza o costi di manutenzione.
Questa lacuna non dimostra che i progetti siano falliti. Significa che le affermazioni su un modello comprovato richiedono un’interpretazione prudente. Il pilota ha prodotto esempi credibili e insegnamenti organizzativi, mentre le prove di un impatto ampio e ripetibile restano incomplete.
Anche il rischio editoriale necessita di una rendicontazione altrettanto chiara. Un sistema usato per la ricerca d’archivio può omettere materiale rilevante o far emergere affermazioni superate. Un sistema di monitoraggio delle riunioni pubbliche può non riconoscere formulazioni insolite. Un sistema di personalizzazione per il pubblico può restringere l’esposizione o amplificare assunzioni errate.
La revisione umana riduce questi rischi, ma non li risolve automaticamente. I revisori devono avere accesso alle fonti, responsabilità chiare e tempo sufficiente per contestare un risultato. Un passaggio nominale di approvazione diventa privo di significato quando le aspettative di velocità rendono impossibile una verifica accurata.
Anche i sistemi sul versante commerciale richiedono attenzione. I modelli per i donatori e gli strumenti pubblicitari possono elaborare informazioni comportamentali sensibili. Gli editori devono definire quali dati entrano in tali sistemi, chi può accedere ai risultati e per quanto tempo le informazioni restano disponibili.
Le organizzazioni giornalistiche locali dipendono fortemente dalla fiducia della comunità. Un’implementazione di AI governata male può danneggiare quella fiducia più rapidamente di quanto un modesto guadagno di efficienza possa ripararla.
L’attenzione di Lenfest al personale integrato fornisce una base credibile per un’adozione responsabile. Un fellow può sviluppare politiche interne insieme ai sistemi tecnici e intervenire quando i dipendenti individuano rischi.
Tuttavia, la fellowship non può sostituire la responsabilità degli editori. Redattori e dirigenti devono decidere quali usi siano coerenti con la loro missione. Finanziatori e fornitori non dovrebbero stabilire tali confini attraverso impostazioni software predefinite o incentivi in scadenza.
La versione più solida del programma pubblicherà i fallimenti insieme ai successi. Sapere perché un progetto pilota è stato interrotto può proteggere centinaia di editori più piccoli dal ripetere lo stesso errore.
Tre segnali mostreranno se il modello può scalare
La fase successiva dovrebbe essere valutata in base alla capacità di trattenere i talenti, a sistemi portabili e a risultati comprensibili in modo indipendente.
Il primo segnale è se gli editori partecipanti trattengono i propri fellow o creano ruoli permanenti comparabili. Lenfest afferma che diversi fellow dovrebbero restare come dipendenti a tempo pieno. Una permanenza confermata dimostrerebbe che gli editori attribuiscono alla capacità un valore sufficiente da sostenerla oltre la fellowship.
La permanenza rivela inoltre se il finanziamento ha creato un progetto temporaneo o una funzione organizzativa duratura. Un sistema senza un responsabile si deteriorerà con il cambiamento di API, modelli, requisiti di sicurezza e pratiche redazionali.
Il secondo segnale è se altri editori implementano gli strumenti e i framework riutilizzabili. Lenfest vuole che il lavoro svolto con successo durante la fellowship porti benefici a centinaia di organizzazioni giornalistiche. Questo obiettivo richiede un’adozione osservabile al di fuori della coorte originale.
Un’implementazione significativa dovrebbe comportare più del semplice download di codice. Gli editori dovrebbero poter installare uno strumento, adattarlo ai propri dati, formare il personale, valutare gli output e mantenerlo senza l’assistenza continua del fellow originario.
La documentazione sarà un indicatore cruciale. Pacchetti utili dovrebbero descrivere requisiti tecnici, scelte di governance, modalità di fallimento note e costi operativi previsti. Dovrebbero inoltre identificare i casi in cui il giudizio umano resta obbligatorio.
Il terzo segnale è se Lenfest pubblica prove comparabili su risultati e rischi. I materiali attuali del programma offrono esempi dettagliati, ma non forniscono un quadro comune di misurazione tra i progetti.
Tale quadro non deve ridurre il giornalismo a un unico punteggio di efficienza. Progetti diversi richiedono misure diverse. Un sistema d’archivio potrebbe monitorare accuratezza di recupero e adozione da parte del personale, mentre un progetto sugli abbonamenti potrebbe misurare conversione e fidelizzazione.
Il passo importante è definire il successo prima dell’espansione. Misure trasparenti aiuterebbero gli editori più piccoli a distinguere un sistema utile da una dimostrazione impressionante. Offrirebbero inoltre ai finanziatori una base più chiara per decidere cosa merita sostegno continuativo.
La posizione di Microsoft aggiunge un’altra variabile. Ha partecipato alla prima coorte, ma non aveva deciso se rinnovare il proprio impegno dopo il ciclo esistente, secondo la struttura di finanziamento riportata. Un rinnovo preserverebbe una base di finanziamento con più fornitori. Un ritiro renderebbe più prominente il ruolo di OpenAI.
L’espansione OpenAI Lenfest merita attenzione perché sposta il dibattito oltre la questione se i giornalisti debbano usare l’AI. Molte organizzazioni giornalistiche la stanno già sperimentando nella cronaca, nei prodotti, nei ricavi e nelle operazioni interne.
La domanda più utile è chi controlli tale adozione. Gli editori hanno bisogno di persone che comprendano la loro missione, i dati, i flussi di lavoro e le comunità. Hanno inoltre bisogno di sufficiente indipendenza tecnica per rifiutare usi inadatti e cambiare fornitore.
Lenfest scommette che gli ingegneri integrati possano fornire questo livello mancante. Il nuovo sostegno offre all’istituto l’opportunità di estendere il modello oltre un piccolo gruppo di editori relativamente importanti.
Ora il programma deve dimostrare trasferibilità senza imporre uniformità. Deve mostrare una capacità duratura dopo la scadenza dei crediti, un’adozione utile oltre la coorte e tutele che restino efficaci sotto la pressione quotidiana.
Per i responsabili delle redazioni, l’azione immediata è semplice: osservare cosa trattengono i partecipanti, cosa possono riutilizzare gli esterni e quali risultati Lenfest rende misurabili. Questi segnali riveleranno se l’espansione OpenAI Lenfest costruisce capacità indipendenti nelle redazioni oppure produce un altro ciclo di sperimentazione sovvenzionata.
