Come riconoscere la scrittura AI e salvare l’umano

Il trattino lungo non è più prova regina che quel testo l’ha scritto l’AI.

Alcune versioni recenti di ChatGPT lo usano meno degli esseri umani. Claude, invece, continua a impiegarlo più spesso.

Tutti però continuano a peccare di poca “umanità” per l’eccesivo uso di lessico astratto, frasi molto regolari, punteggiatura povera, simmetrie retoriche. Anche questa costellazione resta provvisoria.

Come riconoscere la scrittura AI secondo l’indagine dell’Economist

La situazione, con cui tutti noi ormai siamo costretti a convivere ogni volta che leggiamo qualcosa, è ben raccontata dall’indagine quantitativa How to spot AI writing, pubblicata dall’Economist il 30 luglio 2026.

La redazione ha chiesto a 14 varianti di ChatGPT, Claude, Gemini e Grok, rilasciate dal 2024 in poi, di riscrivere propri articoli senza consultare il web. Come prompt ha usato i sommari generati automaticamente che il settimanale stava sperimentando su parte dei contenuti.

Il corpus comprende 55.940 frasi e 1,2 milioni di parole. La prosa dei modelli è stata confrontata con quella degli articoli originali e, per ridurre il rischio di scambiare lo stile dell’Economist per una caratteristica umana universale, con testi di Cnn, New York Times e Washington Post e con brani di narrativa di successo pubblicati tra il 1950 e il 2022. Si tratta di un’indagine giornalistica strutturata, non di un paper sottoposto a revisione paritaria; la dimensione del corpus e i controlli esterni la rendono comunque un osservatorio raro sull’evoluzione stilistica dei grandi modelli.

Il risultato più istruttivo è l’instabilità del segno artificiale.

Le vecchie caricature — il verbo inglese “delve”, la “rich tapestry”, l’abuso di trattini lunghi — non sono più tic presenti in tutti i chatbot recenti.

Nel campione dell’Economist soltanto Claude usa ormai più trattini lunghi degli autori umani; ChatGPT ne usa molti meno di tutti i gruppi confrontati.

Figura 1 — L’andamento del trattino lungo nei rilasci di ChatGPT. Il rapporto è normalizzato sul tasso della prosa Economist, posto uguale a 1; la curva è ricostruita dal grafico originale e usa una scala logaritmica.

I segni caratteristici della scrittura AI oggi

Rispetto alla prosa umana, quella artificiale resta differente nel vocabolario, nella punteggiatura, nella lunghezza delle frasi e nell’architettura dei paragrafi.

Nessun elemento basta da solo a decretare che è stata una macchina a scrivere.

Lessico lungo, astratto e nominale

I modelli ricorrono più degli umani a parole polisillabiche e relativamente rare, a termini scientifici come “parametro” e “metodologia” e alle nominalizzazioni, che trasformano un’azione in un sostantivo: “espandere” diventa “espansione”, “decidere” si allunga in “processo decisionale”. Gemini e Claude mostrano con particolare evidenza questa preferenza nel corpus analizzato. Il risultato è spesso una frase grammaticalmente ordinata che nasconde il soggetto, indebolisce il verbo e aumenta la distanza dall’esperienza concreta.

L’Economist richiama la critica di George Orwell alla dizione pretenziosa: parole di origine latina o greca usate per rivestire affermazioni semplici di un’autorità presa in prestito. Il richiamo funziona bene per l’inglese. In italiano no perché una parte molto più ampia del lessico comune deriva dal latino. Resta una tendenza, anche in italiano, a usare troppi sostantivi, un po’ come nel lessico burocratico.

Sì: per anni noi giornalisti abbiamo accusato i burocrati di scrivere come robot. Adesso ne abbiamo la conferma. Almeno per ora: quando l’AI avrà imparato a scrivere come un umano, resteranno solo i burocrati a ricordarci il suono di una macchina.

