Quando chiediamo a un’intelligenza artificiale di scrivere come noi, partiamo quasi sempre dal tono di voce. Le diciamo che siamo diretti, ironici ma non troppo, che preferiamo frasi semplici, che certi termini non li usiamo mai, che ci piacciono gli esempi concreti. Magari le passiamo anche qualche formula ricorrente.

Il risultato, nelle prime righe, ci somiglia. Poi succede una cosa strana: riconosciamo le parole, il ritmo, perfino qualche espressione nostra, ma non riconosciamo il modo in cui avremmo costruito quel testo. Da dove saremmo partiti, cosa avremmo lasciato implicito, dove ci saremmo fermati.

È vestito come noi. Non ragiona come noi.

E forse è da qui che va ripensato il concetto stesso di Tone of Voice.

La differenza sta prima delle parole

Ad aprile 2026 un gruppo di ricercatori (Russell, Rajendhran, Pham, Iyyer, Wieting) ha pubblicato uno studio che si chiama StoryScope. Analizza narrativa umana e narrativa generata da cinque modelli, Claude, DeepSeek, Gemini, GPT e Kimi, ma la domanda che si pone vale per qualsiasi testo: si può distinguere un racconto umano da uno artificiale senza guardare lo stile?

Il corpus è considerevole: 10.272 prompt, una storia umana per ciascuno e cinque versioni AI, per un totale di 61.608 storie di circa 5.000 parole. Da ogni storia sono state estratte 304 caratteristiche narrative: chi decide nella trama, come procede il tempo, quanto il narratore spiega, quante sottotrame esistono, come si risolve il conflitto. Niente lessico, niente sintassi, niente punteggiatura.

Con le sole caratteristiche narrative, il classificatore distingue umano e AI con un macro-F1 del 93,2%. Aggiungendo anche lo stile il risultato migliora appena: la versione senza stile conserva oltre il 97% della performance.

Va detto subito cosa questo non significa. Non abbiamo un rilevatore universale. Il risultato riguarda quel corpus, narrativa lunga, un sistema addestrato apposta. Ma significa una cosa che a chi lavora con le parole dovrebbe interessare parecchio: la firma sta soprattutto nelle decisioni prese prima che le parole arrivino.

L’AI costruisce troppo bene

Le tendenze che il paper individua sono nette.

Nel corpus, le storie AI esplicitano più spesso il proprio tema, usano il narratore per spiegarne il significato, trasformano il dialogo in discussione filosofica. Il commento tematico esplicito compare nel 77% dei testi AI contro il 52% di quelli umani. Le storie artificiali seguono più spesso una catena causale ordinata, con una risoluzione guidata dalle scelte del protagonista e poche deviazioni: il 79% viene classificato come privo di sottotrame, contro il 57% di quelle umane. Gli autori umani, in media, usano più discontinuità temporale, più ambivalenza morale, più riferimenti ad altre opere e un rapporto più diretto con il lettore.

C’è poi un dato che nella prima lettura si tende a saltare, ed è forse il più istruttivo. Ogni modello ha una firma propria. Claude tende a un’escalation degli eventi piatta, GPT abbonda di sequenze oniriche, Gemini descrive i personaggi dall’esterno. Il sistema riesce ad attribuire una storia al modello che l’ha scritta nel 68,4% dei casi, sempre senza guardare lo stile.

Quindi non è vero che l’AI non ha una voce. Ne ha una, riconoscibile, fatta di decisioni ricorrenti. Il problema è un altro: i cinque modelli occupano una regione ristretta dello spazio narrativo, mentre le storie umane si disperdono molto di più. Umani e modelli si distinguono meglio di quanto i modelli si distinguano tra loro.

Non vuol dire che scrivere in maniera lineare sia “da AI” o che una trama confusa sia automaticamente umana. Sarebbe un modo creativo di capire male la ricerca. Il punto è la frequenza delle scelte. Un essere umano non si riconosce perché inserisce un flashback: si riconosce perché, nell’insieme, combina le decisioni in modo meno prevedibile.

Il file di Tone of Voice funziona. Ed è questo il problema

Prendiamo un professionista che usa l’AI ogni giorno per articoli, post, presentazioni. Costruisce un buon file di Tone of Voice: tono diretto, frasi brevi alternate a lunghe, niente atteggiamento professorale, ironia, esempi concreti.

Dopo qualche settimana i testi saranno coerenti. Troppo. L’ironia comparirà sempre. Gli esempi arriveranno sempre nello stesso punto. Le frasi brevi diventeranno una firma obbligatoria e ogni chiusura cercherà la frase ad effetto. Il profilo ha funzionato così bene da produrre una caricatura.

Perché uno stile umano non è una serie di interruttori accesi. È una distribuzione. A volte usiamo l’ironia, a volte no. A volte partiamo da un esempio, altre da un dato. Possiamo scrivere due articoli completamente diversi e restare riconoscibili in entrambi.

Per questo serve qualcosa che vada oltre il Tone of Voice. Io lo chiamo Writing Decision Profile.

