Non bastavano le lineette em-dash usate a sproposito o altri tic stilistici. La narrativa generata dall'IA si smaschera da sola perché, a un livello strutturale, è semplicemente brutta e banale. È questa la conclusione di uno studio ancora in preprint firmato da ricercatori dell'Università del Maryland, College Park, e di Google DeepMind, che hanno passato al setaccio oltre 50.000 racconti brevi prodotti da modelli linguistici. Il verdetto: le storie sintetiche spiegano troppo i temi, moralizzano in modo goffo e si muovono su binari narrativi monocordi, mentre la narrativa umana abbraccia ambiguità morali, salti temporali e una varietà di archi narrativi ben più ampia.

Il cuore del problema non sta nel singolo passaggio infelice, ma in una povertà strutturale che gli autori della ricerca definiscono come “regione condivisa dello spazio narrativo”. Le storie umane si distribuiscono in modo eterogeneo; quelle dell'IA si ammassano in un grumo indistinto di prevedibilità. Claude, per esempio, produce una progressione degli eventi insolitamente piatta. GPT sovra-rappresenta le sequenze oniriche. Gemini si rifugia nella descrizione esterna dei personaggi. Sono schemi che vanno oltre l'imitazione stilistica: sono la firma di un modo di “ragionare” la narrazione che non capisce cosa renda avvincente una trama.

Per chi lavora con i Large Language Models in ambito aziendale, e in particolare per chi valuta deployment on-premise per mantenere il controllo su dati e output, questi risultati segnalano qualcosa di più di un limite creativo. La questione diventa: quanto è affidabile un modello che non sa costruire una storia complessa, quando lo stesso modello viene impiegato per generare report, analisi finanziarie o documentazione tecnica dove la struttura argomentativa e la capacità di gestire sfumature sono tutto?

La deriva moralizzante, in particolare, è una spia di quanto l'allineamento tramite fine-tuning possa appiattire l'output su binari “politically correct” ma narrativamente inerti. In un contesto self-hosted, questa caratteristica non è scolpita nella pietra: con accesso diretto ai pesi del modello e la possibilità di intervenire a livello di quantization o di affinamento su dati proprietari, le organizzazioni possono correggere le derive più ingenue. Ma lo studio suggerisce che il problema è più profondo di un bias addestrativo: è una limitazione architetturale nel modo in cui i transformer concatenano eventi e stabiliscono relazioni causali. Non si tratta di aggiungere qualche esempio di trama complessa nel dataset: serve ripensare come questi sistemi modellano la coerenza a lungo termine.

C'è poi una questione di costi nascosti. Se l'output di un LLM è così facilmente riconoscibile come artificiale per via della sua struttura piatta, chi lo utilizza per generare contenuti su larga scala rischia di dover investire molto più tempo in revisione umana, erodendo i guadagni di produttività attesi. È un aspetto che entra direttamente nelle logiche di Total Cost of Ownership: in uno scenario on-premise, dove il costo computazionale per token generato è più prevedibile e non si paga un markup per API, la vera variabile è la qualità dell'output. Se quella qualità richiede un editing massiccio, il ritorno sull'investimento hardware si ridimensiona.

Lo studio non riguarda solo la fiction. Applicazioni come la generazione di scenari simulativi per l'addestramento professionale, la produzione di dialoghi per assistenti virtuali o la creazione di trame per videogiochi si scontrano con gli stessi limiti: trame a binario unico, assenza di reali colpi di scena, moralismi che spezzano l'immersione. Per le organizzazioni che gestiscono questi workload localmente, la sfida si sposta dalla pura capacità di inference alla costruzione di pipeline che integrino modelli di valutazione della coerenza narrativa, magari con un tocco di benchmark specifici sulla struttura del testo.

Lo studio, insomma, ci ricorda che la fluency non è comprensione. E che, finché i modelli linguistici continueranno a produrre fiction così meccanica, il confine tra testo umano e sintetico resterà netto. Non per lo stile, ma per l'architettura stessa del racconto. Per chi architetta stack locali e punta sulla sovranità dei dati, questo significa che il vero investimento non è nella potenza bruta di calcolo, ma nella capacità di customizzare, valutare e, quando serve, tenere il controllo umano ben saldo sulla penna.