Un testo scritto da un’AI non si riconosce da una parola sbagliata o da un errore grammaticale. Si riconosce dalla perfezione: struttura simmetrica, tono uniforme, zero esitazioni. I detector automatici rispondono con percentuali che sembrano precise ma spesso non lo sono. La strada affidabile passa dall’analisi diretta del testo, non da un tool che dice «87% AI».
Il problema è che i modelli linguistici sono migliorati velocemente. Un testo generato da GPT-4 o Claude nel 2024 può essere indistinguibile da uno scritto da un professionista, specialmente se chi ha fatto il prompt sapeva quello che faceva. Allo stesso tempo, un testo scritto da una persona non madrelingua o con stile poco personale può risultare «AI» ai detector. Questo articolo ti mostra dove guardare, cosa pesare, e perché la risposta che ti aspetti potrebbe essere quella sbagliata.
I detector automatici: cosa fanno davvero
I tool come GPTZero, Originality.ai o il classifier di OpenAI analizzano due metriche principali: perplexity e burstiness. La perplexity misura quanto un testo è «prevedibile» statisticamente — i modelli tendono a scegliere le parole più probabili, quindi producono testi a bassa perplexity. La burstiness misura la variazione nella lunghezza delle frasi — gli umani alternano frasi corte e lunghissime, i modelli tendono alla media.
Il problema è che queste metriche si basano su distribuzioni statistiche di training che invecchiano. Un testo scritto da un giornalista con stile molto uniforme può sembrare AI. Un testo AI rilavorato da un editor umano può sembrare umano. Originality.ai dichiara un’accuratezza intorno all’85-90% sui testi in inglese — ma già in italiano le performance calano, perché i modelli sono stati addestrati su corpus meno rappresentativi.
Usare un detector non è sbagliato. Usarlo come verdetto finale lo è.
I segnali linguistici su cui concentrarsi
La struttura è troppo simmetrica
Un testo AI tende a seguire uno schema: introduzione, tre punti sviluppati con lo stesso peso, conclusione che riassume. Ogni paragrafo ha più o meno la stessa lunghezza. Ogni sezione finisce con una frase di chiusura che lega al prossimo blocco. Non è un errore — è il modo in cui un modello ottimizza per «testo ben strutturato». Un testo umano ha squilibri: un paragrafo di due righe, uno di dodici, un’idea che si interrompe perché il pensiero era finito lì.
Il lessico è corretto ma piatto
I modelli evitano le parole rare, i costrutti regionali, i termini tecnici iperspecifici. Producono testi grammaticalmente corretti con un vocabolario da fascia media. Se leggi un articolo su un argomento tecnico e non trovi mai un termine che ti fa cercare su Google, potrebbe essere un segnale. Un esperto vero usa il lessico del mestiere — e a volte esagera, perché ci è immerso.
Le opinioni sono bilanciate in modo sospetto
I modelli sono addestrati per non essere controversi. Quando devono esprimere una posizione, la bilanciano: «da un lato X, dall’altro Y, dipende dal contesto». Un testo umano opinionato prende posizione e ci rimane, anche quando è scomodo. Se leggi tre paragrafi in cui ogni argomento viene immediatamente temperato dal contrario, il testo probabilmente non ha un autore con una vera convinzione.
Le transizioni sono troppo fluide
Frasi come «è importante notare che», «vale la pena sottolineare», «in questo contesto» sono connettivi che i modelli usano per sembrare organizzati. Un testo umano ha salti, ritorni, incisi. La fluidità assoluta è innaturale.
Quello che nessuno dice
I segnali AI più affidabili non sono le parole singole, ma la forma del ragionamento
Un modello scrive testi che sembrano ragionare ma non prendono mai una posizione rischiosa. Cerca dove l’autore avrebbe dovuto scegliere e non ha scelto.
- Simmetria eccessiva — ogni sezione ha lo stesso peso, nessuna domina
- Assenza di errori di pensiero — nessuna contraddizione, nessun ripensamento
- Bilanciamento sistematico — ogni opinione ha il suo contrappeso
- Chiusure circolari — il testo finisce dove era iniziato, senza spostare niente
}
Come distinguerlo dalla qualità del prompt
Un testo AI generato con un prompt scarso è facile da riconoscere: intro generica, tre punti standard, conclusione che ripete il titolo. Un testo AI generato con un prompt preciso — con esempi di stile, vincoli, tono specifico — è molto più difficile da smascherare. La differenza non è nel modello, è in chi ha scritto il prompt.
Questo cambia il problema. Non stai cercando di capire se c’è un’AI in mezzo: stai cercando di capire se c’è una voce umana reale. E quella voce si riconosce dalla presenza di qualcosa che un modello non può inventare: un’esperienza specifica, un numero verificabile, un’opinione che esclude qualcosa. Un testo AI può citare «un caso aziendale» ma non può citare un caso con nome, data e dettagli imbarazzanti — a meno che non glieli abbia dati il prompt.
