Due persone molto diverse digitano rilevatore di IA in un motore di ricerca nella stessa ora. La prima è una responsabile marketing che ha pubblicato quaranta pagine scritte con l’aiuto di un modello linguistico e a cui hanno detto che Google punirà il sito per questo. Il secondo è stato accusato di aver copiato perché uno strumento ha restituito un numero e qualcuno con autorità ci ha creduto.

Entrambi arrivano davanti a una categoria di software che vende sicurezza, ed entrambi meritano la versione scomoda della risposta. Le prove pubblicate su questi strumenti sono coerenti e non sono lusinghiere. Sbagliano abbastanza spesso perché un punteggio non debba mai decidere nulla su una persona, crollano su un testo che un essere umano ha rivisto e i loro errori non si distribuiscono in modo uniforme fra chi scrive.

La domanda sul motore di ricerca è una domanda separata con una risposta separata, e quella risposta non ha nulla a che vedere con il rilevamento.

Questi strumenti sono precisi, e Google penalizza i contenuti prodotti con IA? Test sottoposti a revisione paritaria hanno collocato ogni strumento sotto l'80% di accuratezza, con un crollo al 26% sul testo di IA riformulato, e uno studio distinto ha rilevato che i rilevatori etichettavano come scritti da IA i temi di autori non madrelingua nel 61,3% dei casi. Google non penalizza un contenuto perché è stato generato con IA. Penalizza lo scaled content abuse, che riguarda scopo e valore, non la paternità del testo.

Come funziona davvero un rilevatore di IA

Quasi tutto ciò che si vende in questa categoria appartiene a una di due famiglie, e la distinzione conta perché falliscono in modi diversi.

Perplessità e burstiness

La famiglia più vecchia misura proprietà statistiche del testo stesso. La perplessità descrive quanto un modello linguistico sia sorpreso da ciascuna parola date le parole precedenti, così una prosa che il modello trova molto prevedibile ottiene un punteggio basso. La burstiness descrive la variazione di quella prevedibilità da frase a frase, sulla teoria che la scrittura umana oscilli fra l’ovvio e lo strano mentre il testo generato resta in una banda più stretta.

Uno strumento costruito così non sta identificando una macchina. Sta misurando quanto la prosa sia convenzionale e poi afferma che la prosa convenzionale è prosa di macchina. Quella inferenza è l’intero prodotto, ed è da lì che nasce ogni singola modalità di errore.

Classificatori addestrati su testo generato

La famiglia più recente addestra un modello su corpora appaiati di testo umano e generato e impara qualunque cosa li separi. Va meglio della perplessità grezza sulla distribuzione su cui è stata addestrata, ed eredita un problema più duro: quella distribuzione si sposta ogni volta che un modello viene aggiornato o un prompt cambia registro.

Nessuna delle due famiglie ha accesso ad alcun fatto su come il testo sia stato prodotto. Entrambe indovinano lo stile a partire dall’artefatto finito, ed è esattamente per questo che cambiare stile le sconfigge. Un terzo approccio, la filigrana, funziona diversamente e viene trattato più avanti, perché è l’unico che parte da prove anziché da inferenze.

Che cosa dice la ricerca sulla precisione dei rilevatori di IA

Il banco di prova su quattordici strumenti

Il test controllato più citato è Testing of detection tools for AI-generated text, pubblicato sull’International Journal for Educational Integrity nel 2023. Weber-Wulff e colleghi hanno fatto passare 54 documenti di prova attraverso 14 strumenti, dodici gratuiti e due commerciali (Turnitin e PlagiarismCheck), per 756 test individuali.

Il risultato è netto. Ogni strumento è rimasto sotto l'80% di accuratezza e solo cinque hanno superato il 70%. L’accuratezza su documenti realmente scritti da esseri umani era del 96%, cifra che si legge bene finché non si guarda il resto. Sul testo di IA non modificato era del 74%. Sul testo di IA leggermente rivisto da una persona era del 42%. Sul testo di IA passato attraverso uno strumento di riformulazione era del 26%.

