Si può davvero capire se un testo è stato scritto da un'intelligenza artificiale?

Tua figlia torna a casa e dice che la professoressa l’ha accusata di aver fatto scrivere il tema a ChatGPT. Lei giura di no. La professoressa ha in mano un numero: 92% di probabilità che il testo sia generato.

Chi ha ragione? E soprattutto: quel 92% cosa vuol dire davvero?

Questa è una delle poche domande di tecnologia in cui la risposta corretta cambia la vita di qualcuno. Ci sono studenti espulsi, procedimenti disciplinari, carriere scolastiche rovinate. Quindi vale la pena capirlo bene, e non per sentito dire.

Come fa un programma a dirlo

Ci sono tre famiglie di metodi, e confonderle è la prima fonte di equivoci.

La prima guarda la prevedibilità. Un modello linguistico sceglie, parola dopo parola, tra le continuazioni più probabili: il risultato è un testo più liscio e più regolare di quello che scrive una persona, che invece ha scarti, ripensamenti, frasi storte. I primi rilevatori misuravano questo.

Il problema è che la prevedibilità dipende da cosa stai scrivendo. Un gruppo di ricercatori di quattro università lo ha mostrato con un esempio diventato famoso: se chiedi a un modello di scrivere di un capibara astrofisico, l’uscita è talmente insolita da risultare poco prevedibile, e il rilevatore la classifica come umana. Per questo i metodi moderni confrontano due modelli tra loro invece di guardarne uno solo.

La seconda famiglia è fatta di classificatori addestrati: una rete neurale a cui sono stati dati in pasto milioni di testi umani e generati finché non ha imparato a distinguerli. È qui che stanno i prodotti commerciali di oggi, e sono nettamente migliori di quelli di tre anni fa.

La terza è la filigrana, e la tengo per la fine perché è l’unica che funziona in modo diverso dalle altre due.

Perché un numero non è una prova

Due argomenti, e sono di peso diverso.

Il primo è pratico. Quando si accusa qualcuno di plagio tradizionale, esiste una prova che si può guardare: la fonte da cui ha copiato. Con il testo generato questa prova non c’è. C’è un punteggio, e il punteggio non si può ispezionare.

Il secondo è teorico, e secondo me è il più importante. Un gruppo di ricercatori del Maryland e di Harvard ha dimostrato un risultato matematico: la qualità massima raggiungibile da qualunque rilevatore, presente o futuro, dipende da quanto la scrittura del modello assomiglia a quella umana. Più i modelli migliorano, più il rilevamento diventa impossibile. Non difficile: impossibile, nel senso tecnico del termine.

Gli stessi ricercatori hanno mostrato che far riscrivere il testo generato a un altro programma distrugge quasi tutti i rilevatori. Nel caso delle filigrane, la capacità di riconoscimento è crollata dal 99,3% al 9,7%, e in alcune prove fino al 4%.

C’è anche un precedente che vale una riga. OpenAI pubblicò un proprio rilevatore nel gennaio 2023 e lo ritirò sei mesi dopo per “basso tasso di accuratezza”. I numeri dichiarati da loro: riconosceva il 26% dei testi generati e segnalava per errore il 9% di quelli umani.

Cosa è misurato e cosa è dichiarato

Qui sta il cuore della questione, e la distinzione da tenere ferma è una sola: chi ha misurato cosa.

I rilevatori più recenti dichiarano numeri impressionanti. Il più citato in questo momento dichiara un falso positivo ogni ventiquattromila testi circa, ed è un dato dell’azienda che lo vende, misurato su un archivio proprio che non è pubblico. Non vuol dire che sia falso. Vuol dire che non è verificabile da nessuno.

Esistono due valutazioni indipendenti serie, ed è giusto dire che a quel prodotto danno ragione.

La prima è un working paper di due ricercatori dell’Università di Chicago, cioè uno studio diffuso prima della pubblicazione vera e propria, condotto su quasi duemila testi in inglese di sei generi diversi: il prodotto in questione sbaglia pochissimo in entrambe le direzioni, mentre altri rilevatori arrivano a segnalare come generati fino al 78% dei testi umani. Attenzione però: un working paper non passa per la revisione dei pari, e ho visto quello studio presentato come se ci fosse passato.

La seconda è uno studio pubblicato nel giugno 2026 sull’International Journal for Educational Integrity, questo sì con revisione, condotto da tre ricercatori dell’università libera di Bruxelles su 160 elaborati accademici in inglese. Qui il risultato è doppio. Da un lato conferma il quadro: zero falsi positivi per tre rilevatori su quattro, e gli autori scrivono che i falsi positivi sono rari, in miglioramento rispetto agli studi precedenti. Dall’altro lato c’è un limite che gli autori stessi dichiarano e che quasi nessuno riporta: i testi umani erano quaranta. Zero errori su quaranta testi non dimostra un errore su ventiquattromila. Dimostra soltanto che il tasso reale è plausibilmente sotto il 7%.

Per validare un numero come uno su ventiquattromila servono decine di migliaia di testi umani verificati. Per ogni lingua. Per ogni genere di testo.

