AI detector: funzionano davvero? Come capire se un testo è scritto da ChatGPT

Il problema è che quella percentuale non significa quasi mai quello che sembra significare.

Gli AI detector non sono inutili e non sono infallibili: sono classificatori statistici. Osservano com'è fatto un testo e stimano quanto assomigli a ciò che hanno imparato a riconoscere come scrittura generata da un modello. È un segnale, a volte utile. Non è una firma e non è una prova — e sull'italiano si sa molto meno che sull'inglese, anche se qualcosa ora si sa.

Qui vediamo cosa misurano davvero questi strumenti, perché sbagliano in entrambe le direzioni, cosa vuol dire «99% di accuratezza» (spoiler: non quello che pensi), come stanno le cose per i testi italiani, e soprattutto come verificare un testo sul serio — perché un metodo c'è, e non passa da una percentuale.

Cos'è un AI detector

Un AI detector — o rilevatore di testi AI — è un sistema di classificazione. Riceve un testo e lo assegna a una categoria: probabilmente umano, probabilmente generato, oppure una via di mezzo espressa come percentuale o come evidenziazione di singoli passaggi.

La parola importante è classificazione. Il detector non consulta un archivio di tutto ciò che ChatGPT ha prodotto, non legge metadati nascosti, non trova una firma. Guarda com'è fatto il testo e lo confronta con schemi appresi durante l'addestramento su grandi quantità di testi umani e di testi generati.

Che cosa guarda, a seconda dell'architettura:

• quanto il testo è prevedibile, cioè quanto ogni parola è quella che ci si aspetterebbe dopo le precedenti;
• la distribuzione del lessico e la ricchezza del vocabolario;
• la regolarità sintattica e la variabilità nella lunghezza delle frasi;
• caratteristiche stilistiche a livello di frase e di documento;
• pattern appresi confrontando corpora umani e corpora generati da diversi modelli.

Storicamente si citano due concetti — perplexity (quanto un testo «sorprende» un modello linguistico) e burstiness (quanto varia il ritmo tra una frase e l'altra). Sono utili per farsi un'idea intuitiva, ma non descrivono come funzionano tutti i detector oggi: molti prodotti usano modelli proprietari più complessi e non dichiarano nel dettaglio cosa misurano. Prendere perplexity e burstiness come spiegazione universale è un errore diffuso nelle guide in circolazione.

AI detector e antiplagio non sono la stessa cosa

Vale la pena chiarirlo subito, perché la confusione è frequente e produce conclusioni sbagliate.

I due punteggi sono indipendenti, e Turnitin — che li offre entrambi — lo scrive esplicitamente nella propria documentazione: il punteggio di somiglianza e quello di scrittura AI sono due indicatori distinti.

Ne discendono quattro casi possibili, tutti reali:

• testo originale ma generato dall'AI: somiglianza bassa, segnale AI alto;
• testo umano ma vicino a fonti esistenti: somiglianza alta, segnale AI basso;
• testo umano e originale: entrambi bassi;
• testo generato e poi riscritto da una persona: la somiglianza resta bassa, mentre il segnale AI può ridursi ma non necessariamente sparire — e varia parecchio da uno strumento all'altro. È il caso più difficile di tutti.

Si può sapere con certezza se un testo è scritto da ChatGPT?

No. E vale la pena dirlo senza attenuanti, perché è la domanda che porta la maggior parte delle persone su questa pagina.

Oggi non esiste un metodo che, partendo dal solo testo finale, permetta di stabilire con certezza che quel testo sia stato prodotto da ChatGPT o da un altro modello. Un detector produce una stima. Può dire «questo testo presenta caratteristiche compatibili con la generazione automatica, con questa confidenza». Non può risalire all'autore come se avesse trovato un timbro.

La ragione è strutturale, non è un difetto temporaneo dei prodotti in commercio. I modelli linguistici sono addestrati a produrre testo che assomigli a testo umano; più ci riescono, meno resta di distintivo da misurare. E dall'altra parte esistono persone che scrivono in modo regolare, ordinato, prevedibile — cioè in modo statisticamente simile a un modello.

Un precedente aiuta a capire quanto il problema sia difficile: nel gennaio 2023 OpenAI ha pubblicato un proprio classificatore per distinguere testo umano e testo AI, dichiarando fin dal lancio che non era pienamente affidabile — nelle sue valutazioni riconosceva correttamente il 26% dei testi AI e segnalava erroneamente come AI il 9% dei testi umani. Il 20 luglio 2023 lo ha ritirato, dichiarando esplicitamente che la causa era la bassa accuratezza.

