Uno studio dell’Università del Maryland confronta quasi 1.500 testi scritti da persone con oltre 23 mila saggi prodotti da cinque modelli di frontiera. Il risultato non dice che l’AI ragiona peggio o che gli esseri umani abbiano sempre idee migliori. Mostra qualcosa di diverso: di fronte alle stesse questioni, i modelli tendono a percorrere un numero molto più ristretto di strade argomentative. Chiedere ai bot di essere più creativi risolve il problema solo in parte.
Indice degli argomenti
Non è soltanto un problema di vero o falso
Quando discutiamo dei rischi dell’intelligenza artificiale applicata alla produzione di testi, il problema viene quasi sempre formulato nello stesso modo: ciò che il modello scrive è vero? Contiene un bias? Sono domande importanti. Ma ce n’è un’altra, meno evidente: che cosa succede se le risposte sono corrette, plausibili, equilibrate e ben scritte, ma tendono tutte ad assomigliarsi?
Non servono informazioni false per impoverire un dibattito. Può essere sufficiente ridurre progressivamente il numero delle argomentazioni che vi circolano. Su questo fenomeno si concentra Argument Collapse: LLMs Flatten Long-Form Public Debate, il lavoro di Yekyung Kim, Yapei Chang, Chau Minh Pham e Mohit Iyyer dell’Università del Maryland. Gli autori chiamano argument collapse la convergenza di modelli diversi verso un insieme relativamente ristretto di argomenti plausibili, invece di coprire l’ampiezza delle linee argomentative presenti nei testi umani.
La questione, quindi, non riguarda soltanto che cosa risponde un modello. Riguarda la distribuzione delle risposte possibili. Si tratta di una distinzione decisiva quando questi sistemi vengono usati per scrivere opinioni, memo, discorsi, analisi e testi destinati alla sfera pubblica.
Mettere umani e modelli davanti alle stesse domande
Per costruire il confronto, i ricercatori hanno raccolto due archivi di interventi scritti da persone reali su questioni controverse. Il primo comprende 1.039 interventi umani relativi a 195 dibattiti della sezione Room for Debate del New York Times, con una lunghezza mediana di circa 352 parole. Il secondo comprende 448 interventi provenienti da 61 forum della Boston Review, con una lunghezza mediana di circa 1.150 parole.
Alle stesse questioni sono stati fatti rispondere cinque modelli di frontiera: GPT-5.5, Gemini-3.1-Pro-Preview, Claude Opus 4.7, DeepSeek V4 Pro e Minimax M2.7. Le generazioni sono state eseguite senza strumenti di ricerca o accesso al web. I ricercatori non si sono limitati a chiedere ai modelli di rispondere alle stesse domande poste agli autori umani. Li hanno messi alla prova in tre situazioni diverse. Nella prima, il modello riceveva soltanto la domanda e produceva liberamente la propria risposta. Nella seconda, gli veniva chiesto esplicitamente di generare risposte il più possibile diverse tra loro, modificando tesi, argomenti e struttura del ragionamento. Nella terza, invece, il modello veniva guidato dalla prospettiva di uno specifico autore umano: riceveva la sua tesi principale, alcune informazioni biografiche rese anonime e indicazioni sul tono del testo, e doveva provare a costruire una risposta coerente con quel punto di vista.
Questa terza prova è particolarmente importante: permette di capire se la scarsa varietà delle argomentazioni dipenda semplicemente dal fatto che i modelli partono tutti dalla stessa domanda oppure se continui a manifestarsi anche quando vengono spinti ad assumere prospettive umane differenti.
Per evitare di confondere il fenomeno con la diversa data di produzione dei testi, gli autori hanno escluso i dibattiti il cui contenuto dipendeva fortemente da eventi in rapido cambiamento. Poi hanno confrontato le risposte su tre livelli: la tesi principale, gli argomenti di supporto e la struttura dei paragrafi.
