Quando si parla di modelli linguistici, l’attenzione si concentra quasi sempre sulle allucinazioni: date inventate, citazioni mai esistite, riferimenti errati. Un nuovo paper del ricercatore italiano Filippo Lubrano (fondatore della startup di realtà virtuale e aumentanta Metaphora e membro di H-Farm) sposta lo sguardo su un piano diverso, quello dello stile. L’analisi dimostra che gli LLM non si limitano a commettere errori fattuali, ma tendono a riprodurre un ritmo linguistico ricorrente che li tradisce: si tratta della figura retorica epanortosi enfatica, la correzione immediata che prende la forma “non X, ma Y”.Nei testi umani la figura ha un valore preciso: serve a ribaltare un’aspettativa, intensificare un concetto o introdurre un colpo di scena retorico. Nei testi generati dai modelli con AI, invece, diventa una sorta di tic narrativo, presente tre volte più che negli scritti umani. I numeri sono eloquenti: nelle risposte di ChatGPT e Claude si contano in media 27 occorrenze ogni mille frasi, contro le 5 dei testi umani e le 9 riscontrate nei dataset di addestramento. Una tendenza imperfetta che rischia di aumentare i contenuti approssimativi rilasciati dai bot e, di conseguenza, abbassare il livello delle informazioni presenti sul web.Cos'è l'epanortosi enfaticaIn generale, il funzionamento della epanortosi è semplice, quasi meccanico. Alcuni esempi di frasi così caratterizzate sono: Non è solo un caffè, è energia liquida, oppure Non è un blackout tecnico, è il segnale di una rete fragile. La struttura dà l’impressione di chiarezza e incisività, ma proprio per questo tende a essere abusata. Nei testi umani compare per sottolineare un’eccezione o una sfumatura; nei modelli linguistici si trasforma in una scorciatoia stilistica che appare in quasi ogni risposta di una certa lunghezza, soprattutto nei passaggi di transizione tra argomenti. Una regressione logistica condotta sugli output ha confermato che l’epanortosi è un predittore significativo di testo generato: quando la frequenza cresce oltre una certa soglia, è molto probabile che il contenuto non sia di origine umana.La spiegazione sta nell’incontro tra addestramento e ottimizzazione. Nei dataset che alimentano gli LLM, le formule di negazione seguite da rilancio positivo sono comuni in settori come marketing, self-help e comunicazione politica. Sono testi che puntano a essere memorabili e persuasivi. A questo, spiega Lubrano, si aggiunge l’effetto del reinforcement learning from human feedback (RLHF): gli annotatori, incaricati di valutare la qualità delle risposte, tendono a premiare passaggi percepiti come chiari, assertivi e rafforzativi. Così l’epanortosi enfatica diventa non solo frequente, ma anche rinforzata artificialmente dal processo di training.Lubrano definisce questo fenomeno sloganoid effect: un’apparente chiarezza che in realtà riduce la varietà espressiva. Invece di fornire nuove sfumature, i modelli ripropongono lo stesso schema binario, replicando il linguaggio della pubblicità e dei titoli acchiappaclick.Il rischio della lingua piattaLa questione non è estetica ma culturale. Se gli utenti leggono continuamente testi che funzionano secondo lo schema “non… ma…”, finiscono per interiorizzarlo e usarlo a loro volta. Questo alimenta un circolo vizioso: i modelli lo apprendono dal web, lo amplificano, lo rilanciano agli utenti che a loro volta lo riversano nei contenuti online, rinforzando ulteriormente i dataset futuri. Il risultato è una lingua digitale più piatta, dominata da dualismi e slogan, che riduce le possibilità espressive e schiaccia le alternative retoriche.Lo studio nota come questa dinamica non sia limitata all’inglese: campionamenti preliminari mostrano che lo stesso eccesso compare anche in spagnolo, francese, mandarino e arabo. È un segnale che l’epanortosi potrebbe diventare una sorta di universale artificiale della scrittura generata. Per contestualizzare, Lubrano richiama la retorica classica, da Quintiliano a Lausberg, in cui l’epanortosi era definita come strumento di intensificazione e chiarificazione, da usare in modo mirato. Ora, per colpa dell'AI, può diventare un fenomeno diffuso che contribuisce a diminuire l'efficacia di ciò che leggiamo su internet.Attenzione all'AI slopSecondo Lubrano, il fenomeno può essere contenuto. Tra le strategie proposte: inserire nei dataset più testi che usano forme diverse di enfasi (metafore, comparazioni, clausole concessive), modificare i reward models penalizzando la ripetizione del pattern e spingere i prompt engineer a richiedere esplicitamente soluzioni alternative. Non si tratta di cancellare l’epanortosi — resta una figura retorica utile — ma di riportarla a scelta consapevole, invece che a default algoritmico.Il messaggio finale del paper è chiaro: concentrarsi solo sulle allucinazioni significa guardare a metà del problema. Gli LLM non modellano soltanto i contenuti, ma anche le forme. E quando una forma retorica diventa eccesso strutturale, rischia di modificare come leggiamo i testi artificiali, nonché il modo in cui scriviamo noi stessi. È in questo contesto che si inserisce anche il dibattito culturale attorno al termine AI slop, ovvero i pasticci delle intelligenze artificiali sempre più frequenti online: un’etichetta che denuncia l’appiattimento linguistico prodotto da questi automatismi e che oggi diventa chiave di lettura per comprendere il rapporto tra AI e stile. Perché i modelli possono aiutarci a scrivere, ma non sempre il loro apporto è positivo.