Attenzione a come si usa questo dato: non dimostra che i detector del 2026 abbiano la stessa accuratezza di quel classificatore. Quel benchmark non misura le prestazioni degli strumenti attuali, costruiti su modelli e dataset diversi e valutabili solo su test contemporanei. È un precedente sulla difficoltà del problema, non una misura del presente.

Quanto sono affidabili gli AI detector

Qui bisogna smontare l'equivoco centrale, che è anche il motivo per cui tanta gente si fa male con questi strumenti.

Falsi positivi

Un falso positivo è un testo scritto da una persona che il detector classifica come AI.

È l'errore che conta di più, perché è quello che produce conseguenze su qualcuno: uno studente accusato, un candidato scartato, un collaboratore che perde un incarico, un autore che si vede rifiutare un testo suo. Un falso positivo non è un fastidio statistico: è un danno a una persona specifica, spesso senza possibilità di difendersi, perché è difficile dimostrare di aver scritto qualcosa.

Non è un rischio teorico. Uno studio peer-reviewed del 2026 pubblicato sull'International Journal for Educational Integrity (Hadra, Cambridge e Mesbah) ha valutato due strumenti diffusi su 192 testi umani, generati e ibridi, rilevando un'accuratezza complessiva intorno a 0,61 e 0,69 — molto lontana dalle percentuali dichiarate dai produttori. Entrambi gli strumenti hanno mostrato forti difficoltà sui testi ibridi, quelli scritti a quattro mani fra persona e modello; per uno dei due (Originality) il recall su questa categoria è risultato prossimo allo zero. Lo stesso studio ha rilevato differenze marcate per genere testuale: l'accuratezza sui testi scientifici risultava di 28–38 punti percentuali inferiore rispetto a quelli umanistici.

Falsi negativi

Un falso negativo è un testo generato dall'AI che il detector classifica come umano.

Conta meno sul piano del danno individuale, ma conta molto su quello della credibilità dello strumento: se un detector lascia passare una parte consistente dei testi generati, il fatto che «non abbia segnalato nulla» non è una garanzia di nulla.

I falsi negativi aumentano nettamente in tre casi: testo generato e poi rivisto da una persona; testo passato per strumenti di parafrasi o riscrittura; testo prodotto da un modello recente che il detector non ha visto in addestramento.

«99% di accuratezza» non significa quello che sembra

Questo è il punto più importante di tutto l'articolo, ed è quasi sempre assente dalle guide in circolazione.

Quando un produttore dichiara «99% di accuratezza», sta parlando di come si comporta il suo modello su un insieme di test. Non sta dicendo che, quando lo strumento segnala un testo, c'è il 99% di probabilità che quel testo sia davvero AI. Sono due numeri diversi, e la differenza dipende da una cosa che nessuno considera: quanti testi generati ci sono davvero nel gruppo che stai analizzando.

Un esempio con numeri semplici. Immagina un detector con 99% di recall (segnala 99 testi AI su 100) e 1% di falsi positivi (segnala erroneamente 1 testo umano su 100). Lo applichi a 1.000 testi, di cui 50 realmente generati (il 5%).

• Testi AI correttamente segnalati: 50 × 99% ≈ 50
• Testi umani erroneamente segnalati: 950 × 1% ≈ 10
• Totale segnalati: circa 60

Su 60 segnalazioni, 10 riguardano persone che hanno scritto il testo da sole. Una su sei. Con uno strumento che, sulla carta, sbaglia l'1% delle volte.

E se i testi generati fossero solo l'1% (10 su 1.000)? Le segnalazioni corrette sarebbero circa 10, quelle sbagliate circa 10: una segnalazione su due colpirebbe un innocente. Stesso strumento, stessa accuratezza dichiarata, risultato completamente diverso.

Non è un difetto dei detector: è come funziona la statistica quando si cerca una cosa rara. Ma è la ragione per cui una percentuale, da sola, non può reggere una decisione che riguarda una persona.

Che non sia un ragionamento teorico lo conferma il comportamento di Turnitin. Il suo report dichiara che i risultati sotto il 20% hanno un'incidenza maggiore di falsi positivi, e per questo motivo, quando la stima cade fra l'1% e il 19%, lo strumento non mostra una percentuale numerica né evidenzia i passaggi: al suo posto compare un asterisco. In altre parole, il produttore stesso preferisce non dare un numero piuttosto che darne uno che verrebbe letto come un verdetto.