Dal Tone of Voice al Writing Decision Profile

Un Writing Decision Profile non elenca le parole che usiamo. Descrive cosa facciamo quando dobbiamo scegliere.

Partiamo dal problema o dalla definizione? La teoria viene prima o dopo l’esempio? Se un esempio rende evidente la conclusione, la spieghiamo comunque o ci fidiamo del lettore? Una contraddizione la chiudiamo subito o la lasciamo aperta per qualche riga? Tra un caso reale e una metafora elegante, quale vince?

Sembra una differenza sottile. Non lo è.

Se dico a un modello “usa frasi brevi”, gli sto dando un’istruzione stilistica. Se gli dico “usa una frase breve quando serve a cambiare ritmo o a fissare un passaggio, e non farne un tic”, gli sto insegnando una decisione. Nel primo caso indico una forma. Nel secondo una logica. Ed è esattamente il livello a cui StoryScope guarda: non la superficie, la costruzione.

La grafia che resta sotto

C’è un documento apparentemente lontano che offre un’immagine utile. Il dossier tecnico su Viwoods AiPaper, un tablet a inchiostro elettronico, descrive un sistema in cui la scrittura a mano resta nella sua forma originale mentre sopra vengono costruiti indici, sommari, attività, trascrizioni. L’inchiostro non viene sostituito dalla sua conversione in testo per diventare navigabile: rimane il dato originale, e le elaborazioni sono livelli distinti.

Lo stesso principio vale per un’identità di scrittura. I testi originali dovrebbero restare il livello zero. Non dovremmo estrarne dieci regole, buttare via il resto e convincerci di aver catturato la persona. Sopra il corpus si possono costruire livelli: lessico, ritmo, strutture ricorrenti, rapporto con il lettore, grado di esplicitazione, modalità di chiusura. Ma bisogna poter tornare alla fonte.

Potremmo chiamarla modellazione non distruttiva dello stile.

Il paradosso: più lo descrivi, più rischi di ucciderlo

Un profilo molto preciso aumenta la fedeltà e, nello stesso movimento, riduce la varietà. StoryScope trova che le storie umane risultano più disperse e più rare nello spazio delle caratteristiche narrative. Ma le distribuzioni si sovrappongono ampiamente: anche l’AI produce storie strutturalmente rare, e non tutti i testi umani sono originali.

Questo va tenuto stretto. Non serve un nuovo prontuario del tipo “fai queste cose e sembrerai umano”. Sarebbe il modo più veloce per insegnare a tutte le AI a sembrare umane nello stesso modo, cioè per costruire un’altra firma collettiva, come quella che il paper ha appena misurato.

Il Writing Decision Profile deve contenere le eccezioni. Non soltanto “Frank usa l’ironia”, ma quando la usa e quando è meglio evitarla. Non soltanto “parte da casi concreti”, ma che può cambiare struttura quando il contenuto lo chiede. Non soltanto “chiude con una frase forte”, ma che una chiusura debole e autentica può valere più di una frase memorabile costruita a comando.

Lo stile è coerenza dentro la variazione.

Dove abita una voce

Il futuro dei sistemi di scrittura personale non sarà fatto di prompt migliori. Sarà fatto di corpus autentici, profili decisionali, esempi positivi e negativi, eccezioni, memoria delle correzioni. Non chiederemo più “scrivi come me”: daremo al sistema abbastanza informazioni per capire perché in una situazione avremmo scritto in un modo e in un’altra avremmo scelto diversamente.

Vale anche per i brand. Per anni abbiamo scritto manuali di identità con colori, font, lessico, valori e Tone of Voice. Con l’intelligenza artificiale servirà un livello in più. Non soltanto come parla questo brand, ma come decide cosa dire, cosa non dire e in quale ordine.

Le parole si imitano facilmente. Le decisioni molto meno.

Ed è lì che abita una voce.

---

Tre note sull’aggiornamento.

Ho verificato lo studio: i numeri di corpus (10.272 prompt, 61.608 storie da ~5.000 parole, 304 caratteristiche) e il 93,2% di macro-F1 sono confermati; ho aggiunto i cinque modelli per nome, il 68,4% di attribuzione a sei vie e le firme per modello (Claude, GPT, Gemini), perché rafforzano la tesi: anche le macchine hanno un profilo decisionale, ed è proprio quello che le tradisce. Le percentuali 77/52 e 79/57 le ho lasciate come nel tuo testo, non le ho ritrovate nell’abstract. Ho tolto “presentato a COLM 2026”: il paper è un preprint arXiv di aprile 2026 con formato COLM, ma l’accettazione non l’ho potuta confermare. arXivarxiv

Sul metodo: ho ridotto i paragrafi da una riga e le domande retoriche in serie (l’originale ne aveva sette di fila nella sezione WDP, qui restano ma dentro un solo blocco), ho eliminato due “non è X, è Y” ripetuti e ho fuso il paragrafo sul paradosso con il dato sulla convergenza dei modelli, che nell’originale erano separati e si indebolivano a vicenda.

Posso metterlo in un doc se vuoi lavorarci sopra.