Un controllo editoriale può bocciare un testo perché ripete una frase tipica di un modello e lasciare passare un numero inventato. È il rischio di usare un detector come arbitro: misura una somiglianza stilistica, non la qualità del contenuto. Per una PMI che pubblica con WordPress, il criterio corretto è un altro: quale controllo riduce davvero errori, pagine intercambiabili e perdita di fiducia?

Il confronto è fra due approcci. Il primo cerca “tic” ricorrenti nel linguaggio generato dall’AI. Il secondo verifica il testo contro una voce editoriale, le fonti e il valore concreto per il lettore. Li valuto su quattro punti: velocità, stabilità nel tempo, capacità di trovare errori e facilità di inserirli in un’automazione.

Cosa misura davvero un detector di tic AI

Il 1° ottobre 2026 Graphite ha aggiornato il suo studio sugli AI tells. I ricercatori hanno confrontato articoli umani e testi prodotti da più modelli su 9.974 argomenti allineati. Un “tell” è una parola, una frase o una struttura usata almeno il doppio rispetto al corpus umano, dopo la normalizzazione e l’applicazione di soglie di frequenza.

Su Claude Opus 5.5 lo studio ha trovato 2.548 tell, appena il 4% in meno rispetto a Opus 5. La frase inglese “this matters” compare 116 volte più spesso che nei testi umani del campione. Però i segnali più noti cambiano: Opus 5.5 usa il trattino lungo il 99% in meno rispetto a Opus 5. Anthropic, nella pagina di lancio del modello, sostiene che la scrittura sia diventata più naturale. Le due cose possono essere vere insieme: alcuni tic spariscono, altri prendono il loro posto.

Questo studio è utile per capire le tendenze di un modello. Non è un detector di paternità e non dimostra che una singola frase sia stata scritta da un’AI. I testi umani di controllo precedono ChatGPT e i risultati descrivono una distribuzione statistica su migliaia di articoli. Trasformare quella distribuzione in un verdetto sul singolo post sarebbe un salto metodologico.

Opzione A: lista statica o punteggio automatico

Pro. Costa poco, gira in pochi secondi e si integra bene in un flusso automatico. Prima di creare una bozza WordPress può segnalare formule abusate, aperture identiche, conclusioni generiche, eccesso di enfasi e strutture ripetitive. È un lint editoriale: restituisce punti da rileggere, come un linter di codice segnala una riga sospetta.

Contro. Il bersaglio si muove a ogni versione. Se ieri il controllo cercava i trattini lunghi, oggi rischia di premiare proprio un testo artificiale che li ha eliminati. Un autore umano può usare una frase frequente nei modelli; un testo generato può evitare la blacklist con un prompt. Soprattutto, il punteggio non controlla se le fonti sostengono i claim, se l’articolo risponde all’intento o se aggiunge qualcosa che il lettore non trova già altrove.

Il problema operativo è il falso senso di sicurezza. Una pagina con detector verde può restare vuota, inesatta o uguale a cento concorrenti. È la stessa differenza che esiste fra ricevere HTTP 200 e verificare che il corpo della risposta sia utilizzabile, tema che ho affrontato nel caso dei rifiuti Claude restituiti come testo vuoto.

Opzione B: revisione su voce, prove e utilità

Pro. Il controllo parte dallo scopo del contenuto. Ogni numero deve avere una fonte; ogni sezione deve aiutare una decisione; la take deve essere riconoscibile; titolo, excerpt e struttura devono promettere quello che la pagina mantiene. La voce viene trattata come un profilo concreto, con frasi da preferire e pattern da tagliare, non come un generico comando “scrivi umano”.

Questo approccio regge meglio ai cambi di modello. Se un aggiornamento modifica lessico e punteggiatura, i criteri restano validi: accuratezza, qualità, rilevanza e valore originale. Sono gli stessi elementi indicati dalla guida ufficiale di Google Search sui contenuti generativi. Google non vieta l’uso dell’AI; considera abuso la produzione in scala di pagine senza valore per gli utenti.

Contro. Richiede più tempo e una base di lavoro che molte PMI non hanno: profilo di voce, fonti ammesse, checklist, esempi buoni e una persona responsabile dell’approvazione. Anche il reviewer può diventare meccanico. Se controlla soltanto che tutte le caselle siano spuntate, non misura la sostanza.

Confronto operativo per WordPress e automazioni

La differenza si vede quando il flusso cresce. Un detector può lavorare su cento bozze con lo stesso costo marginale, ma accumula falsi positivi e regole obsolete. La revisione editoriale costa di più per pezzo, però blocca errori che arriverebbero online: claim senza prova, link incoerenti, titoli che promettono troppo e testi senza una decisione utile.

In WordPress imposterei la pipeline così:

  1. generazione del testo in HTML semantico, ancora fuori dal sito;
  2. lint automatico sui tic noti, usato soltanto per evidenziare passaggi sospetti;
  3. fact-check di numeri, date, nomi e link su fonti primarie;
  4. revisione contro il profilo di voce e una domanda secca: cosa può fare il lettore dopo questo articolo?
  5. creazione della bozza WordPress, controllo SEO e approvazione separata prima del go-live.

Il lint resta utile perché restringe il lavoro umano. Non deve però avere il permesso di pubblicare. Quando si aggiorna il modello, si aggiornano anche le regole del lint e si rilancia un set di testi di prova, come in qualunque migrazione di un’automazione WordPress a un nuovo modello.

La mia take: detector come lint, reviewer come gate

Per una PMI sceglierei l’opzione B come controllo che decide la pubblicazione. Il detector dell’opzione A resta a monte, economico e senza autorità: segnala, non sentenzia.

La ragione è semplice. I tic descrivono il modello usato ieri; fonti, voce e utilità descrivono il contenuto che volete pubblicare domani. Un articolo non è buono perché sembra umano. È buono quando regge una verifica, prende una posizione e lascia al lettore una decisione più chiara.

La chiusura operativa: tenete una lista corta di pattern da controllare automaticamente, ma fate fallire la pipeline solo su errori verificabili — fonte mancante, claim non provato, duplicazione, incoerenza con la voce o assenza di valore originale.

Fonti