Perché lingua e lunghezza contano

La lunghezza. Un testo molto breve offre meno materiale su cui misurare regolarità e variazione, e sotto una certa dimensione diversi strumenti semplicemente non producono un risultato: Turnitin, per generare un report, richiede almeno 300 parole di prosa qualificabile.

Attenzione però a non trasformarlo in una regola: l'effetto della lunghezza sulla precisione non è universale. È un requisito operativo del prodotto, non una legge. Lo studio del 2026 citato più avanti, per esempio, ha rilevato nel proprio dataset prestazioni migliori sui testi brevi (300–330 parole) rispetto a quelli medi e lunghi, e altri benchmark hanno trovato risultati diversi ancora con strumenti differenti. Dipende dallo strumento, dal dataset e dal tipo di testo.

La lingua. È il fattore più sottovalutato, e per un pubblico italiano è decisivo. Un modello calibrato sull'inglese applica a un'altra lingua norme statistiche che in quella lingua non valgono allo stesso modo. Ne parliamo tra poco in una sezione dedicata, perché è il punto dove quasi tutte le guide italiane prendono un abbaglio.

Cosa dicono gli studi indipendenti

Distinzione obbligatoria, e non è pedanteria: i numeri pubblicati da chi vende lo strumento e i numeri pubblicati da chi lo testa senza interessi non sono la stessa cosa.

Le percentuali che si leggono nelle comparative — «99,12%», «99,98%» — vengono quasi sempre dai produttori, misurate su insiemi di test scelti da loro. Vanno citate per quello che sono: claim del produttore.

L'evidenza indipendente racconta una storia più sfumata.

Il bias verso chi non scrive nella propria lingua madre. Lo studio di Liang e colleghi, pubblicato su Patterns (Cell Press) nel 2023, ha mostrato che diversi detector classificavano come AI una quota elevata di testi scritti da persone non madrelingua inglese. La spiegazione è coerente con il funzionamento degli strumenti: chi scrive in una lingua che non è la propria tende a usare un lessico meno vario e strutture più regolari — cioè proprio le caratteristiche che i detector associano alla generazione automatica.

Due precisazioni necessarie, perché questo studio viene citato malissimo quasi ovunque: i dati riguardano testi in inglese scritti da non madrelingua, e non possono essere trasferiti tali e quali ai testi italiani; e la conclusione corretta non è «i detector discriminano sempre i non madrelingua», ma «alcuni detector si sono dimostrati sensibili a caratteristiche stilistiche che non hanno nulla a che vedere con l'origine del testo». Il meccanismo è documentato; le percentuali sono legate a quel contesto.

I testi ibridi. Il lavoro Almost AI, Almost Human: The Challenge of Detecting AI-Polished Writing (Saha e Feizi), pubblicato nei Findings of the Association for Computational Linguistics: ACL 2025, affronta il caso più realistico: testi umani rifiniti dall'AI, o generati e poi ritoccati. Su circa 15.000 campioni e 12 detector, sui casi netti — testo puramente umano contro testo puramente generato — le accuratezze si collocano fra il 70% e l'88%, con falsi positivi fra l'1% e l'8%. Sui casi intermedi la situazione si complica sensibilmente, e la difficoltà dipende anche da quale modello ha fatto la rifinitura.

Il confronto sui falsi positivi. Un working paper del 2025 di ricercatori dell'Università di Chicago Booth (Jabarian e Imas) ha confrontato i detector commerciali sotto un vincolo severo di falsi positivi, indicando Pangram come lo strumento migliore su quella dimensione specifica. Anche qui i caveat contano: è un working paper, non uno studio peer-reviewed, e nel gennaio 2026 GPTZero ne ha contestato pubblicamente la metodologia sostenendo che i ricercatori avessero interrogato il campo sbagliato della propria API. La disputa riguarda le posizioni in classifica, non il quadro generale.

Il quadro generale, quello sì consolidato: i detector migliori se la cavano bene sui casi netti, peggiorano nettamente sui testi ibridi e parafrasati, e i numeri indipendenti risultano molto più variabili e, in diversi casi, sensibilmente inferiori ai claim dei produttori.

AI detector e testi in italiano

Questa sezione vale, per un lettore italiano, più di tutte le comparative messe insieme — e nel 2026 è cambiata rispetto a quello che si leggeva fino a poco fa.

