Chi legge con una certa frequenza testi prodotti da sistemi di intelligenza artificiale generativa impara presto a riconoscerne alcune marche stilistiche ricorrenti, che non sono casuali ma emergono dai meccanismi stessi di addestramento e di selezione dei modelli. La più discussa è probabilmente l’abbondanza di strategie di tipo show don’t tell (mutuata, non a caso, dai manuali di scrittura creativa anglofoni che costituiscono una porzione rilevante dei dataset di addestramento), per cui l’AI tende a esplicitare scene, emozioni e concetti attraverso dettagli concreti e scenari illustrativi piuttosto che mediante enunciazioni dirette, producendo una prosa superficialmente vivace ma spesso prevedibile nella sua stessa varietà.
Per comprendere più a fondo questa tendenza, è utile ricorrere alla distinzione classica tra mimesi e diegesi, tra il mostrare e il raccontare, tra la rappresentazione che mette in scena e la narrazione che riferisce e mantiene una propria distanza. Platone e Aristotele la usavano per distinguere il poeta che cede la voce ai personaggi da quello che conserva la propria; la narratologia novecentesca, da Genette in poi, l’ha affinata fino a farne uno strumento di analisi del punto di vista e della distanza narrativa. Applicata ai testi generativi, questa coppia concettuale rivela qualcosa di rilevante: i modelli linguistici tendono strutturalmente verso la mimesi non per una scelta estetica consapevole, ma perché i testi mimetici, più coinvolgenti e immediatamente valutabili come «efficaci», vengono premiati sistematicamente nei processi di feedback umano. La diegesi, il racconto che mantiene astrazione e distanza, che si fida del lettore abbastanza da non illustrare tutto, che lascia zone d’ombra deliberate, risulta invece più rischiosa sul piano della valutazione: può sembrare arida, schematica, insufficiente. Il risultato è una prosa che simula la presenza senza averla davvero, che mostra costantemente ma che non ha nulla da nascondere, nessuna reticenza, nessuna tensione tra ciò che dice e ciò che tace. È qui che si coglie forse il limite più profondo della scrittura AI rispetto alla grande tradizione letteraria e saggistica: non nell’assenza di correttezza formale, ma nell’assenza di quella distanza calcolata che nei testi autentici, da Tacito a Calvino, da Montaigne a Woolf, è già essa stessa significato. Un testo che mostra sempre tutto non ha reticenze; e un testo senza reticenze non ha, in senso proprio, un’intenzione, quella tensione tra il detto e il non detto che è il luogo in cui il lettore viene convocato a pensare.
A questa tendenza mimetica si affiancano altre ricorrenze strutturali che concorrono a definire quello che si potrebbe chiamare uno stile medio dell’AI: la progressione argomentativa a forcella che apre con un riconoscimento della complessità («È vero che… tuttavia…»), la tendenza all’elenco triadico, l’uso sistematico di connettivi metadiscorsivi come «in primo luogo», «vale la pena sottolineare», «in conclusione», la chiusura con un paragrafo che apre a ulteriori riflessioni senza mai risolverle davvero. Si riconosce poi una certa predilezione per l’aggettivazione intensificante ma neutra sul piano affettivo («fondamentale», «cruciale», «prezioso», «significativo»), e una sintassi tendenzialmente paratattica nella microstruttura e ipotattica nella macrostruttura, che produce testi dall’apparenza equilibrata ma dall’andamento uniforme.
[Premessa ipotattica macrostrutturale – CONCESSIVA]Sebbene la città sembrasse ormai rassegnata al silenzio,
[Corpo centrale – MICROSTRUTTURA PARATATTICA]il vento continuava a soffiare tra i vicoli. Le serrande sbattevano. Qualche foglia secca rotolava sull’asfalto. Un cane abbaiava in lontananza. Nessuno apriva le finestre. Tutti aspettavano la fine della tempesta.
[Chiusura ipotattica macrostrutturale – CAUSALE/CONSECUTIVA]ragion per cui l’intera vallata rimase immobile fino all’alba.
Queste scelte non sono esteticamente neutrali: derivano dal fatto che i modelli vengono ottimizzati attraverso processi di reinforcement learning from human feedback (RLHF) nei quali valutatori umani premiano testi percepiti come chiari, autorevoli, leggibili e privi di attriti, criteri che favoriscono strutturalmente un registro medio-alto, accademicamente plausibile, culturalmente centrista rispetto ai canoni della scrittura saggistica occidentale contemporanea, tendenzialmente anglofona.
Per inquadrare teoricamente questo stile medio, senza ricorrere a categorie tecniche estranee alla formazione umanistica, vengono in soccorso due nozioni. La prima è la langue saussuriana: il sistema astratto, sovraindividuale e condiviso che precede e rende possibile ogni atto di parola individuale, la parole. Saussure descriveva la langue come un deposito collettivo, un insieme di convenzioni interiorizzate che il parlante non sceglie ma eredita, e rispetto alle quali la sua libertà espressiva si esercita sempre entro margini già definiti. I modelli linguistici di grandi dimensioni possono essere letti, con qualche cautela, come la realizzazione tecnica di questa intuizione portata alle sue conseguenze estreme: sono sistemi addestrati su quantità enormi di testo per estrarne le regolarità statistiche più profonde, costruendo una sorta di langue computazionale che non appartiene a nessun parlante ma che riassume, in forma probabilistica, le abitudini espressive di milioni di testi. La parole che ne risulta non è mai di nessuno in particolare, ed è precisamente per questo che appare fluente e insieme anonima: è la media di innumerevoli voci, non la voce di alcuno. Ciò che nella teoria saussuriana restava una distinzione analitica diventa qui un fenomeno osservabile: la langue dell’AI è letteralmente più reale della sua parole, nel senso che ogni testo prodotto è la manifestazione di un sistema che ha già deciso, prima ancora che la domanda venga posta, quali percorsi espressivi siano più probabili, e quindi più «giusti».