Frasi estese, poca punteggiatura e retorica prefabbricata

Per ora non è così. Le frasi generate dall’AI tendono a essere più lunghe e meno variate. I paragrafi raramente vengono spezzati da una frase breve. Compaiono meno virgole e punti e virgola, quasi nessuna parentesi e poche citazioni dirette di esperti; la congiunzione inglese “and” è la parola più sovrarappresentata nel campione. Ne nasce un flusso liscio, continuo, privo degli attriti con cui la scrittura umana introduce un inciso, corregge una rotta o lascia parlare una fonte.

Quando cerca vivacità, il modello preferisce impalcature riconoscibili: la regola del tre, la formula “non X, ma Y”, la coppia “non solo… ma anche”. ChatGPT e Claude le usano più frequentemente, degli altri modelli e degli autori umani osservati. Queste strutture non dimostrano alcuna paternità artificiale; diventano sospette quando si ripetono, costruiscono enfasi senza aggiungere informazioni e danno a paragrafi diversi la stessa cadenza.

Figura 2 — La direzione degli scarti osservati dall’Economist. La posizione indica soltanto se un tratto è più o meno frequente rispetto ai testi umani, non l’entità della differenza.

Sette controlli per riconoscere un testo scritto dall’AI

Perché un detector non basta

I rilevatori automatici cercano regolarità statistiche che sfuggono alla lettura rapida. L’Economist riferisce che Pangram dichiara un’accuratezza del 99,98% e che il sistema ha riconosciuto le copie generate nel suo esperimento. La percentuale resta un’affermazione del fornitore, legata a dataset e condizioni di prova specifici. Un punteggio non spiega quali passaggi abbiano determinato l’esito e può cambiare dopo una parafrasi o un aggiornamento del modello.

La domanda di verifica sta diventando un mercato.

Pangram ha appena annunciato un round da 9 milioni di dollari, il modello Pangram 4.0 e il primo rilevatore di immagini della società. I dati aziendali citati dal quotidiano indicano 120.000 utenti mensili nel giugno 2026, contro 2.700 un anno prima; Quora era già cliente e Substack aveva appena avviato una partnership per consentire ai lettori di escludere i contenuti classificati come generati dall’AI.

Il rischio sociale dei falsi positivi è documentato. Nel 2023 Weixin Liang, Mert Yuksekgonul, Yining Mao, Eric Wu e James Zou hanno pubblicato su Patterns lo studio “GPT detectors are biased against non-native English writers”, mostrando che diversi detector tendevano a classificare come artificiale la prosa inglese di autori non madrelingua. La prevedibilità linguistica, favorita da un vocabolario più ristretto, veniva confusa con la generazione automatica.

Nei contesti ad alto impatto — scuola, selezione del personale, valutazione scientifica, contenzioso — un detector dovrebbe quindi attivare controlli ulteriori. L’accusa di avere delegato la scrittura a una macchina richiede evidenze sul processo: versioni del file, appunti, fonti consultate, capacità dell’autore di motivare le scelte e regole dichiarate dall’organizzazione.

AI slop testuale: quando le parole diventano sovrabbondanti

“AI slop” è l’etichetta colloquiale usata per indicare contenuti sintetici prodotti in massa, pubblicati con controllo minimo e progettati soprattutto per occupare spazio: pagine create per intercettare ricerche, post seriali, descrizioni commerciali, riassunti che riciclano altre fonti, candidature e comunicazioni interne dalla forma impeccabile e dal contenuto intercambiabile. La scarsa qualità è una conseguenza frequente, ma la caratteristica decisiva è il disallineamento tra il costo quasi nullo della produzione e il tempo umano richiesto per leggere, verificare e scartare.

Secondo una stima dell’Economist, dopo Chagpt la gente pubblica 300mila libri su Kindle.

Un’analisi della società di marketing digitale Graphite dice che circa il 50% degli articoli e dei blog pubblicati online sarebbe generato dall’AI.

Figura 3 — Tre indicatori della scala raggiunta dal testo sintetico. Le stime riguardano perimetri e metodologie diversi e non vanno sommate né confrontate direttamente.

