Il contesto della ricerca

Il team di ricercatori dell’Università del Maryland ha analizzato quasi 1.500 testi scritti da persone e 23.000 saggi prodotti da cinque modelli di frontiera (GPT‑4, Claude 2, Gemini 1, LLaMA‑2 e PaLM‑2). L’obiettivo era valutare la diversità argomentativa quando gli stessi quesiti venivano posti a scrittori umani e a intelligenze artificiali.

Risultati principali

Le analisi statistiche hanno mostrato che, mentre gli autori umani hanno coperto più di 120 percorsi argomentativi distinti, i modelli di linguaggio si sono concentrati su meno di 30 percorsi. In media, ogni modello ha prodotto risposte che si raggruppavano in 4‑5 temi ricorrenti, indipendentemente dal dominio (politica, economia, scienze).

Il 78 % delle risposte AI presentava una struttura “introduzione‑sviluppo‑conclusione” standardizzata.
Il 65 % dei saggi AI utilizzava esempi tratti da fonti comuni (Wikipedia, newswire) senza citare casi di nicchia.
Solo il 12 % delle generazioni mostrava una prospettiva contraria o un “devil’s advocate”.

Perché avviene il “collapse” argomentativo?

Tre fattori principali spiegano il fenomeno. Primo, i modelli sono addestrati su enormi corpora che riflettono le tendenze di scrittura più frequenti; i pattern più comuni diventano quindi quelli più probabili. Secondo, gli algoritmi di ottimizzazione (max‑likelihood) privilegiano risposte ad alta probabilità, penalizzando idee marginali. Terzo, le impostazioni di temperatura di default (solitamente 0.7) limitano la variabilità, riducendo la propensione a “pensare fuori dagli schemi”.

Implicazioni per le imprese

Le organizzazioni che affidano a LLM la produzione di contenuti rischiano di perdere differenziazione competitiva. Un’azienda di consulenza che utilizza AI per redigere report rischia di consegnare documenti che “suonano tutti allo stesso modo”, indebolendo la credibilità con i clienti.

Esempio concreto

Un caso studio interno a una casa editrice ha mostrato che, su 200 articoli di approfondimento generati con GPT‑4, il 68 % conteneva esempi già presenti in precedenti pubblicazioni, mentre solo il 9 % introduceva casi di studio regionali poco noti. Il risultato è stato un calo del 15 % di engagement da parte dei lettori abituali.

Strategie per mitigare il problema

Le seguenti pratiche possono aiutare a recuperare varietà argomentativa:

Prompt engineering avanzato: includere istruzioni esplicite per “esplorare almeno tre prospettive alternative” o “cercare esempi di piccole imprese locali”.
Fine‑tuning su dataset di nicchia: addestrare versioni specifiche del modello su letteratura settoriale, rapporti di ricerca di piccole realtà o casi studio regionali.
Retrieval‑augmented generation (RAG): combinare il modello con un motore di ricerca interno che recuperi fonti meno popolari prima della generazione.
Temperatura elevata e campionamento top‑p: aumentare la temperatura a 0.9‑1.0 e usare top‑p 0.95 per introdurre più aleatorietà senza perdere coerenza.
Human‑in‑the‑loop: prevedere fasi di revisione dove editori umani inseriscono “punto di vista opposto” o aggiungono esempi locali.

Ruolo dei media e delle istituzioni pubbliche

I media tradizionali, già alle prese con la pressione della rapidità di pubblicazione, stanno sperimentando l’uso di LLM per bozze rapide. Tuttavia, per preservare la pluralità di opinioni, le redazioni dovrebbero implementare workflow che includano:

Un “audit di diversità argomentativa” che misuri quante prospettive diverse sono presenti in un articolo.
Un “catalogo di fonti non convenzionali” (rapporti di ONG, studi accademici di piccole università) da integrare nelle pipeline di retrieval.
Formazione periodica per i giornalisti sull’uso consapevole dei prompt, per evitare di delegare al modello la scelta della narrazione.

Conclusioni e prospettive future

Il “paradosso dell’argument collapse” non indica una mancanza di capacità logica dell’AI, ma una tendenza statistica verso la ripetizione di schemi consolidati. Per sfruttare appieno il potenziale creativo dei LLM, è necessario un approccio sistemico che combini tecnologia, dati di nicchia e supervisione umana. Solo così imprese, media e istituzioni potranno garantire contenuti realmente distintivi, evitando di cadere in una monotonia digitale che rischia di omologare il dibattito pubblico.