Perché la voce degli LLM è riconoscibile e come correggerla

Passa dieci minuti a leggere post di blog scritti dalla fine del 2023 e lo sentirai: una sensazione crescente che tutto sia stato scritto dallo stesso stagista un po' troppo zelante. Questa è la voce degli LLM, il registro distintivo e riconoscibile al primo colpo che i large language model adottano per impostazione quando devono scrivere prosa. Non è un bug di un singolo modello. È un artefatto strutturale di come questi sistemi vengono addestrati, e se pubblichi testo generato dall'IA, ti costa attenzione, fiducia e engagement, che tu te ne accorga o no.

La cosa strana è che nessuno riesce a definirla del tutto. Chiedi a un lettore perché un paragrafo sembra scritto da una macchina e ti indicherà i trattini lunghi, la parola «delve», o una levigatezza vagamente aziendale. Ma i rilevatori basati su caratteristiche superficiali sbagliano di continuo, e molti scrittori umani usano triadi e cautele. Sotto c'è qualcosa di più profondo, e capirlo conta se stai costruendo prodotti che generano testo, o anche solo cercando di scrivere prompt che non producano fanghiglia.

Come suona davvero la voce degli LLM

I segnali più famosi riguardano il vocabolario: «delve», «landscape», «tapestry», «testament», «furthermore». Ma fissarsi sulle singole parole fa perdere il segnale vero. Ho esaminato migliaia di righe di testo generato mentre costruivo strumenti di scrittura, e gli schemi che lo tradiscono davvero operano a livello di frase e di paragrafo:

• Ossessione per la regola del tre. «È veloce, affidabile e scalabile.» «Chiaro, conciso e convincente.» Gli LLM ricorrono alle triadi di continuo, perché nei dati di addestramento si associano alla «buona scrittura». Gli umani le usano ogni tanto. I modelli le usano una frase ogni tre.
• Struttura simmetrica dei paragrafi. Frase di apertura, tre punti di supporto, una frase conclusiva che ripete il tema. Sempre, in ogni paragrafo. Chi scrive davvero varia moltissimo: alcuni paragrafi sono lunghi una sola parola.
• Falsa cautela. «Bisogna tenere presente che...» «È importante considerare...» Il modello riconosce la complessità senza mai prendere posizione. È l'equivalente in prosa di un'alzata di spalle.
• Parallelismo negativo. «Non si tratta solo di X, ma di Y.» «Questo non riguarda la velocità, ma la fiducia.» Una volta notata questa costruzione, la vedrai ovunque, perché i modelli la usano senza sosta per creare enfasi artificiale.
• Deriva riassuntiva. Il testo degli LLM ti ripete continuamente ciò che ti ha appena detto. «In altre parole...» «In definitiva, il punto chiave è...» Chi scrive da umano si fida che tu stia prestando attenzione.
• Piattezza emotiva. Nessuna irritazione, nessuna gioia, nessuna confusione che resti irrisolta. Il tono è uniformemente professionale e gradevole, come una chat di assistenza clienti.

Il filo conduttore: la voce degli LLM è ciò che ottieni quando ogni scelta locale è «la scelta statisticamente più sicura». È prosa senza alcun rischio. E i lettori, anche quelli che non saprebbero indicare un singolo segnale, percepiscono quella mancanza di rischio come una sorta di piattezza.

Perché l'RLHF incorpora questi segnali

Non è un caso. La voce è una conseguenza prevedibile della pipeline di addestramento, e vale la pena capire il meccanismo se vuoi contrastarla.

I modelli base addestrati su testo grezzo di internet sono stilisticamente caotici: imitano volentieri un post delirante su un forum o un denso articolo accademico. La voce che riconosciamo arriva dalla seconda fase: apprendimento per rinforzo con feedback umano. I valutatori umani, che esaminano migliaia di risposte sotto pressione di tempo, premiano costantemente le risposte che sono:

• Educate e non impegnative (nessun valutatore ha mai penalizzato una cautela)
• Strutturate (elenchi puntati e titoli facilitano la valutazione)
• Complete (una risposta che copre tutti gli aspetti sembra più utile di una con un'opinione netta)
• Grammaticalmente impeccabili (i refusi vengono penalizzati; le stranezze ancora di più)

Se sommi queste preferenze su milioni di confronti, ottieni un segnale di ricompensa che punta dritto al centro statistico di «professionale, utile, inoffensivo». Ogni modello addestrato così (GPT, Claude, Gemini, Llama) converge verso lo stesso attrattore. Laboratori diversi, dati diversi, stessa voce. È la prova che il responsabile è il metodo, non il modello.