Dai feed ai romanzi, la contaminazione entra nelle filiere culturali

Nei social lo slop non si presenta come un archivio separato: occupa il feed insieme ai contenuti umani e compete con essi per raccomandazioni, pubblicità e attenzione. Pangram ha raccolto il tema nell’analisi “AI in your feed”, secondo cui il 41 per cento dei post lunghi su Linkedin è fatto con l’AI.

Tanto che ora Linkedin permette di segnalare post con AI “di cattiva qualità”.

Substack invece aiuta i lettori escludere contenuti classificati come sintetici, integrando il tool di Pangram. La provenienza del testo diventa così una variabile di distribuzione, simile a un’impostazione sulla privacy o sulla personalizzazione.

Il passaggio affida però a un classificatore privato una decisione culturale. Un falso negativo lascia circolare lo slop; un falso positivo può ridurre la visibilità di un autore umano. Le piattaforme dovranno rendere comprensibili soglie, ricorsi e trattamento dei testi assistiti, perché l’etichetta produce effetti economici.

Sarà anche questo un tema da Digital services act europeo in futuro?

La letteratura entra nell’era del sospetto

Il 31 luglio 2026 il Guardian ha riferito del crollo dell’accordo editoriale per il crime novel “Call Me, I’ll Hide the Body” di Jerry Falade, dopo l’emergere di interrogativi sull’eventuale uso dell’AI.

Anche questo caso, come altri scandali simili, conferma che siamo in un’area grigia dove a farne le spese di decisioni terze è la parte più debole (gli autori o i lettori).

Senza regole contrattuali sull’assistenza automatica, la soglia tra editing, imitazione e delega resta negoziata dopo che il problema è esploso.

.

La lingua scientifica mostra già un’impronta aggregata

Un censimento completo dello slop testuale non esiste. Alcune tracce sono però misurabili. Dmitry Kobak, Rita González-Márquez, Emőke-Ágnes Horvát e Jan Lause hanno analizzato un corpus plurimilionario di abstract PubMed pubblicati tra il 2010 e il 2024 nello studio “Delving into ChatGPT usage in academic writing through excess vocabulary”, apparso su Science Advances nel 2025. Gli autori hanno individuato, dopo la diffusione di ChatGPT, bruschi aumenti di parole stilistiche difficili da spiegare con cambiamenti del contenuto scientifico. Il metodo non identifica il singolo testo; misura l’impronta aggregata lasciata dagli strumenti di assistenza linguistica.

La proliferazione modifica anche il comportamento umano. Espressioni percepite come tipiche dei modelli vengono evitate da chi teme un’accusa, mentre altre entrano nella lingua professionale perché l’utente le legge ogni giorno e finisce per adottarle. La macchina imita gli esseri umani; gli esseri umani assimilano il registro della macchina; i detector vengono addestrati su una distinzione che questo circuito rende sempre meno netta.

AI, che cosa cambia nella cultura della scrittura

Per secoli la pubblicazione ha incorporato un filtro materiale: tempo dell’autore, spazio tipografico, denaro, distribuzione. I modelli comprimono il costo marginale di una nuova pagina e spostano il carico sui destinatari.

Una mail di tre righe può diventare un memo di tre pagine; una ricerca restituisce decine di pagine plausibili; una redazione riceve proposte levigate che richiedono comunque controllo. La capacità di generare non coincide con la disponibilità di attenzione per valutare ciò che viene generato.

In questo ambiente la brevità acquista un significato etico oltre che stilistico: dimostra che qualcuno ha investito tempo per ridurre il costo imposto agli altri. Anche la citazione precisa, il dettaglio locale, l’ammissione di un dubbio e la scelta di omettere una frase diventano segnali di cura editoriale. Non certificano che il testo sia umano; mostrano che è stato assunto da un soggetto responsabile.