Il 65,3% contro il 3,4%: che cosa misura davvero
Il primo confronto riguarda la tesi principale scelta per rispondere a una stessa domanda. I ricercatori vogliono capire quanto spesso persone diverse, o modelli diversi, imbocchino strade argomentative realmente differenti.
Per farlo non confrontano semplicemente le parole utilizzate. Considerano una tesi unica quando, tra le altre risposte allo stesso dibattito, non ce n’è un’altra che sostenga sostanzialmente la stessa idea. Al contrario, se due testi utilizzano parole diverse ma difendono una posizione equivalente o fortemente sovrapponibile, vengono considerati espressione della stessa linea argomentativa.
Su questa base emerge una differenza molto netta. Nei 195 dibattiti del New York Times, il 65,3% delle tesi principali formulate dagli autori umani non trova una tesi sostanzialmente equivalente tra le altre risposte considerate. Quando alla stessa domanda rispondono i modelli nella condizione standard, quindi senza istruzioni particolari per differenziare le risposte, questa quota scende al 3,4%.
Il dato non significa, naturalmente, che il 96,6% dei testi prodotti dall’AI sia identico. I testi possono essere diversi per lessico, esempi, formulazioni e stile, ma costruiti intorno alla stessa idea di fondo. Proprio questo interessa agli autori: non la varietà delle parole, ma la varietà delle posizioni e delle linee di ragionamento.
Il fenomeno rimane visibile anche quando si passa a testi molto più lunghi. Nei forum della Boston Review, dove gli interventi umani hanno una lunghezza mediana di circa 1.150 parole, la quota di tesi uniche è del 78,6% per gli autori umani e del 18,4% per i modelli. In 58 dei 61 forum analizzati, gli esseri umani mostrano una maggiore varietà delle tesi principali.
Il punto, quindi, non è che i modelli ripetano lo stesso testo: è che, messi davanti alla stessa questione, tendono molto più frequentemente degli esseri umani a scegliere la stessa strada per affrontarla.
La varietà linguistica può mascherare una forte concentrazione concettuale.
Il problema non è che l’AI inventi argomenti assurdi
C’è un dato che impedisce una lettura semplicistica dello studio: nel corpus del New York Times, il 77% delle tesi principali prodotte dai modelli in modalità standard si sovrappone sostanzialmente ad almeno una tesi formulata da un autore umano. I modelli, quindi, non stanno normalmente andando fuori strada. Producono argomenti plausibili e riconoscibili; il problema è che tendono a selezionare ripetutamente gli stessi.
Non siamo davanti alla contrapposizione tra ragionamento umano intelligente e ragionamento artificiale stupido. Il risultato assomiglia piuttosto a un problema di concentrazione: gli LLM ritornano più spesso sulle regioni più densamente popolate dello spazio argomentativo. Prendono una strada plausibile, ma altri modelli prendono spesso quella stessa strada.
Basta chiedere al modello di essere più creativo?
Una possibile soluzione sembra immediata: se il modello tende a convergere sempre sulle stesse tesi, basta chiedergli esplicitamente di produrre risposte molto diverse tra loro.
I ricercatori hanno testato proprio questa ipotesi. Invece di lasciare il modello libero di formulare una sola risposta, gli hanno chiesto di generare più testi cercando di variare il più possibile la tesi centrale, gli argomenti utilizzati per sostenerla e il modo in cui il ragionamento viene costruito.
Il risultato è netto: quando viene sollecitata in modo esplicito, la varietà delle tesi aumenta molto. Ma l’effetto non è uguale per tutti i modelli. Nei dibattiti del New York Times, la quota di tesi considerate uniche sale al 45% per GPT, al 53% per Minimax, al 58% per Claude, al 63% per DeepSeek e all’82% per Gemini. In quest’ultimo caso, il valore supera persino il 65,3% osservato tra gli autori umani.
