Che cosa succede se chiediamo a un LLM di scrivere una poesia infinita? Non è una domanda da laboratorio astratto: due esperimenti hanno messo i modelli linguistici davanti a una struttura a distici anaforici, nella quale cambiano soltanto le parole finali dei versi. La forma della litania è un banco di prova rivelatore, perché elimina quasi tutte le variabili e concentra l’attenzione sulla relazione tra i termini accoppiati.

Il primo esperimento procede con prompting manuale e co-creazione. Un autore umano guida il modello per estendere la poesia originale, e il risultato diventa un’installazione web animata e un’opera interattiva. In questo caso la qualità non nasce dalla capacità autonoma dell’LLM, ma dal controllo stretto esercitato dal curatore. Il secondo esperimento punta invece all’automazione: un pipeline che combina un LLM con la similarità semantica raggiunge in modo affidabile il benchmark di 1000, con una capacità superiore di produrre output quantitativamente e semanticamente coerenti.

Qui sta il passaggio tecnico più interessante. Usare la similarità semantica accanto alla generazione sposta una parte del giudizio poetico fuori dal modello autoregressivo. Invece di pretendere che ogni coppia di parole finali nasca già con il giusto rapporto, il sistema può confrontare rappresentazioni di significato e selezionare i candidati che si avvicinano a una relazione voluta. Questo non rende il modello più creativo, ma riduce il carico sulla generazione pura e trasforma il problema da 'scrivi una poesia' a 'progetta una pipeline che filtra le poesie'.

I risultati lo dicono con chiarezza: gli LLM generano accoppiamenti interessanti, ma restano sotto il livello umano nella creatività e nella comprensione delle relazioni poetiche. La quantità non chiude il divario qualitativo. Il limite non sta nella capacità di produrre molte righe, ma nel riconoscere perché due parole finali creano tensione, assonanza o slittamento di senso. La generazione a livello di parola rimane il punto debole, proprio perché il vincolo è semantico e relazionale, non statistico.

Per chi osserva questa ricerca con lenti da deployment locale, il segnale è strutturale. Una pipeline che separa generazione e valutazione semantica può essere distribuita su componenti diverse, con requisiti di memoria e calcolo differenti: il generatore può restare relativamente contenuto, mentre il confronto tra vettori semantici può girare su un servizio dedicato o su hardware più modesto. In un contesto self-hosted, questo approccio a moduli riduce la pressione sulla VRAM e rende più gestibile il TCO, perché non serve un unico modello enorme per l’intero flusso. Non è una promessa di creatività automatica, ma un modo per trattare la poesia come un carico di lavoro componibile.

C’è anche una questione di controllo. La versione manuale e co-creativa ricorda che il valore non è nel testo grezzo, ma nel processo: chi progetta l’installazione interattiva decide vincoli, relazioni e soglie di accettazione. La versione automatica, invece, affida queste scelte a una misura di prossimità. Il risultato è che l’autorialità si sposta dal singolo verso alla progettazione della pipeline e alla cura del dataset di riferimento. Non è una perdita di poesia, ma una sua riconfigurazione.

La conclusione della ricerca è sobria: la poesia risponderà e si rigenererà incorporando i flussi di lavoro degli LLM. Ma la resurrezione non è nella capacità di generare infinite variazioni. È nella possibilità di esplorare relazioni tra parole a una scala che un umano non potrebbe mantenere manualmente, a patto di accettare che il giudizio estetico resti ancora, almeno in parte, umano.