Questa tendenza verso uno stile medio non deriva da un’intenzione del modello, ma dal suo stesso principio di funzionamento: prevedere, tra molte possibilità linguistiche, quelle statisticamente più probabili. La convergenza verso formulazioni ricorrenti è quindi una proprietà emergente del modello, non un obiettivo esplicito.
La seconda nozione è la doxa barthesiana, che offre una prospettiva complementare e per certi versi più critica. In Barthes, la doxa non è semplicemente l’opinione comune o il senso condiviso: è il regime del già-detto, del pensiero che si presenta come naturale e ovvio proprio perché è stato talmente ripetuto da non apparire più come una scelta. La doxa non impone, persuade: offre formule che sembrano descrivere la realtà quando in realtà la costruiscono, e lo fa con tanta efficacia perché chi le usa non avverte alcuna resistenza, alcuna frizione tra il proprio pensiero e le parole disponibili. Barthes vedeva nella letteratura, e in particolare nello stile come atto individuale e irriducibile, una delle poche possibilità di resistenza alla doxa: lo scrittore autentico è colui che sente il peso delle parole ereditate e le piega, le incrina, le rende straniere a se stesse. Ebbene, i testi delle AI sono strutturalmente dossici non perché contengono necessariamente affermazioni false o banali, ma perché il loro meccanismo di produzione seleziona sistematicamente ciò che è già stato detto nel modo in cui è già stato detto, attribuendogli la massima probabilità e quindi, implicitamente, la massima plausibilità. Il processo di reinforcement learning from human feedback aggrava questa tendenza: i valutatori umani premiano ciò che riconoscono come corretto, chiaro, equilibrato, e questi criteri coincidono quasi sempre con le formulazioni più consolidate, più centrali, più prive di attrito rispetto al senso comune colto di un determinato momento storico. La doxa dell’AI è dunque una doxa al quadrato: non solo il già-detto, ma il già-detto selezionato e amplificato da un meccanismo che premia la riconoscibilità.
La convergenza di queste due prospettive permette di precisare la natura delle scelte stilistiche ricorrenti descritte in precedenza: esse non sono semplicemente il risultato di un addestramento su testi anglofoni o di una preferenza per la chiarezza, ma l’espressione di un sistema che tende strutturalmente a riprodurre ciò che è già stato detto, nel modo in cui è già stato detto, premiando la prevedibilità sotto le spoglie della correttezza. Questo ha conseguenze dirette sul piano dei contenuti, oltre che della forma: i dataset su cui i modelli sono addestrati non rappresentano equamente tutte le tradizioni intellettuali, tutte le lingue, tutte le prospettive culturali, e i meccanismi di feedback tendono a rinforzare ciò che è già maggioritario e consensuale.
Questa tendenza non è inevitabile: modelli guidati da istruzioni precise, esempi stilistici o vincoli autoriali possono produrre risultati molto diversi. Il problema emerge soprattutto quando l’AI viene utilizzata come scorciatoia espressiva, lasciando che sia il modello a scegliere spontaneamente il registro linguistico.
Il rischio che tutto ciò pone per la didattica non si esaurisce nella questione del plagio o dell’autenticità del testo consegnato dallo studente: è un rischio di ordine più profondo e sistemico. Se la langue saussuriana descrive il carattere sovraindividuale dello stile medio dell’AI, e la doxa barthesiana ne illumina la dimensione ideologica, insieme esse dicono che non si tratta solo di un impoverimento estetico, di una scrittura meno interessante o meno varia, ma di un restringimento dello spazio in cui il pensiero può progressivamente muoversi. Le parole che mancano non sono semplici ornamenti: possono diventare possibilità cognitive perdute, riducendo gli strumenti con cui distinguiamo, descriviamo e interpretiamo il mondo. Una lingua che perde certi giri sintattici, certi registri e certe deviazioni dalla norma rende più difficile articolare alcune distinzioni e nominare esperienze che la doxa non ha ancora assimilato. Se generazioni di giovani lettori si abituano a incontrare prevalentemente testi generati secondo queste convenzioni stilistiche, si espongono a un processo di normalizzazione del gusto linguistico che può comprimere la percezione della varietà espressiva autentica, quella che distingue Leopardi da Gadda, Woolf da Hemingway, un saggio argomentativo da un’invettiva o da una confessione.
Il rischio, in ultima analisi, è quello di una possibile omologazione non solo della forma ma anche di alcune modalità ricorrenti del pensiero: se lo strumento che usiamo per informarci, per argomentare e per scrivere tende strutturalmente verso certi tipi di risposta, certi inquadramenti del problema, certe gerarchie implicite di rilevanza, allora la sua adozione acritica può contribuire, lentamente e impercettibilmente, a restringere lo spazio cognitivo entro cui studenti e insegnanti si muovono. Questa è forse la questione più urgente che l’AI pone alla scuola: non come difendersi dalla tecnologia, ma come continuare a coltivare, nei propri studenti, la capacità di avvertire la frizione tra il pensiero e le parole ereditate, e di non cedere alla tentazione di scegliere sempre la formula che scorre più liscia. La competenza che la scuola è chiamata a sviluppare non è dunque solo la capacità di riconoscere un testo AI da uno umano, ma qualcosa di più ambizioso: maturare la consapevolezza che ogni testo, umano o artificiale, incorpora una particolare visione del mondo. Leggere criticamente significa interrogarsi su chi parla, da dove parla, quali esperienze e quali categorie culturali rendono possibile quel discorso e quali idee presenta come naturali, inevitabili o semplicemente ovvie.