La tecnica più semplice: cerca una affermazione che potrebbe essere sbagliata. Se il testo è pieno di affermazioni sicure ma nessuna è falsificabile, non ha un autore con pelle nel gioco.
Il paradosso dei detector: perché sbagliano nei due sensi
Uno studio del 2023 dell’Università di Maryland ha mostrato che i detector possono classificare erroneamente testi scritti da non madrelingua come AI-generated, perché il lessico controllato e le costruzioni grammaticali standard assomigliano statisticamente all’output dei modelli. Nel senso opposto, un testo AI riscritto anche solo parzialmente da un editor umano — qualche frase spezzata, una battuta fuori contesto, un errore di punteggiatura lasciato intenzionalmente — abbassa la segnalazione ai detector in modo significativo.
Chi vuole eludere il rilevamento lo sa già. Chi viene accusato ingiustamente spesso non lo sa. Questo non significa che i detector siano inutili: significa che il loro output è un indizio, non una prova.
Detector a confronto: cosa analizzano e cosa no
| Tool | Metrica principale | Lingue supportate | Accuratezza dichiarata (EN) | Costo |
|---|---|---|---|---|
| GPTZero | Perplexity + burstiness | Multilingua (EN prioritario) | ~85% | Freemium |
| Originality.ai | Probabilità token + plagiarism | EN principalmente | ~90% (EN) | A crediti |
| Copyleaks | Pattern semantici | Multilingua | ~99% (dichiarato, contestato) | Abbonamento |
| Writer AI Detector | Fingerprint stilistica | EN | n.d. | Gratuito |
Cosa fare se sospetti un testo AI (e non puoi sapere con certezza)
Se stai valutando un contenuto per il tuo blog, un lavoro freelance o un documento interno, il percorso pratico è questo. Prima, fai girare il testo su almeno due detector diversi — se entrambi segnalano alto rischio, il segnale pesa di più. Secondo, leggi il testo cercando attivamente un’affermazione specifica che l’autore avrebbe potuto sbagliare: se non la trovi, il testo non ha esperienza reale alle spalle. Terzo, cerca i connettivi automatici: «inoltre», «tuttavia», «è importante notare che» in alta concentrazione sono un segnale strutturale, non stilistico.
Se stai valutando un testo per un contesto ad alto rischio — accademico, legale, editoriale — nessuna analisi automatica è sufficiente. La conversazione diretta con l’autore, con domande specifiche sul processo di scrittura, è ancora il metodo più affidabile.
Per chi costruisce sistemi di contenuto con automazioni — e usa strumenti come Make o n8n per generare testi in serie — il punto non è nascondere l’AI: è decidere dove la voce umana deve restare dentro il processo. Ne parlo in modo più diretto nell’articolo su cosa automatizzare nel marketing e cosa non delegare mai a un tool.
Il silenzio dei sistemi di controllo non è salute. Se nessuno nel tuo team sta guardando l’output dei tuoi flussi di contenuto con occhio critico, la macchina sta producendo con la stessa sicurezza che produrrebbe se tutto andasse storto. Vale per i testi come per qualsiasi altro dato che esce da un’automazione — come spiego anche nell’articolo sugli errori comuni nella scelta dei modelli AI per casi d’uso specifici.
La domanda «è scritto da un’AI?» è meno interessante della domanda «c’è qualcuno con pelle nel gioco dietro questo testo?». Se la risposta è no, il problema non è il tool — è il processo che lo ha prodotto.
Domande frequenti
I detector AI sono affidabili in italiano?
No, non quanto in inglese. La maggior parte dei detector è addestrata su corpus prevalentemente anglofoni. In italiano le performance calano in modo significativo, con un tasso di falsi positivi più alto. Usali come primo filtro, non come verdetto.
Un testo AI riscritto da un umano viene rilevato?
Dipende da quanto viene riscritto. Una revisione leggera — qualche frase spezzata, un termine insolito — può abbassare il punteggio AI in modo sensibile. Una riscrittura profonda che introduce esperienza reale e posizioni nette lo rende sostanzialmente irrilevabile per i tool attuali.
Quale segnale è più affidabile tra tutti quelli elencati?
L’assenza di affermazioni falsificabili. Un testo umano con esperienza reale alle spalle contiene almeno una cosa che potrebbe essere sbagliata — un numero, un’opinione netta, un dettaglio specifico. Se non trovi niente del genere, il testo non ha un autore con esperienza diretta.
ChatGPT può riconoscere testi scritti da se stesso?
No in modo affidabile. OpenAI ha ritirato il suo classifier ufficiale nel 2023 per accuratezza insufficiente. I modelli attuali non hanno accesso a un fingerprint del proprio output precedente, quindi non possono autoriconoscersi con certezza.
