Storie degli LLM troppo simili: cosa rivela il caso di Elias e del faro
Uno studio su 20.000 racconti generati da quattro modelli trova ricorrenze sorprendenti. Come leggere il risultato senza trasformarlo in una tesi sull'intera letteratura AI.
Scritto da Daniel Vedovato · Revisionato il 22 luglio 2026
Articolo preparato con assistenza AI, verificato e revisionato da Daniel Vedovato.
Il risultato: non una parola ricorrente, ma un repertorio ristretto
Il paper Elias in the Lighthouse, Again? Diagnosing Low Diversity in LLM Stories affronta un difetto che molti lettori di testi generati riconoscono senza riuscire a misurare: racconti diversi finiscono spesso per avere lo stesso odore. Gli autori hanno campionato 20.000 storie da quattro modelli contemporanei, usando cinque prompt, e hanno trovato undici parole presenti nell’88,3% dei racconti. Fra gli esempi riportati compaiono i nomi Elias, Mara ed Elara, oltre a faro, orologiaio e bibliotecario.
Il dato non prova che ogni modello linguistico scriva male, né che quelle parole siano vietate o intrinsecamente artificiali. Misura invece la varietà in un esperimento preciso: certe scelte lessicali e narrative si concentrano in modo inatteso rispetto alla narrativa pubblicata e, secondo l’analisi degli autori, rispetto ai dati di pre-addestramento osservabili. Il punto interessante è la sproporzione. Pochi elementi ricorrenti possono rendere riconoscibile un’intera classe di output anche quando frasi e trame non sono identiche.
Perché la causa ipotizzata riguarda chi costruisce prodotti
Gli autori trovano quelle ricorrenze in dati di preferenza che probabilmente hanno influenzato più modelli. La loro interpretazione è prudente: un insieme piccolo di esempi, se pesa molto nel post-training, può avere un effetto superiore alla sua dimensione. Non è una dimostrazione forense della provenienza di ogni parola. I dati completi di addestramento non sono pubblici e correlazione non significa causalità diretta. È però un promemoria utile: ottimizzare un modello per una risposta percepita come gradevole può comprimere la distribuzione degli stili.
Per chi progetta un assistente di scrittura, il rischio non è soltanto estetico. Se un sistema propone sempre gli stessi archetipi, può appiattire il lavoro dell’utente, rendere i contenuti riconoscibili come generici e amplificare gli stessi riferimenti culturali. Un prodotto che promette creatività dovrebbe quindi misurare diversità fra più output dello stesso prompt, non solo fluidità grammaticale o gradimento di un singolo valutatore.
Come verificare la varietà nel proprio flusso
Un test semplice parte da cinquanta o cento richieste simili e da un set di semi o temi definiti prima dell’esperimento. Si raccolgono poi indicatori quantitativi, come ripetizione di nomi propri, n-grammi, ambientazioni e incipit, insieme a una valutazione umana cieca. La metrica non deve premiare una diversità casuale che distrugge coerenza e tono. Serve a scoprire se il modello ricade nei medesimi dettagli quando non gli viene chiesto.
Le correzioni possibili non sono magiche. Aumentare la temperatura può variare l’output ma anche peggiorare continuità e controllo. Prompt più specifici, esempi editoriali scelti dall’utente e una fase di revisione che segnali cliché ricorrenti sono spesso più affidabili. Se si modifica il post-training, occorre misurare anche gli effetti su sicurezza, factuality e preferenze degli utenti, non soltanto la novità lessicale.
Limiti dello studio e conclusione pratica
Il lavoro riguarda racconti, quattro modelli, cinque prompt e una data di campionamento. Non descrive automaticamente testi tecnici, traduzioni, codice o conversazioni. Inoltre “varietà” non è un unico numero: due storie possono usare parole diverse ma ripetere la stessa struttura, oppure condividere un’ambientazione senza risultare ripetitive. Il paper offre un buon segnale diagnostico, non una classifica definitiva della creatività.
La lezione applicabile è meno spettacolare e più utile: trattare gli output come un corpus da analizzare, non come singoli esempi riusciti. Un editor o un team prodotto può costruire un piccolo controllo contro nomi, metafore e strutture troppo frequenti, poi lasciare la decisione finale a chi scrive. L’AI può accelerare la bozza, ma la voce riconoscibile di una pubblicazione nasce ancora da selezione, contesto e responsabilità editoriale.
Una checklist editoriale minima
Prima di pubblicare una serie di testi generati, conviene leggere i risultati affiancati e non uno alla volta. Si possono evidenziare nomi, luoghi, mestieri, frasi d’apertura e svolte narrative. Se gli stessi elementi emergono senza essere stati richiesti, è un segnale per riscrivere o cambiare il brief. La revisione deve chiedere anche quale prospettiva manca: età, geografie, registri e immagini diverse non sono decorazioni, ma materiale che evita la falsa impressione di originalità.
Non esiste una soglia universale oltre la quale un corpus diventa vario. Dipende dal genere, dal pubblico e dal mandato. Una newsletter può cercare coerenza, un laboratorio creativo esplorazione. L’importante è dichiarare il criterio e controllarlo con esempi reali, invece di usare la parola creatività come etichetta automatica dell’output.
Anche una revisione breve, effettuata prima della pubblicazione, può interrompere la ripetizione prima che diventi una firma involontaria del sito.