L’articolo registra che i propri risultati differiscono in modo sostanziale da quanto affermano alcuni strumenti di rilevamento del testo generato da IA, e la sua conclusione viene citata molto meno di quanto meriti: quei sistemi non sono né precisi né affidabili, e i sistemi testati non dovrebbero essere usati in ambito accademico.

Un test del 2026 sui leader commerciali

Tre anni dopo, uno studio del febbraio 2026 sulla stessa rivista ha testato Turnitin e Originality su un insieme bilanciato di 192 testi: scritti studenteschi autentici prodotti prima che l’IA generativa fosse ampiamente disponibile, testi professionali umani, output di IA e documenti ibridi composti all’incirca a metà da ciascuno.

Originality ha raggiunto un’accuratezza media macro di 0,69 e Turnitin di 0,61, ed entrambi hanno prodotto punteggi F1 medi macro sotto 0,55. Sui testi ibridi, che descrivono il modo in cui oggi scrive quasi chiunque, Originality ha mostrato un richiamo vicino a zero. Non ne ha identificato quasi nessuno.

Il divario fra ambiti è il risultato che dovrebbe preoccupare chiunque pubblichi contenuti tecnici. L’accuratezza di Turnitin è scesa da 0,86 sui testi umanistici a 0,51 su quelli scientifici. Originality è sceso da 0,96 a 0,58. Entrambe le differenze erano statisticamente significative. A 0,51 sulla scrittura scientifica, un rilevatore fa qualcosa di molto simile al lancio di una moneta.

L’unico fornitore che ha pubblicato il proprio fallimento

OpenAI ha rilasciato un classificatore nel gennaio 2023 e lo ha ritirato. La sua pagina di annuncio porta oggi la nota secondo cui, dal 20 luglio 2023, il classificatore di IA non è più disponibile a causa del suo basso tasso di accuratezza, e il testo originale conserva ancora i numeri: identificava correttamente il 26% del testo scritto da IA come probabilmente scritto da IA, mentre etichettava erroneamente come prodotto da IA il testo scritto da persone nel 9% dei casi. La pagina avvertiva anche che non andava usato come strumento decisionale principale. È l’organizzazione con il migliore accesso possibile alla distribuzione di addestramento, e riporta un tasso di veri positivi di circa uno su quattro.

Il problema dei falsi positivi e su chi ricade

Lo studio TOEFL

GPT detectors are biased against non-native English writers, di Liang, Yuksekgonul, Mao, Wu e Zou, è apparso su Patterns nel 2023. Il metodo era semplice: far girare sette rilevatori molto diffusi su 91 temi TOEFL scritti da persone non madrelingua inglese e su 88 temi scritti da studenti statunitensi di terza media.

Con gli scolari americani i rilevatori hanno lavorato correttamente. Sui temi TOEFL il tasso medio di falsi positivi era del 61,3%. Tutti e sette hanno segnalato all’unanimità il 19,8% di quei temi scritti da persone come opera di un’IA, e almeno un rilevatore ne ha segnalato il 97,8%.

Poi i ricercatori hanno fatto la cosa che svela il gioco. Hanno fatto riscrivere gli stessi temi con un linguaggio più letterario, e il tasso medio di falsi positivi è sceso dal 61,3% all'11,6%.

Perché l’errore ricade dove ricade

Quel crollo dice esattamente che cosa viene misurato. Gli strumenti rilevano una varietà lessicale limitata, che è una proprietà dello scrivere in una seconda lingua, e la riportano come paternità di una macchina. Il banco di prova del 2023 ha trovato lo stesso effetto da un’altra direzione: il testo scritto da persone e tradotto automaticamente in inglese perdeva 20 punti percentuali di accuratezza, così chi fa ricerca e scrive nella propria lingua per poi tradurre corre un rischio maggiore di essere accusato ingiustamente.

Ciò che ne segue non è un caso incerto. Uno strumento con un tasso di falsi positivi del 61,3% su un gruppo identificabile di autori non deve essere usato per prendere una decisione gravosa su una persona. L’articolo del 2023 formula bene la versione pratica: questi strumenti restituiscono una percentuale senza alcuna prova allegata, così uno studente accusato solo su quella base non avrebbe alcuna possibilità di difendersi.