A prima vista, potrebbe sembrare la dimostrazione che il problema dell’argument collapse sia facilmente correggibile con un prompt migliore. Ma il dato va letto con cautela. Produrre molte tesi diverse tra loro non significa necessariamente recuperare la stessa varietà di argomenti che emerge nel dibattito umano.
Un singolo modello, anche quando viene esplicitamente spinto a diversificare, copre tipicamente soltanto il 50-55% dei cluster di argomenti principali osservati negli esseri umani. Mettendo insieme tutti e cinque i modelli la copertura sale al 73,9%.
C’è soprattutto un’asimmetria significativa: gli argomenti formulati da più autori umani vengono recuperati nel 98,1% dei casi, mentre quelli comparsi una sola volta vengono recuperati nel 67,8%. La coda lunga del ragionamento umano è quindi precisamente la parte più difficile da ritrovare.
Le idee meno frequenti sono anche quelle più difficili da recuperare
Un esempio utilizzato nel paper aiuta a capire. Alla domanda se gli americani siano eccessivamente ossessionati dalla pulizia, tutti e cinque i modelli, nella condizione standard, convergono su una posizione sostanzialmente simile: l’igiene rimane necessaria, ma la ricerca della sterilità assoluta è eccessiva e alimentata anche da ansia sociale e marketing.
Gli autori umani, invece, percorrono anche strade differenti: le radici storiche ottocentesche di alcune pratiche, il significato culturale della pulizia, i rituali religiosi di purificazione, il rapporto tra controllo e accettazione del disordine. Quando viene chiesto ai modelli di diversificare, alcune di queste prospettive ricompaiono, altre continuano a non emergere; allo stesso tempo vengono generate posizioni che nessun autore del corpus aveva formulato.
Non sarebbe corretto concludere che questi nuovi argomenti siano peggiori. Potrebbero essere validi. Il risultato è più preciso: lo spazio delle idee prodotto dall’AI non coincide con quello prodotto dagli esseri umani, e il modello recupera con maggiore facilità ciò che nel corpus umano era già più ricorrente.
Stessa tesi, ma anche le ragioni iniziano ad assomigliarsi
A questo punto i ricercatori restringono ulteriormente il confronto. Prendono in considerazione soltanto i casi in cui gli autori umani e i modelli sostengono sostanzialmente la stessa tesi principale. In questo modo eliminano una possibile spiegazione della differenza osservata fin qui: se il punto di arrivo è già lo stesso, resta da vedere quali ragioni vengono utilizzate per arrivarci e sostenerlo.
Per farlo, gli autori scompongono i testi nei singoli argomenti di supporto: esempi, relazioni di causa ed effetto, motivazioni, evidenze, proposte o precisazioni utilizzate per rafforzare la tesi centrale.
Anche a questo livello emerge una forte differenza. Tra gli autori umani, il 41% degli argomenti di supporto non trova un equivalente sostanziale negli altri testi che difendono la stessa tesi. Nelle risposte standard dei modelli questa quota scende al 9,1%. In altre parole, anche quando AI e persone partono dalla stessa posizione, i modelli tendono molto più frequentemente a ricorrere alle stesse ragioni per sostenerla.
Chiedere esplicitamente al modello di differenziare le risposte migliora il risultato, ma solo in parte: la quota di argomenti di supporto unici sale al 22,9%, rimanendo comunque molto inferiore al 41% osservato nei testi umani.
I ricercatori effettuano poi una prova ancora diversa. Forniscono al modello la prospettiva di uno specifico autore umano, la sua tesi, una descrizione biografica anonimizzata, il tono del suo intervento e gli chiedono di costruire il testo a partire da quel punto di vista. Cambiando di volta in volta l’autore di riferimento, la varietà degli argomenti aumenta, ma raggiunge in media soltanto il 18,4%. Anche dando al modello prospettive umane differenti da cui partire, dunque, le ragioni utilizzate per svilupparle continuano a essere molto più ripetitive di quelle degli autori reali.