Primo fatto: una ricerca specifica sull'italiano ora esiste. Nel maggio 2026 Scientific Reports ha pubblicato uno studio di Sciandra, Dal Cero, Cortelazzo e Tuzzi condotto su un corpus di 1.000 saggi in italiano: 500 scritti da studenti universitari italiani e 500 generati da ChatGPT a partire dagli stessi titoli. È il primo lavoro peer-reviewed di questa dimensione sulla nostra lingua, e dice tre cose interessanti.

Su testi puliti, alcuni modelli di classificazione hanno separato le due categorie con precisione molto alta: sull'italiano, come sull'inglese, differenze statistiche fra scrittura umana e generata esistono e sono misurabili. I testi generati, in quel corpus, avevano frasi mediamente più corte, più parole lunghe, meno avverbi e meno pronomi di quelli scritti dagli studenti.

Ma i ricercatori hanno anche provato a modificare i testi apposta, con interventi mirati. In una prova condotta su dieci testi generati, scelti fra quelli che il sistema aveva classificato con più sicurezza, il classificatore basato sulle caratteristiche linguistiche ne ha riclassificati cinque su dieci come umani dopo la fusione delle frasi in blocchi più lunghi. Altri approcci testati nello stesso studio — in particolare quelli basati su modelli linguistici — si sono comportati molto meglio sulla stessa prova. È un test piccolo e deliberatamente ostile, non una misura di quanto sia facile ingannare un detector in generale: quello che mostra è che la robustezza dipende moltissimo da come è costruito il classificatore.

C'è poi un dettaglio che vale più di tutti per chi legge questo articolo dopo essere stato accusato. Nei pochi errori osservati in quello studio, i testi umani sono stati scambiati per generati più spesso del contrario: nel dataset e nei modelli testati, insomma, i falsi positivi sono stati più frequenti dei falsi negativi. È un risultato limitato a quel corpus e a quei modelli, non una legge sull'italiano — ma va nella stessa direzione di quanto osservato in inglese.

Secondo fatto, e va detto chiaramente: questo studio non è una validazione dei detector commerciali. Testa modelli di ricerca costruiti dagli autori, su un solo modello generativo e su un solo tipo di testo (saggi universitari). Gli stessi autori lo dichiarano fra i limiti. Non dice quanto siano accurati GPTZero, Copyleaks o Turnitin sull'italiano: quel dato, per gli strumenti commerciali, continua a non esistere in forma indipendente e comparabile. Nello stesso anno la comunità di ricerca italiana ha avviato un compito condiviso dedicato al riconoscimento e alla segmentazione di testi generati in italiano (DeSegMa-IT, EVALITA 2026), segno che il tema si sta strutturando — ma siamo all'inizio.

Terzo fatto: non tutti gli strumenti elaborano l'italiano. È il caso più netto ed è documentato ufficialmente: il rilevamento di scrittura AI di Turnitin non supporta l'italiano. La documentazione corrente indica inglese, spagnolo e giapponese, con l'arabo aggiunto nell'agosto 2026. Per una lingua non supportata il report non viene generato affatto: l'indicatore resta vuoto o in stato di errore. Non è che funzioni peggio — non funziona.

Quarto fatto: le dichiarazioni dei produttori sulle lingue non concordano fra loro. Copyleaks dichiara oltre 30 lingue, italiano incluso. Per altri strumenti le liste pubblicate divergono a seconda della fonte, e nessuno pubblica una validazione indipendente sull'italiano. Tradotto: la lingua supportata va verificata sulla pagina ufficiale del prodotto nel momento in cui lo usi, e «supportata» significa «elaborata», non «elaborata con un'affidabilità misurata da qualcuno che non sia il venditore».

Conclusione pratica: sull'italiano oggi sappiamo che il problema è tecnicamente affrontabile, e abbiamo un primo indizio — limitato a un corpus e a modelli di ricerca — che anche qui l'errore più frequente sia scambiare un testo umano per generato. Non sappiamo quanto siano affidabili gli strumenti che puoi comprare. Il che, se devi decidere qualcosa su una persona, è esattamente l'informazione che manca.

Quali strumenti esistono nel 2026

Una tabella di orientamento. Non è una classifica: non esiste un benchmark indipendente e comparabile che permetta di dire quale sia «il migliore» in tutti i contesti, e i dati di accuratezza in circolazione vengono in larga parte dai produttori stessi. Nessun prezzo, perché cambiano.

Un'annotazione utile: gli strumenti cambiano modello e lingue supportate con frequenza. Una tabella come questa invecchia in fretta, e va riletta come fotografia, non come riferimento stabile.