C'è poi un secondo meccanismo, più sottile. Man mano che il testo generato dall'IA invade internet, finisce nei dati di addestramento della generazione successiva di modelli. La voce inizia a nutrirsi di sé stessa. I ricercatori l'hanno documentato nella traduzione automatica e nei modelli di immagini; la prosa non fa eccezione. Il risultato è una regressione stilistica verso la media che si accumula a ogni ciclo di addestramento. Significa anche che i segnali sono contagiosi per gli umani: abbiamo già visto «delve» e «genuinely» insinuarsi nella scrittura umana, man mano che le persone assorbono l'output degli LLM, il che rende la rilevazione ancora più difficile.

La voce degli LLM non è uno stile scelto dal modello. È il centroide di tutto ciò che i valutatori umani sono stati addestrati a premiare, e suona esattamente così.

Perché ti costa lettori davvero

C'è un motivo pratico per preoccuparsene, che va oltre l'estetica. Quando leggiamo, modelliamo continuamente la mente dall'altra parte del testo: le sue intenzioni, la sua sicurezza, se valga la pena ascoltarla. La voce degli LLM spezza questa simulazione. Le frasi sono grammaticalmente corrette, ma la persona dietro non c'è. I lettori lo vivono come un disagio di fondo, poi noia, poi il tasto indietro.

L'ho visto accadere negli strumenti di assistenza. I team inoltrano l'output grezzo del modello nelle risposte ai clienti e scoprono che l'abbandono dei ticket aumenta, anche se i tempi di risposta sono scesi a pochi secondi. I clienti non pensano consapevolmente «questo l'ha scritto un LLM». Pensano «questo non porta da nessuna parte» e smettono di leggere. La bassa densità informativa, con tutte quelle cautele e riassunti, significa che la risposta vera si trova nella frase nove di una risposta di dodici frasi.

C'è anche un'esternalità sulla fiducia. Una volta che un lettore incappa in un articolo con la voce di un LLM sul tuo sito, inizia a sospettare di tutti. Gli strumenti che dichiarano di individuare testi IA sono inaffidabili (ho visto segnalare impronte stilistiche genuinamente ambigue), ma questo conta poco, perché la reazione istintiva del lettore scatta molto prima che usi uno strumento. La percezione di contenuti IA avvelena il pozzo anche per i tuoi contenuti scritti da persone.

Tecniche di prompting che fanno davvero la differenza

Non puoi uscire del tutto dall'attrattore dell'RLHF con i prompt, ma puoi arrivare piuttosto lontano. L'errore più comune è chiedere una scrittura «naturale» o «umana»: il concetto di naturale del modello è la voce degli LLM. Invece, attacca i meccanismi specifici:

You are drafting a product update email.
Hard constraints:
- Never use triads or lists of three adjectives.
- Never start a sentence with "It's" or "This".
- No hedging phrases ("bear in mind", "it's important").
- Vary sentence length: at least two sentences under 6 words.
- Take a position. If something is a trade-off, say which side you'd pick.
- Do not summarize or conclude. End on the strongest point.
Here is a paragraph written by our founder last month. Match this rhythm and vocabulary:
"Ship it Friday. The sync bug is ugly but it only hits multi-tab users, and the workaround is a refresh. Waiting two more weeks to fix it properly costs us the changelog window, and honestly, I'm tired of explaining the delay."

Tre elementi di quel prompt fanno un lavoro concreto. Primo, i vincoli negativi colpiscono le modalità di fallimento precise (triadi, cautele, frasi riassuntive) invece dell'atmosfera generale. Secondo, l'esempio di stile fa più di qualsiasi aggettivo: dare al modello un campione umano concreto da imitare sposta la generazione verso un punto diverso dello spazio stilistico. Terzo, chiedere una lunghezza delle frasi variabile spezza il ritmo metronomico, il singolo segnale inconscio più evidente.

Un altro trucco che vale più del suo peso: chiedi qualcosa che il modello trova leggermente scomodo. «Scrivilo come se fossi un po' irritato per la scadenza» oppure «ammetti cosa abbiamo sbagliato». I modelli ottimizzati con RLHF detestano essere negativi, quindi forzare un registro emotivo specifico li strappa dal default professionale e gradevole. L'output va comunque rivisto, ma arriva con un battito.

