di Lydia Zampolini

Gli impatti delle tecnologie sui processi culturali non sono una novità legata alla recente diffusione dell’Intelligenza Artificiale Generativa, ma il largo utilizzo degli LLM e le grandi quantità di testo sintetico ormai in circolazione stanno avendo conseguenze sul nostro modo di scrivere e, probabilmente, anche sul nostro modo di parlare. Un articolo del The Guardian, pubblicato a inizio luglio e intitolato How AI is changing language, mi ha incuriosita e ha portato alla mia attenzione l’argomento, che rilancio nella nostra comunità di ricerca e che dovete considerare come il riferimento principale di questa newsletter. L’IA generativa viene studiata da prospettive diverse, LESDIT ne è un chiaro esempio, e, sebbene quello linguistico non sia il mio diretto ambito di ricerca, lo sguardo apre domande anche sulle implicazioni sociali e educative del fenomeno. Siamo costantemente esposti a testo generato artificialmente, e se da una parte ci si potrebbe illudere che questa esposizione sia sotto il nostro controllo e limitata al tempo e allo spazio dell’interazione diretta che decidiamo di avere con un chatbot, in realtà dobbiamo rassegnarci al fatto che non ne siamo immuni e che fa parte ormai della nostra quotidianità. Incontriamo suggerimenti automatici nelle email, nei programmi di scrittura;  sintesi prodotte dai motori di ricerca, testi revisionati o tradotti da sistemi di IA. Questo rende sempre più difficile distinguere non solo quali contenuti siano stati scritti da una persona e quali da una macchina, ma anche quanto della scrittura umana sia ormai influenzato dalle modalità espressive dei modelli. Poniamo l’attenzione non tanto sul definire se l’IA abbia un impatto positivo o negativo sulla scrittura (andiamo “oltre la tecnofobia” 😊). D’altra parte, anche qui c’è chi vede nell’IA una nuova tecnologia creativa, destinata ad affiancare gli autori come in passato hanno fatto altri strumenti di scrittura, e chi, invece, esprime una preoccupazione diversa, vedendola come una minaccia alla lingua e alla creatività linguistica. Il punto, però, è comprendere la portata sociale di questa trasformazione. I modelli linguistici vengono addestrati su enormi quantità di testi prodotti dagli esseri umani, allo stesso tempo, sempre più persone utilizzano gli stessi modelli per scrivere, correggere e riformulare i propri testi. Si crea così una sorta di loop, di circolo di retroazione: l’IA apprende dalla lingua umana, ma, inevitabilmente, gli esseri umani iniziano progressivamente ad apprendere dalla lingua dell’IA.

E allora, che cosa succede quando iniziamo noi stessi a scrivere come le macchine?

Sappiamo riconoscere un testo scritto dall’IA?

L’articolo del The Guardian parte da un piccolo esperimento. Presenta tre recensioni di hotel, rifacendosi al test realizzato da Claire Hardaker, docente di linguistica forense alla Lancaster University, e invita il lettore a riconoscere quali siano state scritte da persone e quali generate artificialmente. A prima vista potrebbe sembrare semplice: ormai crediamo di conoscere gli indizi che caratterizzano un testo prodotto da ChatGPT (la presenza di formule prevedibili, un tono impersonale, frasi troppo ordinate, l’uso dei trattini lunghi oppure la ripetizione di particolari strutture retoriche).  Quando però dobbiamo mettere alla prova questa convinzione, il risultato è meno scontato; nel test proposto dalla docente dell’Università di Lancaster, in media, le persone rispondono correttamente soltanto nel 60% dei casi. (il test: https://lancasteruni.eu.qualtrics.com/jfe/form/SV_77BzuG0OQBlwX7E )

Questo deriva dal fatto che una frase perfettamente costruita non dimostra che sia stata generata da una macchina, così come un errore grammaticale non garantisce che sia stata scritta da una persona. In questo esercizio, anche gli strumenti automatici di rilevazione incontrano difficoltà, perché alcuni esseri umani scrivono spontaneamente in una forma che può essere classificata come artificiale, mentre un testo generato può essere modificato fino a sembrare umano. Inoltre, anche l’esposizione costante ai testi artificiali, amplificata dalla circolazione di grandi quantità di linguaggio generato nella società, spinge ad un cambiamento nello stile di scrittura umano.

