TL;DR: un detector AI stima quanto un testo somigli agli output che conosce; un audit trail documenta fonti, revisioni, controlli e responsabilità. Se devi prendere una decisione contestabile, il detector può segnalare un rischio. Non può emettere la sentenza. Per PMI e professionisti, il processo verificabile è più lento ma molto più utile.
Il criterio: quale controllo regge una contestazione?
Il confronto non riguarda chi indovina più spesso se un testo è stato scritto con l’AI. La domanda utile è un’altra: quale approccio produce prove abbastanza solide per approvare un articolo, rifiutare una consegna o chiedere una correzione?
Il tema è tornato al centro del dibattito con l’analisi di The Verge sulla sfiducia creata dai detector di scrittura AI. È un problema che va oltre scuola e università. Riguarda agenzie, redazioni, fornitori, HR e qualunque PMI acquisti testi, codice o documentazione.
Approccio A: usare un detector AI
Il detector prende un testo e restituisce un punteggio o un’etichetta. Cerca regolarità statistiche compatibili con determinati generatori: prevedibilità delle parole, stile, distribuzione dei token e altri segnali. È rapido, costa poco per singolo controllo e permette di passare al setaccio molti documenti.
Il limite è nel tipo di risposta. Il punteggio non ricostruisce come è nato il contenuto e non dimostra chi lo ha scritto. Cambiano modello, lingua, prompt o livello di revisione e cambia anche l’affidabilità. Il pilot NIST pubblicato nel 2025 ha misurato forti differenze tra generatori e discriminatori. Alcuni generatori riuscivano a ingannare la maggior parte dei detector, mentre alcuni detector funzionavano molto meglio su sistemi specifici.
C’è un precedente ancora più netto. OpenAI ritirò il proprio classificatore il 20 luglio 2023 per la bassa accuratezza. Sul challenge set in inglese riconosceva come “probabilmente AI” il 26% dei testi generati e classificava erroneamente come AI il 9% dei testi umani. Quei numeri non descrivono tutti i detector attuali, ma chiariscono perché un punteggio non è una prova universale.
Pro: velocità, costo ridotto e buon uso come filtro iniziale. Contro: falsi positivi, falsi negativi, trasferibilità debole tra lingue e modelli, nessuna misura della qualità fattuale. Anche Turnitin avverte che il suo report può sbagliare e non deve essere l’unica base per azioni avverse.
Approccio B: costruire un audit trail
L’audit trail non prova che ogni frase sia nata da una persona. Registra invece il percorso che rende il contenuto accettabile: brief, fonti, versione iniziale, revisioni, claim verificati, responsabile dell’approvazione e versione pubblicata.
In WordPress può essere un flusso molto concreto: bozza privata, link alle fonti primarie, excerpt e alt controllati, cronologia revisioni, fact-check con esito esplicito e approvazione prima del passaggio a publish. In un’automazione aggiungerei gate deterministici per campi obbligatori, URL reali, duplicati, schema e indicizzabilità. Ho già spiegato perché regole e LLM judge devono avere ruoli diversi: la regola blocca ciò che è misurabile, la revisione valuta ciò che richiede contesto.
Per immagini e media esiste anche la provenienza tecnica. Lo standard C2PA permette di associare Content Credentials firmate alla storia di un asset. Ma la stessa C2PA chiarisce che una provenienza valida non dimostra che il contenuto sia vero o accurato. Anche qui servono fact-check e responsabilità editoriale.
Pro: decisioni ripetibili, cause degli errori visibili, responsabilità assegnata e possibilità di migliorare il workflow. Contro: richiede disciplina, configurazione e tempo di revisione. Se i log sono modificabili da chiunque o le fonti non vengono aperte, diventa burocrazia decorativa.
Confronto operativo per PMI e professionisti
| Criterio | Detector AI | Audit trail |
|---|---|---|
| Velocità | Alta | Media |
| Spiegazione della decisione | Debole | Forte, se i passaggi sono registrati |
| Rischio di falsa accusa | Concreto | Più basso |
| Controllo di fonti e fatti | Assente | Parte del processo |
| Uso migliore | Triage | Approvazione o rifiuto |
Per un’agenzia web, il detector può indicare quali consegne controllare per prime. Non dovrebbe bloccare un freelance o rifiutare un articolo. Per un sito WordPress, conta di più sapere se i link esistono, se i claim sono supportati, chi ha approvato la bozza e quale versione è andata online.
Lo stesso vale per codice e automazioni. Chiedersi se uno snippet “sembra AI” serve poco. Conviene sapere se ha test, escaping, sanitizzazione, rollback e revisione. L’origine può cambiare il livello di attenzione. La qualità del controllo decide se il codice è distribuibile.
Take finale: il detector segnala, il processo decide
La mia scelta è netta: non comprerei un detector AI come sistema di governance. Lo userei, al massimo, come segnale a bassa autorità dentro un processo più ampio.
Per approvare contenuti, valutare fornitori o pubblicare su WordPress, investirei prima nell’audit trail. Una PMI non ha bisogno di indovinare chi ha premuto “genera”. Ha bisogno di dimostrare che ciò che pubblica è verificato, attribuito e correggibile.