Perché la revisione sconfigge un rilevatore di IA

L’esperimento più chiaro è Paraphrasing evades detectors of AI-generated text, di Krishna, Song, Karpinska, Wieting e Iyyer. Hanno costruito un modello di riformulazione da 11 miliardi di parametri chiamato DIPPER e vi hanno fatto passare testo generato. L’accuratezza di rilevamento di DetectGPT è scesa dal 70,3% al 4,6% a un tasso di falsi positivi fissato all'1%. Anche la filigrana, GPTZero e il classificatore di OpenAI sono stati elusi.

Fermatevi sul corollario, perché è il riassunto onesto dell’intera categoria. Se l’output non modificato viene rilevato al 74% e quello rivisto al 42%, allora ciò che gli strumenti riconoscono in modo affidabile non è la paternità di una macchina. È la trascuratezza. Una pagina incollata direttamente da una finestra di chat viene segnalata. La stessa pagina, dopo che un redattore competente ne ha tagliato un terzo, aggiunto due dettagli che solo l’autore conosce e riscritto gli attacchi, no. Il rilevatore è un indicatore indiretto dell’impegno, e per giunta scadente.

La difesa proposta nell’articolo di Krishna merita una nota perché non è affatto rilevamento. È recupero: cercare in un archivio di 15 milioni di sequenze già generate una corrispondenza ravvicinata, cosa che ha intercettato dall'80% al 97% delle generazioni riformulate segnalando l'1% del testo umano. Funziona perché confronta con un registro di ciò che è stato davvero prodotto. Richiede anche che il fornitore del modello tenga quel registro ed esegua il controllo, cosa che nessuno strumento pubblico può fare.

La filigrana, l’alternativa tecnicamente seria

In che cosa si differenzia

La filigrana interviene al momento della generazione anziché indovinare a posteriori. SynthID per il testo di Google DeepMind si colloca nel ciclo di campionamento come processore di logit e, nelle parole di Google, arricchisce i logit del modello con una funzione g pseudocasuale per codificare l’informazione di filigrana in modo da poter stabilire se il testo sia stato generato dal vostro modello, senza incidere in modo significativo sulla qualità. La documentazione per sviluppatori descrive un rilevatore bayesiano che restituisce uno di tre stati: con filigrana, senza filigrana o incerto.

Google ha annunciato la filigrana testuale per l’app e l’interfaccia web di Gemini nel maggio 2024. È un rilascio reale, ed è un’affermazione di natura diversa da una supposizione sullo stile, perché il segnale è stato inserito deliberatamente e non dedotto.

I limiti che Google dichiara da sé

La stessa documentazione è franca su ciò che manda in crisi il metodo. La filigrana è meno efficace sulle risposte fattuali, perché c’è meno spazio per arricchire la generazione senza ridurre l’accuratezza, e i punteggi di fiducia del rilevatore possono calare molto quando un testo generato da IA viene riscritto a fondo o tradotto in un’altra lingua. Google aggiunge che SynthID non è pensato per impedire direttamente a un avversario motivato di fare danni.

Esiste uno sforzo parallelo sui metadati di provenienza anziché sul segnale statistico. La specifica C2PA Content Credentials, oggi alla versione 2.4, lega a un file un manifesto firmato crittograficamente che ne registra l’origine e le modifiche applicate. È dichiaratamente ad adesione volontaria e la diffusione globale è l’obiettivo dichiarato, non lo stato attuale.

Entrambi gli approcci condividono un limite netto. Vi dicono che un fornitore aderente ha generato una determinata stringa. Non vi dicono nulla sull’output di un fornitore che non aderisce, e si indeboliscono proprio sotto quella riscrittura che una persona scrupolosa compie comunque. La filigrana è un controllo della catena di fornitura per chi gestisce il modello. Non è un modo per verificare il documento di uno sconosciuto.

Google penalizza i contenuti prodotti con IA?