Il rapporto tra scrittura umana e artificiale viene descritto come una casa degli specchi linguistica. È un’immagine che restituisce bene un processo nel quale non esiste più una separazione netta: i modelli imitano le nostre strutture linguistiche, noi utilizziamo le loro proposte per migliorare i testi e queste nuove formulazioni entrano a loro volta nell’ambiente digitale. Non è la singola frase a fare la differenza, ma l’influenza diventa più evidente quando vengono analizzate grandi quantità di testi e si rilevano parole, costruzioni e registri che iniziano a comparire con una frequenza diversa rispetto al passato.

È a questo livello che possiamo chiederci: esiste un modo di scrivere tipico dell’IA?

Come scrivono i modelli linguistici?

Quando un modello di linguaggio costruisce una frase o un testo, si avvale spesso della “rule of three” (regola dei tre), cioè un principio di scrittura secondo cui le informazioni, le battute o gli elementi narrativi risultano più efficaci, memorabili e divertenti se raggruppati in schemi da tre (ve ne siete accorti?). Ecco allora che una soluzione viene presentata nella forma di tre aggettivi (“rapida, affidabile e sicura”); nelle frasi compaiono tre clausole, in cui un’attività promette di “migliorare i risultati, ridurre i tempi e aumentare l’efficienza”; o ancora, ogni idea viene elencata in tre punti elenco seguiti da un riepilogo che li ribadisce.

La regola dei tre è una tecnica retorica utilizzata da secoli, prima che l’IA iniziasse ad utilizzarla, perché produce un ritmo equilibrato e rende più semplice ricordare un messaggio. Gli LLM, però, sembrano ricorrervi con una frequenza e una regolarità particolari, anche quando il terzo elemento non aggiunge un contenuto davvero necessario, generando delle “equivalenze forzate”. Tuttavia, quando ogni frase è perfettamente bilanciata, in cui è presente la ripetizione indiscriminata dello stesso schema, la scrittura rischia di perdere quelle variazioni di ritmo e di lunghezza che la rendono meno prevedibile e che sono tipiche della scrittura umana (quante volte, leggendo un libro, vi è capitato di commentare il ritmo della storia che stavate leggendo? Magari avete impiegato settimane ad affrontare la prima parte, ma quando il ritmo è diventato “incalzante” vi ha completamente rapiti).

Nei testi, la regola dei tre è spesso preceduta da quella figura retorica che ha la funzione di negare o correggere una prima formulazione per rafforzare quella successiva, secondo la struttura «non X, ma Y»: l’epanortosi enfatica. Per intenderci, degli esempi possono essere “non è solo uno strumento, ma un cambiamento” oppure, “non è un semplice errore, ma il segnale di un problema più ampio”. Anche questa appartiene da tempo alla scrittura umana, ma gli LLM sembrano ricorrervi con particolare frequenza, trasformandola in una sorta di “tic stilistico” che rende la risposta più chiara, incisiva e persuasiva. Un recente paper ha osservato una presenza maggiore di questa struttura nei testi generati rispetto ai corpora umani analizzati (Lubrano, 2025).

Non sono questi, chiaramente, gli unici criteri che i linguisti iniziano ad evidenziare. Gli LLM tendono a utilizzare molti nomi e meno pronomi rispetto agli esseri umani, preferendo spesso gli aggettivi attributivi (“la sedia scomoda”) alle costruzioni predicative (“la sedia era scomoda”), e generando una scrittura che cerca di concentrare l’informazione in unità dense e ben organizzate.

Nei discorsi che non sono oggetto di questa newsletter, è stata già sottolineata più volte la non neutralità dei modelli linguistici;  legherete sicuramente questa considerazione ai bias. Ciascun modello linguistico viene addestrato su un proprio dataset e da un team di persone che portano con sé influenze culturali diverse e che chiaramente hanno un impatto diretto sui modi diversi di produrre il linguaggio: Gemini, Claude, ChatGPT, Mistral, DeepSeek hanno ognuno il modo preferito di esprimersi, tanto da sviluppare delle piccole idiosincrasie, quasi dei dialetti artificiali, ovvero formule di apertura ricorrenti, modi di suddividere una risposta, espressioni utilizzate per introdurre un elenco o confermare la richiesta dell’utente (riportando gli esempi del già citato articolo: Gemini ama dire "ecco una spiegazione", mentre DeepSeek spesso risponde con un allegro "Certamente!".)

Sono abitudini che, attraverso un uso ripetuto, diventano familiari e possono entrare anche nei testi di chi utilizza frequentemente questi strumenti, chissà, magari generando un umano senso di appartenenza linguistica artificiale?