L’autorialità coincide con la responsabilità

La domanda “chi ha scritto queste parole?” perde parte della sua semplicità quando una bozza passa attraverso prompt, suggerimenti automatici, riscritture e correzioni umane. Diventa più produttivo chiedere chi ha scelto le fonti, verificato le affermazioni, eliminato gli errori e approvato la versione pubblicata. L’autorialità contemporanea include la capacità di rendere conto del processo.

Questa responsabilità manca nello slop. Il testo viene ottimizzato per esistere e circolare, mentre nessuno garantisce di averne controllato il contenuto. La sua uniformità stilistica è soltanto il sintomo visibile di una filiera opaca: fonti non rintracciabili, dati ricombinati, citazioni assenti, incentivi alla quantità. Riconoscere lo slop significa perciò ricostruire la provenienza e gli incentivi, oltre a osservare le frasi.

I modelli imparano anche dallo slop

La sovrapproduzione può rientrare nei dataset usati per addestrare sistemi successivi. Il problema è stato studiato da Ilia Shumailov e colleghi in “AI models collapse when trained on recursively generated data”, pubblicato su Nature nel 2024. Gli esperimenti mostrano che l’apprendimento ricorsivo da dati generati può erodere la rappresentazione della distribuzione originaria, soprattutto nelle sue parti meno frequenti, fino al collasso del modello se i dati sintetici sostituiscono indiscriminatamente quelli reali.

La conseguenza culturale precede quella tecnica. Se il web si riempie di versioni medie, prudenti e stilisticamente convergenti, le voci marginali, i dialetti professionali, gli errori fecondi e le forme meno frequenti diventano più difficili da trovare. La diversità linguistica conserva esperienze, categorie e modi di porre problemi che un sistema statistico tende a sottorappresentare.

La resistenza alla scrittura AI slop

Nel leader che accompagna l’indagine, l’Economist propone tre discipline: commissionare con precisione, controllare i dettagli e conoscere il pubblico. Applicate ai modelli, significano definire lo scopo prima della generazione, chiedere fonti e limiti, tagliare le astrazioni, verificare ogni fatto e riscrivere secondo il tempo e le competenze del destinatario.

L’editing serve anche a conservare differenze. Un buon editor interrompe la cadenza uniforme, restituisce soggetti ai verbi, sostituisce il gergo con fatti, chiede esempi, individua ciò che manca e difende la voce dell’autore dalle soluzioni statisticamente più probabili. Questa funzione diventa più importante mentre la qualità superficiale dei modelli cresce: gli errori evidenti diminuiscono e aumentano le frasi plausibili che nessuno ha davvero pensato fino in fondo.

I segnali stilistici continueranno a cambiare. Rimarranno decisivi la provenienza, la verificabilità e il lavoro riconoscibile di selezione. Nel web saturo di testo, l’autorialità torna a coincidere con una disponibilità concreta: rispondere delle parole pubblicate.

Anche quando un modello AI avrà imparato a scrivere in modo indistinguibile da un essere umano, non sarà mai una voce individuale, come quella di un umano specifico, una persona. Con il suo portato di senso e di emozioni, parte integrante del messaggio da comunicare, con cui si entra davvero in contatto con il proprio pubblico. Con altre persone: non macchine, si spera.

Tutto questo andrà difeso, su vari fronti. L’editing è uno. L’altro è nelle mani di tutti noi: è capire quando conviene usare l’AI e quando no, nella scrittura (e in altri ambiti). In quali modi, contesti e finalità. Al limite, significa anche imparare a personalizzare un testo AI per renderlo, ancora e tutto sommato, nostra voce.

Sarà ancora più importante quando la scrittura AI diventerà ormai “umana” all’apparenza e secondo elementi misurabili. La differenza, a quel punto, sarà invisibile alla misurazione (ossia a un’altra macchina) ma resterà affidata solo alla nostra, precaria, sensibilità umana di lettori. Sarà fondamentare tutelare anche questa capacità, per non arrendersi allo slop.

Quella sensibilità che ci consente di cogliere l’altro attraverso il suo segno e di entrarci in comunicazione.