Come capire se un testo è stato scritto con l'AI, senza fidarsi di una percentuale

Ecco la parte operativa. L'approccio corretto non è «incollalo in tre detector»: è raccogliere elementi indipendenti fra loro e decidere sull'insieme.

1. Usa un detector, se vuoi, ma solo come primo segnale. Serve a decidere dove guardare, non a concludere.
2. Leggi i passaggi evidenziati, non solo il numero complessivo. Gli strumenti che segnalano frase per frase dicono molto di più di quelli che restituiscono una percentuale secca.
3. Verifica fonti, citazioni, dati e date. Riferimenti che non esistono, cifre non verificabili, studi citati senza autore: sono problemi di qualità sempre, e a volte anche indizi.
4. Cerca l'esperienza concreta. Un testo che non contiene mai un dettaglio specifico, un esempio vissuto, un'obiezione, un caso limite, è un testo generico. Può essere generato o può essere semplicemente scritto male.
5. Confronta con scritti precedenti dello stesso autore, quando ne hai legittimamente accesso. Un cambio di registro netto dice più di qualunque percentuale.
6. Guarda la cronologia del documento, se disponibile e pertinente: versioni, tempi di stesura, revisioni. Un documento nato già finito è un'informazione.
7. Parla con l'autore. In ambito scolastico o professionale è uno dei passaggi più utili: chiedere di spiegare il ragionamento, le fonti, le scelte fatte e quelle scartate. Chi ha scritto un testo sa perché l'ha scritto così.
8. Decidi sull'insieme, mai su un singolo elemento.

Un avvertimento sul punto 1. Passare lo stesso testo in tre detector e ottenere tre risultati concordi non è una prova. Strumenti diversi possono condividere logiche simili, dataset simili e quindi gli stessi errori sistematici: uno stile che manda in confusione uno, spesso manda in confusione anche gli altri. La convergenza può rafforzare un sospetto. Non lo trasforma in certezza.

I «segnali di ChatGPT» servono davvero?

Circolano elenchi di parole e formule che «tradiscono» l'AI. Vanno presi per quello che sono: indizi deboli, mai prove.

Alcuni pattern possono legittimamente insospettire:

• struttura troppo regolare, paragrafi tutti della stessa lunghezza;
• transizioni standardizzate e formule ricorrenti;
• tono uniformemente neutro, che non prende mai posizione;
• assenza totale di esperienza concreta, esempi specifici, obiezioni;
• affermazioni bilanciate al punto da non dire nulla;
• citazioni o riferimenti che non risultano da nessuna parte.

Ma ognuno di questi segnali cade davanti a due controesempi banali: una persona può scrivere esattamente così — succede in ogni testo istituzionale, in ogni relazione scritta di fretta, in ogni contenuto redatto per non scontentare nessuno — e un modello ben istruito può non scrivere così affatto.

Per questo non troverai qui una lista di «parole da AI». Non esiste una parola, una punteggiatura o una costruzione che dimostri da sola l'origine di un testo. Le blacklist di questo tipo producono soprattutto sospetti verso chi scrive in modo formale.

Errori e citazioni inventate: cosa dimostrano davvero

Un caso a parte, perché genera confusione.

Verificare fonti, citazioni, date, coerenza dei numeri è sempre un'ottima idea: è il modo più diretto per capire se un testo è affidabile, chiunque l'abbia scritto. Ed è vero che i modelli linguistici possono produrre riferimenti plausibili ma inesistenti.

Però il passaggio logico si ferma qui. Trovare un errore o una citazione inventata non dimostra che il testo sia stato generato dall'AI. Anche le persone sbagliano una data, citano a memoria, copiano un riferimento senza controllarlo, gonfiano un numero.

Un errore è un problema di qualità. Come indizio di origine, vale poco.

ChatGPT può riconoscere un testo scritto da ChatGPT?

È una delle cose che la gente prova per prima: incollare il testo in ChatGPT e chiedere «l'hai scritto tu?».

Non funziona come metodo di verifica, e vale la pena capire perché — la ragione è più interessante della risposta.

Lo dice OpenAI stessa, nella propria documentazione di supporto: ChatGPT non è in grado di stabilire in modo affidabile se abbia scritto un determinato testo, e le risposte a domande come «l'hai scritto tu?» non hanno una base fattuale.