Le parole preferite dall’IA

L’impatto del testo generato artificialmente sul nostro uso della lingua si ritrova anche nella crescente diffusione di alcune parole, soprattutto nella lingua inglese (la maggior parte delle IA generative viene addestrata proprio in inglese) in cui termini come delve, showcase, boast, underscore, align, intricate e surpass sono diventati di uso diffuso. Vengono definiti “focal words” in un recente studio (Juzek & Ward, COLING 2025) che ne ha individuate 21. Sono, cioè, parole la cui crescita negli abstract scientifici appare probabilmente collegata all’uso dei modelli linguistici, tra cui il caso di delve è diventato particolarmente noto. La sua improvvisa popolarità è stata interpretata come una possibile traccia della diffusione di ChatGPT nella scrittura accademica.

Anche qui, non è l’uso della singola parola a fare la differenza, ma la frequenza con cui determinate espressioni iniziano a comparire in grandi raccolte di documenti. Durante il processo di addestramento alcune parole potrebbero essere diventate frequenti perché sono state considerate implicitamente un segnale di qualità: termini abbastanza ricercati da rendere il testo autorevole, ma sufficientemente generici da poter essere utilizzati in molti contesti. Nel momento in cui queste parole vengono indicate pubblicamente come tipiche dell’IA si può verificare anche il processo opposto: chi le utilizzava spontaneamente inizia a evitarle per non essere sospettato di aver generato il testo.

L’IA influenza così il nostro modo di scrivere sia quando ne accogliamo le formulazioni, sia quando cerchiamo consapevolmente di prenderne le distanze.

Una forza che appiattisce la lingua?

La preoccupazione principale riguarda la possibilità che gli LLM agiscano come una “flattening force”, una forza di appiattimento capace di ridurre progressivamente la varietà e l’idiosincrasia del linguaggio umano. È vero, i testi generati funzionano, sono spesso corretti e ordinati, ma il rischio non è necessariamente quello di una scrittura sbagliata, quanto piuttosto di una scrittura sempre più simile a sé stessa e, proprio per questo, meno riconoscibile. Peter Stockwell, docente di linguistica letteraria all’Università di Nottingham, suggerisce di guardare alla lingua su più livelli, alla base troviamo le parole, a quelli più alti l’arco narrativo, l’inatteso. Sta qui la differenza. Stockwell osserva che l’IA è molto efficace ai livelli più bassi della lingua, appunto nel produrre testi ordinati e che funzionano sia sintatticamente che nell’uso delle parole, ma non riesce a fare quel salto in più. Quando si passa ai livelli più alti, come l’arco narrativo e la capacità di produrre qualcosa di realmente inatteso, le difficoltà dell’IA aumentano, perché manca l’esperienza nel mondo propria dell’esistenza umana.

E se l’esperienza individuale viene meno nella scrittura, che è una delle forme di espressione più diffuse, viene meno anche l’espressione individuale. Produrre testi ancorati esclusivamente ai livelli bassi appena dettagliati non accade solo quando si chiede all’IA di generare testi da zero, ma anche quando l’IA viene usata per revisionare il testo. Un gruppo di ricerca dell’University of Southern California ha iniziato ad osservare segnali di standardizzazione dello stile, evidenziando come l’uso degli stessi modelli per revisionare testi prodotti da umani possa attenuarne alcune specificità linguistiche.

Sono risultati che non dimostrano un generale impoverimento della lingua, ma segnalano comunque  una possibile dinamica di influenza reciproca: l’IA apprende dal linguaggio umano e alcune delle sue preferenze linguistiche possono successivamente entrare nella scrittura e nel parlato delle persone.

Questi studi aprono quindi nuovi interrogativi: in che modo la scrittura assistita sta modificando le nostre abitudini linguistiche? E quanto riusciamo a riconoscere (e quindi riconoscerci), nel risultato finale, la voce da cui il testo ha avuto origine?

La scrittura, infatti, non serve soltanto a comunicare un pensiero già completo, piuttosto, nel momento in cui scegliamo le parole che vogliamo usare ed organizziamo la struttura della frase, mettiamo ordine anche nelle idee. E se è vero che delegare una parte di questo processo non significa necessariamente rinunciarvi, rende importante chiedersi se la versione proposta dal modello continui a rappresentare ciò che volevamo esprimere.