Il punto che riguarda noi: l’italiano

E qui arriviamo alla domanda che un lettore italiano dovrebbe farsi per primo, e che non ho visto porre da nessuna parte.

Quei numeri sono misurati su testi in inglese. Tutti e quattro gli studi indipendenti seri che ho trovato, dal 2023 a oggi, sono interamente in inglese. Uno di questi include sette lingue diverse dall’inglese, ma solo tradotte automaticamente, e tra quelle sette l’italiano non c’è.

I benchmark multilingui della ricerca, quelli che confrontano i rilevatori su molte lingue, l’italiano non lo includono: né il più citato del 2023, che ne copre undici, né quello del 2025, che arriva a ventidue. Ci sono catalano, portoghese, rumeno, spagnolo. Italiano no.

Quanto ai prodotti, la documentazione ufficiale di Turnitin elenca le lingue supportate dal suo modello di rilevamento: inglese, spagnolo e giapponese. L’italiano non c’è. La pagina di supporto di GPTZero elenca una ventina di lingue e l’italiano non compare. Del prodotto più accurato non ho trovato un elenco pubblico delle lingue supportate.

Una valutazione sull’italiano però esiste, ed è interessante. L’hanno fatta tre ricercatori del CNR di Pisa dentro EVALITA 2026, la campagna di valutazione per la lingua italiana: oltre quarantaseimila articoli di giornale, metà umani e metà generati, dati in pasto ai sistemi di sei gruppi di ricerca. Il migliore arriva al 94,6% di accuratezza con meno dello 0,5% di falsi positivi, il che suona bene.

Ma c’è il risultato che conta davvero. Quando il testo italiano è stato generato da un modello addestrato specificamente sull’italiano, e non da un modello nato per l’inglese, il riconoscimento scende intorno al 50%. Come il lancio di una monetina.

Riassumendo in modo che si possa ripetere a voce: al 5 ottobre 2026 non risulta pubblicata nessuna valutazione indipendente dei rilevatori commerciali su testi in italiano, i due prodotti più usati nelle scuole non elencano l’italiano tra le lingue supportate, e l’unica valutazione accademica italiana dice che l’italiano generato da modelli italiani oggi sfugge metà delle volte. Chi usa un rilevatore su un tema in italiano sta usando uno strumento tarato su un’altra lingua.

Chi paga gli errori

Nel 2023 cinque ricercatori di Stanford hanno fatto una prova semplice. Hanno preso 91 temi scritti da studenti non madrelingua, tratti da esami TOEFL, e 88 temi di ragazzini americani di terza media, e li hanno passati a sette rilevatori.

Sui testi dei ragazzini americani i rilevatori hanno funzionato: segnalazioni quasi nulle. Sui testi dei non madrelingua il tasso medio di falsi positivi è stato del 61%. Diciotto temi su novantuno sono stati segnalati da tutti e sette i rilevatori contemporaneamente, e ottantanove su novantuno da almeno uno.

Poi hanno fatto la verifica che chiude il ragionamento. Hanno chiesto a ChatGPT di riscrivere quei temi “con un lessico più da madrelingua”, e il tasso di errore è crollato dal 61% all’11%. Hanno fatto l’inverso, semplificando il lessico dei temi americani, e il tasso è salito dal 5% al 57%.

Quei rilevatori non stavano misurando chi aveva scritto. Stavano misurando quanto fosse ricco il vocabolario.

Due precisazioni doverose su quello studio. È pubblicato su una rivista con revisione, ma nella sezione dedicata alle opinioni, non come articolo di ricerca vero e proprio. E gli autori stessi avvertono che i rilevatori testati erano quelli del 2023, costruiti su modelli più vecchi, e che non sapevano se il problema sarebbe rimasto nei prodotti successivi.

A quell’incertezza si può dare una risposta parziale. Lo studio belga del 2026 non trova più quel disastro, ma non misura la differenza tra madrelingua e non madrelingua, quindi non è una smentita. E un altro studio con revisione, del 2023, ha misurato una cosa vicina: i testi umani scritti in un’altra lingua e tradotti automaticamente in inglese venivano segnalati per errore con frequenza doppia rispetto a quelli scritti direttamente in inglese. La traduzione automatica lascia tracce che somigliano a quelle di una macchina, perché una macchina c’è passata.

A questo si aggiungono due effetti che si sommano in silenzio.

Il primo è la scala. Turnitin dichiara meno dell’1% di errore su un intero documento, ma il 4% sulla singola frase. Un rilevatore che evidenzia frasi moltiplica le occasioni di sbagliare: su venti frasi, con quel tasso, quasi ogni elaborato conterrà una frase evidenziata per errore.

Il secondo è la ripetizione. Con un errore dell’1% per testo e quaranta consegne nell’arco di un percorso scolastico, la probabilità che uno studente venga segnalato almeno una volta per errore è circa un terzo. Su mille studenti vuol dire qualche centinaio di persone che prima o poi si sentiranno dire quella frase.