Il motivo è che quella domanda chiede una cosa che il sistema non è fatto per fare. A seconda delle impostazioni, un assistente può avere accesso a memoria e cronologia delle conversazioni: ma conservare delle conversazioni non è la stessa cosa che tenere un registro di provenienza capace di autenticare un testo qualsiasi, arrivato da fuori, magari riscritto, magari prodotto da un altro modello. Se gli chiedi se ha scritto qualcosa, sta generando una risposta plausibile alla tua domanda. Può dire di sì, può dire di no, può cambiare idea se riformuli. Nessuna di queste risposte è un'informazione sull'origine del testo.

Nemmeno chi produce i modelli ha risolto il problema per sé: OpenAI ha ritirato il proprio classificatore nel 2023 e, nel comunicarlo, ha dichiarato di stare lavorando su tecniche di provenienza più efficaci per il testo.

Watermark e provenienza: la strada alternativa

Esiste un filone diverso dalla classificazione statistica. Invece di indovinare l'origine osservando il testo, l'idea è registrarla nel momento in cui il testo viene prodotto: watermark statistici inseriti durante la generazione, metadati, sistemi di attestazione della provenienza.

È una strada potenzialmente più solida della classificazione, perché il segnale viene inserito o associato al contenuto nel momento in cui nasce, invece di essere indovinato dopo. Ma i tre meccanismi non sono equivalenti: un watermark statistico resta un segnale da rilevare con un test probabilistico, mentre metadati firmati e sistemi di attestazione possono certificare la provenienza — però solo all'interno del sistema che li emette.

E i limiti pratici sono evidenti. Funziona solo se chi ha generato il testo applica quel meccanismo; il contenuto deve arrivare senza essere stato riscritto, tradotto o ricopiato a mano; e serve uno standard condiviso fra produttori diversi. Va aggiunto che, allo stato attuale, questi segnali di provenienza sono implementati soprattutto per immagini e audio: l'estensione al testo resta un obiettivo dichiarato, non una funzione disponibile.

Ad oggi non esiste un sistema di watermarking del testo universale e ampiamente adottato che permetta a chiunque di verificare se un qualsiasi testo provenga da un modello. Chi te lo racconta come già disponibile sta descrivendo una ricerca in corso, non uno strumento che puoi usare oggi.

Come usare correttamente un AI detector

Riassumendo in poche regole, per chi deve decidere una policy.

Si può fare:

• usarlo come filtro iniziale su grandi volumi, per decidere cosa leggere con più attenzione;
• usarlo come elemento fra altri, insieme a verifica delle fonti, cronologia e confronto diretto;
• usarlo per avviare una conversazione, non per chiuderla;
• dichiarare in anticipo che verrà usato, e come.

Non si può fare:

• prendere provvedimenti verso una persona sulla base del solo punteggio — è la raccomandazione che gli stessi produttori mettono per iscritto;
• trattare una percentuale alta come una confessione;
• trattare una percentuale bassa come un'assoluzione;
• applicare a testi italiani soglie tarate su benchmark inglesi;
• usarlo su testi brevi e trarne conclusioni.

E una regola che vale più di tutte le altre: se la conseguenza di un errore ricade su una persona, il livello di prova richiesto deve essere più alto di quello che un classificatore statistico può fornire.

In conclusione

La domanda «si può capire se un testo è scritto da ChatGPT?» ha una risposta scomoda ma precisa: si possono raccogliere indizi, non certezze. Un detector produce un numero; quel numero è un'informazione, non un verdetto, e il suo significato cambia a seconda di quanti testi generati ci sono davvero nel gruppo che stai esaminando, della lingua, della lunghezza e di quanto quel testo è stato toccato da una persona.

Il che, a pensarci, sposta la domanda giusta. Nella maggior parte dei contesti reali — un contenuto commissionato, una relazione, un articolo — il problema non è chi ha battuto i tasti. È se il testo dice qualcosa di vero, di verificabile e di utile. Quello si può controllare davvero: fonti, dati, esempi, coerenza. E funziona indipendentemente da chi l'ha scritto.

Se ti interessa il lato opposto della questione — usare questi strumenti bene, invece di provare a smascherarli — ne abbiamo parlato in come usare ChatGPT nella tua azienda e nella panoramica sugli strumenti di intelligenza artificiale per aziende.

Continua la lettura

Mondo AI

Allucinazioni AI: perché ChatGPT inventa risposte e come riconoscerle

Mondo AI

Deepfake: come riconoscere foto e video creati con AI

Mondo AI

Come usare ChatGPT nella tua azienda: 15 esempi pratici