Il passaggio di revisione: sottrarre, non riscrivere

Il prompt ti porta al 70%. L'ultimo 30% è un passaggio di revisione meccanico, e consiste soprattutto nel togliere. Quando rivedo le bozze generate, faccio quattro passate:

• Elimina il primo e l'ultimo paragrafo. Le introduzioni degli LLM girano intorno all'argomento e le conclusioni riassumono. Nessuna delle due contiene informazioni. Questo taglio elimina una quantità sorprendente di odore.
• Elimina ogni cautela. Cerca «tenere presente», «è importante», «probabilmente», «in genere», «tipicamente», «spesso». Circa metà delle volte la frase regge benissimo senza; nell'altra metà non stavi dicendo niente comunque.
• Spezza il ritmo. Trova la serie più lunga di frasi di media lunghezza e trasformane una in un frammento. «Rilascia venerdì.» I frammenti sono il modo più economico per segnalare un battito umano.
• Inserisci un dettaglio specifico che il modello non potrebbe conoscere. Un numero reale dai tuoi log, un nome, una data, un'opinione vera su un compromesso. La specificità è l'unica cosa che il centroide dell'RLHF non può simulare, perché richiede di prendere posizione.

È rapido, quindici minuti per una bozza di mille parole, e funziona proprio perché la voce degli LLM è un piccolo insieme di abitudini ripetute sovrapposte a una prosa altrimenti competente. Non stai riscrivendo. Stai levigando via le impronte.

Per i team che lo fanno su larga scala, conviene codificare la passata come step di lint: uno script semplice che segnala triadi, frasi di cautela e lunghezze uniformi risolve gran parte del problema in automatico. Diversi linter di prosa open source possono essere configurati con set di regole personalizzati; inseriscilo nella pipeline dei contenuti come faresti con il codice. Se stai già investendo nel misurare come l'IA si comporta su compiti reali, aggiungi «percentuale di frasi segnalate» alle tue metriche.

Dove la prosa degli LLM va bene e dove no

La mia posizione, dopo alcuni anni a costruire e rilasciare sistemi che generano testo: adatta lo strumento alle aspettative del lettore, e smetti di fingere che una sola politica vada bene per tutto.

Se il testo si rivolge a un processo più che a una persona (una lettera standard a un ufficio governativo, un report di conformità che nessuno leggerà, una descrizione di API destinata a essere letta da macchine) lascia che sia l'LLM a scriverlo e non scusarti. Lì non si attiva la simulazione mentale di nessuno; non c'è un lettore da allontanare. Onestamente, una quota crescente della documentazione verrà letta soprattutto da altri modelli, che non provano il brivido della valle inquietante.

Ma se il testo svolge il compito di persuadere, creare fiducia o far pensare (un post di blog, un documento di design che deve ottenere consenso, un'email che chiede a qualcuno di cambiare idea), il calcolo si ribalta. Lì il modello è più utile come critico che come ghostwriter. Fallo attaccare la tua bozza: «dove è vago, dove l'argomento salta un passaggio, dove un lettore scettico obietterebbe?». Questo sfrutta i punti di forza del modello (è davvero eccellente nella critica) senza lasciare che la sua voce si avvicini alla tua prosa. Chi trae il massimo dagli LLM per scrivere li tratta come un editor acuto e instancabile, i cui suggerimenti di riscrittura si ignorano educatamente.

E c'è una verità più scomoda sotto i consigli tecnici: per molti di noi scrivere è il modo in cui pensiamo. La fatica di portare un argomento dentro le frasi è spesso il momento in cui l'argomento viene davvero messo a fuoco. Delegare interamente la stesura significa delegare anche quella parte. Si sente il risultato: una prosa che non va da nessuna parte perché, mentre la si produceva, nessun pensiero è andato da nessuna parte.

Il succo pratico

La voce degli LLM non è un mistero e non sparirà da sola: gli stessi incentivi di addestramento che l'hanno creata sono ancora in vigore, e nessun laboratorio di frontiera ha mostrato grande capacità di eliminarla alla fonte. Quindi l'onere ricade su di te, e si divide in modo netto:

• Generi su larga scala? Vincola il prompt in modo meccanico (niente triadi, niente cautele, varianza forzata della lunghezza delle frasi), fornisci un esempio di stile umano e applica il lint all'output.
• Scrivi cose che contano? Scrivile tu, usa il modello come critico e non lasciare mai che le sue formulazioni entrino nella bozza: ogni suggerimento accettato è un piccolo trapianto di voce.
• Testo rivolto ai processi? Pubblica l'output grezzo e dedica il tempo di revisione dove ci sono davvero persone che leggono.

Il punto più profondo è che la voce non è decorazione: è la prova di una mente. I lettori sono straordinariamente bravi a percepirne l'assenza, e lo diventano sempre di più ogni mese, man mano che internet si riempie dell'alternativa. Le squadre che vinceranno nei prossimi anni di contenuti assistiti dall'IA non saranno quelle che producono più testo. Saranno quelle il cui testo suona ancora come qualcuno.