È il conto che ha fatto anche l’università Vanderbilt quando, nell’agosto 2023, ha disattivato il rilevatore di Turnitin: con un errore dichiarato dell’1% e i 75.000 elaborati che riceveva in un anno, si arrivava a circa 750 studenti accusati ingiustamente. Tra le motivazioni hanno messo anche l’opacità dello strumento e il problema dei non madrelingua.

Cosa dicono quelli che li vendono

Vale la pena leggere quello che scrivono, perché è più prudente di quello che si sente dire in molte scuole.

La documentazione tecnica di Turnitin scrive che i falsi positivi sono una possibilità, che i punteggi tra l’1% e il 19% non vengono nemmeno mostrati proprio per ridurre il rischio di accuse sbagliate, e una frase che dovrebbe stare appesa in ogni sala professori: il punteggio di scrittura IA non dovrebbe essere usato come unica base per prendere provvedimenti contro uno studente. La stessa azienda ha dichiarato, in un suo intervento del 2023, che non è Turnitin a stabilire se c’è stata una scorrettezza, e che serve il giudizio professionale del docente.

Chi vende lo strumento, insomma, dice che non è una prova. Poi arriva in aula e diventa una prova.

In Italia, su questo, c’è un vuoto che è esso stesso un’informazione. Le linee guida del Ministero sull’intelligenza artificiale a scuola, del 2025, parlano di supervisione umana, trasparenza e bias, ma non dicono una parola sui rilevatori, sulla loro affidabilità o sul loro valore come prova. La policy di un grande ateneo come Bologna regola cosa può fare lo studente e gli chiede di dichiarare l’uso dell’IA, ma non menziona i rilevatori. Non ho trovato nessun documento di ateneo italiano, né del Ministero, che prenda posizione.

Se capita a te

1. Chiedi su cosa si basa l'accusa, e in particolare se si basa solo su un punteggio. Se la risposta è sì, quello che hai di fronte è un indizio, non una prova, e lo dice il manuale di chi vende lo strumento.
2. Tira fuori la cronologia del documento. Google Documenti conserva tutte le revisioni, Word con OneDrive conserva le versioni. Un testo cresciuto a pezzi, con frasi cancellate e riscritte, ha un aspetto molto diverso da un blocco incollato tutto insieme. Non è una prova definitiva, perché si può incollare in più volte, ma è l'indizio più forte che hai.
3. Raccogli il contorno: appunti, scalette, bozze intermedie, le fonti che hai consultato, le email in cui chiedevi chiarimenti.
4. Proponi una verifica diretta. Riscrivere qualcosa di analogo in presenza, o discutere a voce il contenuto, chiarisce la situazione in dieci minuti.
5. Se sei straniero o scrivi in una lingua che non è la tua, dillo, e porta i dati di cui sopra. È documentato che il carico degli errori si concentra proprio lì.

E se sei dall’altra parte, cioè devi decidere: verifica se lo strumento è stato validato sulla lingua in cui sono scritti i compiti che stai analizzando, parla con la persona come primo passo e non come ultimo, e tieni l’onere della prova dalla parte di chi accusa. La conclusione dello studio belga del 2026, che pure ai rilevatori dà credito, è esattamente questa: non vanno usati come prova unica in decisioni che pesano.

La filigrana, e perché non risolve

Resta la terza famiglia, l’unica tecnicamente solida.

Google DeepMind ha pubblicato su Nature, nell’ottobre 2024, il funzionamento di SynthID-Text: durante la generazione, la scelta tra parole quasi equivalenti viene guidata da una chiave segreta, lasciando nel testo una firma statistica riconoscibile da chi ha quella chiave. È stato provato su circa venti milioni di risposte di Gemini senza che gli utenti notassero differenze di qualità.

Funziona, ma i limiti li scrivono gli autori stessi. La parafrasi la cancella. Sui testi brevi c’è poco segnale. Non funziona quando la risposta è quasi obbligata, come una definizione o una traduzione. Copre solo i testi di chi la applica, quindi funzionerebbe davvero solo se la applicassero tutti. E non si applica ai modelli liberi che uno si installa sul proprio computer, perché chiunque può ricompilarli senza filigrana.

Conseguenza pratica, e serve ricordarla: l’assenza di filigrana non dimostra niente.

Sul fronte delle regole, l’AI Act europeo è in vigore su questo punto dal 2 agosto 2026. L’articolo 50 impone a chi fornisce questi sistemi di marcare i contenuti generati in un formato leggibile dalle macchine, e a chi pubblica testi generati per informare il pubblico su temi di interesse pubblico di dichiararlo. Due precisazioni però. L’obbligo di dichiarare cade quando c’è stata una revisione umana e qualcuno si assume la responsabilità editoriale, il che nella pratica giornalistica è quasi la norma. E niente di tutto questo riguarda il tema di uno studente: una scuola da questa legge non ricava nessuno strumento in più.

Per capire cosa c’è sotto

Molte di queste cose diventano più chiare se si sa come funziona un modello linguistico, cioè perché scrive in modo più prevedibile di una persona. Ne ho scritto in Cos’è un modello linguistico e perché a volte inventa le risposte, e la parte sulla prevedibilità delle parole è esattamente quella su cui si reggono i rilevatori della prima famiglia.