Un’ulteriore analisi rende il fenomeno ancora più curioso. In 26 dibattiti binari del NYT, gli LLM riutilizzano sotto-argomenti tra posizioni opposte nel 12,7% dei casi, contro il 6,5% degli esseri umani. Lo stesso concetto può quindi essere impiegato come componente relativamente neutra per sostenere conclusioni contrarie. Il paper osserva che questo riuso cross-stance si concentra soprattutto su valutazioni funzionaliste e affermazioni definitorie, mentre negli umani è più spesso collegato a diagnosi causali.
La differenza tra un caso e una cornice
Nei sotto-argomenti emerge anche una differenza qualitativa. Gli autori umani tendono più frequentemente ad appoggiarsi a episodi specifici, relazioni causali concrete e interventi circoscritti: il caso dell’uragano Sandy, una determinata politica penitenziaria, una misura di sicurezza informatica, una pista ciclabile fisicamente separata dalle automobili.
I modelli utilizzano più spesso concetti generali, riferimenti indeterminati alla ricerca, soluzioni istituzionali astratte e formulazioni prudenti capaci di contemperare molti interessi contemporaneamente. Gli autori descrivono queste formulazioni come generalizzate e hedged, cioè attenuate, prudenti e poco impegnative rispetto a una scelta concreta.
Una differenza che chi usa frequentemente gli LLM può riconoscere: il sistema riesce rapidamente a ricondurre il problema dentro categorie generali: equità, incentivi, sicurezza, accessibilità, governance, bilanciamento degli stakeholder, ed è spesso utile. Ma una cornice interpretativa non è ancora un caso, un’esperienza, un vincolo locale, un’eccezione o un pezzo di conoscenza situata.
Persino il modo di costruire il testo converge
L’argument collapse non riguarda soltanto ciò che viene detto. Riguarda anche come viene costruito il ragionamento. I ricercatori classificano ogni paragrafo in base al ruolo argomentativo, tesi, supporto, contro argomento, confutazione, concessione, reframing, implicazione, proposta, e alla modalità discorsiva: argomentazione, esposizione, narrazione o descrizione.
Nei testi del New York Times, gli esseri umani passano da un paragrafo di supporto a un altro paragrafo di supporto nel 50,5% dei casi; i modelli standard nel 36,0%. Al contrario, gli LLM passano dal supporto direttamente a una proposta nel 29,4% dei casi, contro il 12,3% degli umani. Nella Boston Review la stessa direzione si conferma: supporto su supporto 54,5% contro 29,7%; supporto verso proposta 7,2% contro 17,7%.
image
Figura 4. Transizioni tra paragrafi di supporto e proposta nei corpora NYT e Boston Review. Fonte: Kim et al. (2026), Tabelle 26 e 27.
In termini semplici, l’AI sembra avere maggiore fretta di chiudere: tesi, argomento, soluzione. I testi umani rimangono più spesso dentro lo sviluppo della questione, aggiungendo un altro supporto, un esempio o una spiegazione. Anche quando vengono utilizzati prompt diversificati o position-guided, la struttura rimane più vicina a quella tipica delle generazioni standard che a quella degli autori umani.
Perché succede? Il paper non lo dimostra
A questo punto è naturale cercare una causa. Gli stessi autori avanzano una possibilità: i processi di allineamento possono favorire risposte più sicure e ampiamente accettabili, spingendo i modelli verso supporti generalizzati e formulazioni che restano su un terreno meno controverso.
Ma il passaggio va trattato con precisione. Nel paper questa è presentata come una possibile spiegazione, non come un risultato causale. Lo studio non dimostra che l’RLHF o un particolare metodo di post-training produca l’argument collapse. La letteratura richiamata dagli autori considera anche il bias verso la tipicità, il formato dei prompt e altre pressioni introdotte durante addestramento e allineamento.
Dire che cinque modelli convergono non equivale quindi a sapere perché convergono.
