Molti lettori lo hanno notato aneddoticamente: il testo scritto da modelli di intelligenza artificiale sembra sempre più denso, artificioso e stranamente faticoso da analizzare, anche quando è grammaticalmente impeccabile. Una nuova prestampa pubblicata su arXiv fornisce dati linguistici concreti dietro questa intuizione e propone una spiegazione del motivo per cui ciò sta accadendo.

Lo studio, "Perché il linguaggio generato dall'intelligenza artificiale è così difficile da capire?", è stato presentato il 21 ottobre dai ricercatori Thomas Hikaru Clark, Matias B. Martin e Kyle Mahowald. Attingendo a un nuovo corpus di testi generati dall’intelligenza artificiale in diversi domini, gli autori hanno analizzato una serie di caratteristiche psicolinguistiche ben consolidate in letteratura come indicatori di difficoltà di elaborazione per i lettori umani, tra cui clausole relative agli oggetti, lunghe dipendenze sintattiche e n-grammi a bassa frequenza. Per maggiori informazioni su questa storia, consulta la nostra aggiornamenti sull'intelligenza artificiale.

Cosa hanno misurato i ricercatori

La psicolinguistica sa da tempo che non tutte le frasi hanno lo stesso costo da leggere. Le clausole relative all'oggetto ("il senatore che il giornalista ha attaccato...") richiedono molto più tempo per essere elaborate rispetto ai parenti dell'oggetto. Le lunghe dipendenze tra le parole costringono i lettori a conservare più materiale in memoria. Le sequenze di parole rare richiedono uno sforzo maggiore per recuperare e integrare. Queste caratteristiche servono come righello per misurare quanto sia difficile comprendere effettivamente un testo, distinto da quanto sofisticato possa sembrare.

I ricercatori hanno confrontato la scrittura generata dall’intelligenza artificiale con due linee di base: testo scritto da esseri umani e parafrasi prodotte attraverso la traduzione di andata e ritorno, un controllo progettato per separare le peculiarità del modello genuino dal sapore generico della prosa formale o meccanica.

Quel controllo è importante. Gli scettici potrebbero ragionevolmente sostenere che il testo dell’intelligenza artificiale si legge semplicemente come una scrittura commerciale o tecnica – formale, impersonale e ricca di nomi – piuttosto che mostrare una patologia distinta. La traduzione di andata e ritorno produce un testo con un registro simile, raffinato e leggermente innaturale, senza alcuna formazione sul modello linguistico alle spalle. Se i modelli di intelligenza artificiale superassero ancora quella linea di base sulle misure di difficoltà di elaborazione, la differenza dovrebbe provenire da qualcosa di specifico nel modo in cui i modelli stessi hanno imparato a scrivere. Questo, in sostanza, è ciò che ha scoperto lo studio.

Cosa hanno trovato

I risultati sono stati coerenti su tutta la linea. Rispetto alla scrittura umana, tutti e nove i modelli di frontiera e quasi frontiera esaminati nello studio – un gruppo che include sistemi delle famiglie GPT-5.6, Claude, Llama, DeepSeek e Qwen – hanno fatto scelte misurabilmente più difficili:

  • Soggetti più inanimati abbinati a verbi animati: il caratteristico modello di scrittura dell'intelligenza artificiale che le astrazioni "approfondiscono", "sottolineano" o "evidenziano".
  • Più n-grammi a bassa frequenza, ovvero sequenze di parole insolite che gli scrittori umani raramente producono.
  • Dipendenze sintattiche più lunghe, con soggetti e verbi separati da più materiale intermedio.
  • Più nomi in pila e, nel testo colloquiale, clausole relative oggetto più ridotte.

Lo studio ha anche documentato variazioni sostanziali tra le famiglie di modelli – non tutti i modelli sono ugualmente difficili da leggere – e ha scoperto che i modelli di intelligenza artificiale utilizzavano queste costruzioni difficili più spesso delle parafrasi di traduzione di andata e ritorno, indicando che l’effetto è specifico del modo in cui i modelli vengono addestrati piuttosto che un artefatto di registro formale.

Questa variazione è senza dubbio uno dei risultati più utili dell’articolo. Se la difficoltà di lettura fosse una conseguenza inevitabile della scala o della capacità, tutti i sistemi di frontiera si raggrupperebbero insieme. Invece, la diffusione tra le famiglie suggerisce che le scelte post-formazione – il mix di dati, i segnali di ricompensa, l’enfasi su ambiti ad alto contenuto di ragionamento – modellano visibilmente il modo in cui la prosa di un modello arriva a un lettore umano. In altre parole, il testo AI di difficile lettura è un risultato del progetto, non un inevitabile sottoprodotto dell’intelligenza.

L'ipotesi della densità dell'informazione

Perché i modelli dovrebbero spostarsi verso un linguaggio più duro? Gli autori propongono e testano un’ipotesi: mentre il linguaggio umano si è evoluto e viene appreso sotto pressione per comunicare con successo, il testo generato dall’intelligenza artificiale è sempre più ottimizzato per altri obiettivi – matematica, codice e compiti di ragionamento – dove la pressione è verso la densità delle informazioni piuttosto che verso la facilità di comprensione.

Un modello premiato per aver racchiuso le risposte corrette in un minor numero di token impara abitudini che si ripercuotono nella prosa: comprimere il significato, preferire formulazioni precise ma rare, incorporare più struttura per frase. Il risultato è un testo che ottiene buoni punteggi nei parametri di riferimento mentre diventa sempre meno naturale per i lettori umani.

Per testare l’idea, i ricercatori hanno eseguito un esperimento di prova: hanno messo a punto un modello linguistico con una penalità di lunghezza, costringendolo a comprimere il suo output. Il comportamento linguistico del modello si è discostato dai modelli di tipo umano esattamente nel modo previsto dall'ipotesi, fornendo supporto causale all'idea che la pressione dell'ottimizzazione, e non solo i dati, guida il cambiamento.

Perché è importante

I risultati evidenziano quello che gli autori chiamano un disallineamento tra le richieste di elaborazione linguistica degli esseri umani e quelle implicitamente preferite dai grandi modelli linguistici. Questo disallineamento ha conseguenze pratiche. Gli assistenti di intelligenza artificiale che producono testi più difficili da leggere impongono una tassa nascosta su ogni risposta e l’effetto aumenta poiché le persone trascorrono più tempo di lettura su bozze, riepiloghi e spiegazioni generati da modelli.

Gli autori sostengono che il loro quadro punta verso possibili rimedi: modi per addestrare o mettere a punto modelli il cui risultato rispetti i limiti dell’elaborazione umana senza sacrificare la capacità. L’articolo è una prestampa e non è stato ancora sottoposto a peer review, ma la sua osservazione centrale ha già avuto risonanza: il lavoro ha scalato la prima pagina di Hacker News il 24 ottobre, innescando un dibattito attivo sulla questione se il compromesso tra performance del ragionamento e prosa leggibile sia fondamentale o risolvibile.

Per ora, lo studio offre ai lettori un vocabolario convalidato per una frustrazione familiare. Il testo non sta peggiorando per caso: sta diventando più denso intenzionalmente.

Fonti: arXiv:2610.29162, discussione su Hacker News

---

Rimani Aggiornato sull'IA

Le ultime notizie, analisi e scoperte sull'intelligenza artificiale — tutto in un posto.

Leggi altre notizie sull'IA →