La posizione di Google è stata pubblicata nel febbraio 2023 e non si è mossa. Il post del blog Search Central si intitola Google Search’s guidance about AI-generated content, il titolo di sezione parla di premiare i contenuti di qualità comunque siano stati prodotti, e la frase portante è questa: l’attenzione alla qualità del contenuto, piuttosto che al modo in cui il contenuto viene prodotto, è un criterio utile che da anni aiuta a fornire agli utenti risultati affidabili e di qualità.

Il post afferma anche che non ogni uso dell’automazione, generazione con IA compresa, è spam, ricordando che l’automazione produce da tempo risultati sportivi, previsioni meteo e trascrizioni. Ciò che costituisce una violazione è usare l’automazione, IA inclusa, con lo scopo principale di manipolare il posizionamento nei risultati di ricerca.

Che cosa viene davvero penalizzato

La regola che morde è lo scaled content abuse. Google lo definisce come la generazione di molte pagine con lo scopo principale di manipolare il posizionamento anziché aiutare gli utenti, rivolta alla creazione di grandi quantità di contenuto non originale che offre agli utenti poco o nessun valore, indipendentemente da come sia stato creato.

Rileggete due volte quest’ultima parte. Il metodo di produzione è esplicitamente irrilevante. Duecento pagine sottili sfornate a mano da un modello con i nomi delle città violano la regola esattamente quanto duecento sfornate da un modello linguistico. La guida di Google sull’uso dei contenuti di IA generativa dice la stessa cosa dall’altro lato: la tecnologia è utile per la ricerca e la struttura, ma usarla per generare molte pagine senza aggiungere valore per gli utenti può violare la regola antispam di Google sullo scaled content abuse.

Non c’è quindi alcuna penalizzazione per l’IA da rilevare e nessun punteggio di rilevatore che Google consulti. La distinzione è scopo e valore. Una pagina che risponde a una domanda che i vostri clienti pongono davvero, e che contiene qualcosa che solo la vostra azienda sa, non è abuso nemmeno se un modello ne ha scritto la prima versione.

Che cosa misurare al posto di un punteggio

I nostri numeri lo dimostrano meglio di un ragionamento. In una recente finestra di 28 giorni questo sito ha raccolto 52.331 impressioni da Google, con 531 query nelle prime dieci posizioni. Quelle query hanno prodotto 28.847 impressioni e 161 clic, un tasso di clic dello 0,56% dove le posizioni dalla quarta alla decima di norma ottengono fra il 2% e l'8%. E 452 di esse non hanno ottenuto alcun clic.

Niente di tutto questo è un problema di rilevamento. È un problema di differenziazione, e nessuno strumento di questa categoria lo misura.

Le metriche che vale la pena osservare sono il tasso di clic rispetto alla posizione occupata e il fatto che le risposte generate dall’IA vi citino o si limitino a posizionarvi, argomento che trattiamo in perché un contenuto si posiziona ma non viene mai citato e in che cosa comporta la modalità IA di Google per il vostro traffico. Poi vengono le decisioni editoriali: la potatura dei contenuti per le pagine che non rispondono a nulla di preciso e l’aggiornamento dei contenuti per quelle che un tempo lo facevano. Un audit SEO tecnico porta alla luce la metà meccanica dello stesso quadro, cioè se le pagine che vi interessano siano anche solo in grado di essere viste.

Che cosa fare se un rilevatore segnala il vostro lavoro

Un punteggio non è una prova

Il numero è l’opinione di un modello sullo stile, prodotta senza accesso ad alcun fatto su come il testo sia stato scritto. Non è retorica, è il progetto stesso. Ditelo con chiarezza e citate i test sottoposti a revisione paritaria anziché argomentare dalla vostra credibilità, perché la ricerca è dalla vostra parte e la vostra credibilità è proprio ciò che viene messo in dubbio.

La provenienza che controllate voi

La cronologia delle versioni è la cosa più solida che avete, e serve solo se esiste prima che ne abbiate bisogno. Tenete i documenti in un sistema che registra le revisioni, conservate la scaletta e gli appunti, conservate le fonti che avete letto e la data in cui le avete lette. Un documento cresciuto in quaranta versioni salvate nell’arco di nove giorni è una risposta molto migliore di qualunque contropunteggio.