Il “cultural ghosting”: quando correggere significa uniformare

L’appiattimento e la standardizzazione non si limitano alla struttura della frase, ma assumono una particolare rilevanza quando i modelli vengono utilizzati per revisionare varietà linguistiche e culturali differenti, in un processo che viene definito di “cultural ghosting”, e che si verifica quando, durante una correzione apparentemente naturale, alcune caratteristiche culturali del testo vengono attenuate o eliminate. Se viene chiesto a un LLM di migliorare un testo scritto in una varietà di inglese diversa da quella anglo-americana, il risultato tende spesso ad avvicinarsi allo standard dominante. È il caso in cui un’espressione considerata perfettamente accettabile nell’inglese professionale indiano tende ad essere sostituita da una formulazione più vicina all’inglese americano.

C’è però un dato importante: chiedere esplicitamente al modello di rispettare la varietà linguistica dell’autore permette di conservare molte più caratteristiche originali. L’appiattimento, quindi, non deve essere considerato una conseguenza inevitabile. Questo sottolinea l’importanza della consapevolezza con cui vengono utilizzati questi sistemi linguistici.

Quale alfabetizzazione per una lingua condivisa con l’IA?

La risposta a questi cambiamenti non può essere quella di difendere una lingua immobile. Le lingue si evolvono continuamente, le parole entrano ed escono dall’uso e le tecnologie sono sempre state una delle forze capaci di trasformarle. Non sarebbe nemmeno realistico immaginare una separazione assoluta tra scrittura umana e artificiale, perché gli strumenti generativi sono già integrati nelle applicazioni che utilizziamo ogni giorno.

La questione centrale diventa allora quella dell’AI literacy. Essere alfabetizzati all’intelligenza artificiale significa saper formulare un prompt e verificare la correttezza di una risposta, ma anche riconoscere che ogni proposta di riscrittura incorpora scelte linguistiche, stilistiche e culturali.

Di fronte a un testo revisionato possiamo allora chiederci: il nostro tono è stato conservato? Le frasi sono diventate tutte ugualmente ordinate? Una parola precisa è stata sostituita da un’espressione più generica? La nostra posizione è stata chiarita oppure resa più neutrale? La varietà linguistica dell’autore è stata rispettata?

Gli LLM possono essere strumenti utili per velocizzare la generazione di un testo funzionale a qualcosa, migliorare un elaborato, trovare formulazioni alternative o superare una difficoltà espressiva. Il loro utilizzo non è neutrale e richiede una supervisione che non si limiti alla correttezza grammaticale; è necessaria una forma di attenzione critica.

La vera sfida consiste nel riconoscere come il ricorso ai LLM stia modificando progressivamente le nostre pratiche linguistiche. Se l’IA apprende dai testi umani e gli esseri umani iniziano a adottare il linguaggio dell’IA, il confine tra le due scritture diventa sempre più sottile, ma i livelli più alti della lingua rimangono importanti, perché è lì che l’esperienza umana trova il suo spazio di espressione.

Letture di approfondimento

Shariatmadari, D. (2026). How AI is Changing Language. The Guardian, 4 luglio 2026.

Abdulhai, M., White, I., Wan, Y., Qureshi, I., Leibo, J., Kleiman-Weiner, M., & Jaques, N. (2026). How LLMs Distort Our Written Language. arXiv:2603.18161.

Bharati, S., Mandal, S., Ghosh, S. K., & Mondal, S. (2026). The American Palimpsest: Quantifying South Asian English Dialect Erasure in LLMs. Proceedings of the 4th Workshop on Cross-Cultural Considerations in NLP.

Fitterer, S., Gangl, D., & Ulbrich, J. (2025). Testing English News Articles for Lexical Homogenization Due to Widespread Use of Large Language Models. Proceedings of the 63rd Annual Meeting of the Association for Computational Linguistics, Student Research Workshop.

Lubrano, F. (2025). Beyond Hallucinations: Emphatic Epanorthosis on LLMs. Zenodo. https://doi.org/10.5281/zenodo.16947334

Tom S. Juzek and Zina B. Ward. 2025. Why Does ChatGPT “Delve” So Much? Exploring the Sources of Lexical Overrepresentation in Large Language Models. In Proceedings of the 31st International Conference on Computational Linguistics, pages 6397–6411, Abu Dhabi, UAE. Association for Computational Linguistics.

UNESCO. (2026). Guida all'IA generativa nell'istruzione e nella ricerca (F. Miao & W. Holmes). UNESCO. https://doi.org/10.54675/FYTY9118