La pigrizia accademica ha un nuovo alleato, e non potrebbe essere più paradossale. MorphMind, startup dell’Università del Minnesota, ha rilasciato Academic Humanizer, uno strumento che promette di cancellare le tracce dell’intelligenza artificiale dai paper scientifici. Il problema? Lo fa affidandosi a un’altra AI – Claude di Anthropic – e a un’infrastruttura interamente in cloud. Per chiunque abbia a cuore la sovranità digitale e il controllo sulle proprie bozze di ricerca, è un campanello d’allarme.

Il funzionamento è semplice quanto discutibile. Academic Humanizer è una “skill” di Claude: non genera nuovo contenuto, ma riscrive le bozze assistite dall’AI per renderle meno verbose, più vicine alla voce dell’autore e meno riconoscibili come prodotto di un LLM. Il suo creatore, il professore associato Jie Ding, spiega nel readme su GitHub che il sistema è pensato per “aiutare i ricercatori a esprimere le proprie idee in modo più preciso”, non per aggirare le revisioni o produrre dati falsi. Anzi, avverte che gli utenti hanno comunque l’obbligo di dichiarare l’uso dell’AI.

Peccato che la retorica si scontri con la realtà tecnica. Academic Humanizer è un wrapper che invia le bozze degli utenti ai server di Anthropic. Che si tratti di un grant proposal, di risultati preliminari o di un articolo in fase di peer review, tutto transita su macchine su cui il ricercatore non ha alcun controllo. In un’università media, questo potrebbe non scandalizzare, ma per laboratori che maneggiano dati proprietari, ricerche su pazienti o tecnicie difensive, l’idea di spedire bozze a un servizio esterno è semplicemente improponibile. Le policy di molte istituzioni impongono già che i carichi di lavoro AI sensibili restino on‑premise o, al massimo, in ambienti ibridi con crittografia end‑to‑end.

Non è un dettaglio trascurabile. Negli ultimi due anni, la pressione normativa – dal GDPR europeo alle linee guida del NIST negli Stati Uniti – ha spinto università e centri di ricerca a valutare con attenzione dove finiscono i loro dati. Sempre più spesso la scelta cade su infrastrutture locali, con LLM self‑hosted e pipeline di fine‑tuning girate su GPU aziendali. Academic Humanizer, al contrario, rappresenta un passo indietro: azzera di fatto la possibilità di auditing completo e impone un vincolo di fiducia verso un fornitore esterno, per di più in un ambito – quello della ripulitura stilistica – che potrebbe essere affrontato con tool open source eseguiti internamente.

C’è dell’altro. Il tool si inserisce in un panorama accademico già inondato da articoli generati in modo acritico dai LLM. L’anno scorso, ricercatori dell’Università del Surrey denunciavano un’ondata di lavori “formulaici” e superficiali. Il problema è arrivato persino alla conferenza NeurIPS, dove il rilevatore GPTZero ha scovato 100 riferimenti bibliografici allucinati in 51 paper accettati. In questo contesto, un tool che perfeziona la prosa dell’AI senza verificare la solidità dei contenuti rischia di peggiorare le cose: una bozza debole, dopo il passaggio in Academic Humanizer, suonerà soltanto più umana e convincente, mentre le falle argomentative restano intatte. Lo studio del MIT sul minor apprendimento degli studenti che usano l’AI per scrivere saggi aggiunge un tassello scomodo: stiamo creando strumenti che non solo minano l’integrità scientifica, ma riducono anche la formazione delle nuove leve.

Visto attraverso la lente di AI‑RADAR, il caso Academic Humanizer è emblematico di una tensione ancora irrisolta. Da un lato, l’intero ecosistema accademico chiede a gran voce soluzioni per gestire la valanga di testo generato automaticamente. Dall’altro, la risposta del mercato è spesso una scorciatoia cloud che risolve un problema sintattico ignorandone uno strutturale: il controllo dei dati e la replicabilità dei processi. Chi vuole un “umanizzatore” che rispetti i vincoli di privacy ha oggi due strade: aspettare che i modelli on‑premise colmino il divario qualitativo con Claude, oppure investire nella messa a punto di pipeline locali con LLM open source capaci di riscritture stilistiche, magari affinate sui propri testi, senza mai far uscire i dati dal perimetro aziendale. Su AI‑RADAR sono disponibili framework analitici per valutare questi trade‑off, senza scorciatoie. Resta una domanda scomoda: ha senso affannarsi a rendere “umana” la prosa delle macchine mentre la qualità della ricerca rischia di diventare un rumore di fondo?