Quello che lo studio non dimostra
La cautela più importante è dichiarata dagli stessi autori: la ricerca misura diversità argomentativa, non qualità, accuratezza o capacità persuasiva. Un argomento unico può essere brillante, ma può essere anche semplicemente sbagliato. Dai risultati non si può dedurre che gli esseri umani scrivano sempre testi migliori dei modelli.
Ci sono poi altri limiti. I testi umani sono stati scritti in anni precedenti rispetto alle generazioni dei modelli. I ricercatori hanno escluso le questioni più dipendenti dall’attualità, ma non possono eliminare ogni differenza temporale. I due insiemi appartengono inoltre a specifici contesti editoriali di dibattito pubblico, perciò il risultato non può essere trasferito automaticamente alla scrittura scientifica, al ragionamento giuridico o ad altri domini. Infine, diverse fasi di estrazione e classificazione sono affidate a LLM judge, sottoposti a verifiche umane ma non privi di possibili errori sistematici.
Va aggiunto un ulteriore elemento di interpretazione: Room for Debate e Boston Review non sono campioni rappresentativi della popolazione. Sono ambienti editoriali costruiti proprio intorno al confronto tra contributori e repliche. Il confronto dice quindi molto sulla capacità dei modelli di riprodurre la varietà di un dibattito pubblico curato editorialmente; dice meno sulla distribuzione delle opinioni nella popolazione generale.
Il problema della sfera pubblica non è necessariamente la censura
È a questo punto che la ricerca diventa qualcosa di più di un benchmark sui modelli linguistici. Immaginiamo milioni di persone che utilizzano gli stessi pochi sistemi per preparare una presentazione, un articolo, una memoria politica, una relazione aziendale, un intervento pubblico o un post.
Non occorre che il modello imponga una posizione, è sufficiente che alcune argomentazioni siano molto più facilmente disponibili di altre. Chi utilizza l’AI parte da quelle, le modifica, le personalizza, aggiunge dati e opinioni proprie. Ma il punto di partenza del ragionamento è già stato, almeno in parte, pre-selezionato dalla distribuzione delle risposte che il sistema rende più accessibili.
Questa è una lettura che va oltre ciò che il paper dimostra direttamente, ma è coerente con il rischio indicato dagli autori: una riduzione della gamma di argomenti incontrati dai lettori, con la possibilità di amplificare gli argomenti dominanti e comprimere il long-tail reasoning, cioè le linee di pensiero meno frequenti.
Dal prompt engineering al pluralism engineering
Per anni abbiamo trattato il prompt engineering come un problema di qualità della singola risposta: come ottenere dal modello il testo migliore. Il paper suggerisce che, quando usiamo l’AI per esplorare questioni complesse, questa potrebbe non essere sufficiente come unità di misura.
Dovremmo preoccuparci non soltanto della qualità della risposta ottenuta, ma dello spazio delle risposte che non abbiamo ottenuto. Chiedere dammi cinque alternative aiuta, ma i risultati mostrano che la diversificazione interna del modello non coincide automaticamente con il recupero delle prospettive umane meno frequenti.
Ne deriva una regola pratica: quando l’obiettivo è esplorare un problema, non basta generare più output. Occorre introdurre deliberatamente fonti esterne, casi storici, contesti geografici e culturali differenti, discipline diverse, posizioni minoritarie e argomentazioni contrarie. E soprattutto usare l’AI non come macchina che chiude il ragionamento, ma come strumento a cui chiedere quali assunzioni, casi e prospettive siano ancora assenti.
Non perché l’essere umano sia per definizione più intelligente della macchina, ma perché il pluralismo non coincide con la capacità di generare molte frasi differenti. Dipende dalla possibilità che esistano molti punti da cui guardare lo stesso problema.
Se gli LLM stanno diventando una delle infrastrutture attraverso cui costruiamo, scriviamo e distribuiamo le nostre idee, quella diversità non possiamo più limitarci a presumerla. Dovremmo imparare a progettarla.
Partecipa alla community