Chiedete che lo stesso strumento venga passato su qualcosa che avete scritto anni fa, prima che l’IA generativa esistesse. È esattamente il controllo usato dallo studio del 2026. Chiedete se un secondo strumento concorda, perché l’incoerenza fra strumenti, e fra esecuzioni ripetute dello stesso strumento, è documentata nel banco di prova del 2023. Se l’inglese non è la vostra prima lingua, o se avete scritto in un’altra lingua e poi tradotto, mettete il 61,3% e i 20 punti di penalità da traduzione davanti a chi deve decidere.

Gli umanizzatori e l’economia di battere un test già rotto

Pagare un abbonamento mensile per battere un test che già sbaglia dal 26% al 58% dei casi che contano è un cattivo uso del denaro, e il banco di prova del 2023 ha registrato che uno strumento di questo settore consigliava agli utenti di modificare il testo finché non contenesse meno contenuto di IA rilevabile, il che è una categoria che argomenta contro la propria premessa.

C’è un costo reale oltre alla quota. Le passate di umanizzazione funzionano aggiungendo varianza lessicale, che in pratica significa sostituzioni da dizionario dei sinonimi, attenuazioni e frasi gonfiate. Finite per ottimizzare per una macchina che non influenza il vostro posizionamento, a scapito della persona che decide davvero se contattarvi. Se avete budget per questo, spendetelo in una revisione redazionale.

Dove un’agenzia aggiunge davvero valore

Non nello schivare i rilevatori. Ciò che cambia i risultati è il processo editoriale e una competenza dimostrabile: un brief tematico che individua che cosa la vostra azienda sa e i concorrenti no, un autore con nome e credenziali reali, fonti citate e datate e un passaggio di revisione in cui qualcuno che ha fatto quel mestiere verifica che le affermazioni siano vere. Quel processo rende per inciso l’output non rilevabile, ma è un effetto collaterale e non l’obiettivo.

Mecanik costruisce programmi di contenuto su questa base e verifica quelli esistenti attraverso il nostro servizio di audit SEO, che parte da ciò che le vostre pagine oggi guadagnano anziché da come sono state scritte. Se le vostre pagine si posizionano e non succede nulla, la soluzione è specificità e autorevolezza, e un audit SEO tecnico vi dirà quale delle due vi sta davvero bloccando. I punteggi dei rilevatori non compariranno nel rapporto, perché non misurano nulla su cui possiate agire. Se volete prima il quadro commerciale più ampio, la nostra guida su che cosa fa un’agenzia SEO per l’IA e quanto costa spiega dove va davvero il denaro.

Domande frequenti

I rilevatori di IA sono precisi? Non in modo affidabile. Uno studio del 2023 sull’International Journal for Educational Integrity ha testato 14 strumenti in 756 test individuali e ha trovato che ognuno restava sotto l'80% di accuratezza, con solo cinque sopra il 70%. L’accuratezza era del 74% sul testo di IA non modificato, del 42% dopo una revisione umana e del 26% dopo la riformulazione automatica. Uno studio del febbraio 2026 su Turnitin e Originality ha rilevato accuratezze medie macro di 0,61 e 0,69.

Google penalizza i contenuti generati con IA? No. Le linee guida pubblicate da Google affermano che l’attenzione è rivolta alla qualità del contenuto anziché al modo in cui viene prodotto, e che non ogni uso dell’automazione è spam. Ciò che viola la regola è lo scaled content abuse, definito come la generazione di molte pagine soprattutto per manipolare il posizionamento anziché aiutare gli utenti, e Google precisa che questo vale indipendentemente da come il contenuto sia stato creato.

Perché i rilevatori di IA segnalano chi non è madrelingua inglese? Perché misurano varietà lessicale e prevedibilità anziché la paternità del testo. Uno studio del 2023 su Patterns ha passato sette rilevatori su 91 temi TOEFL di autori non madrelingua e ha registrato un tasso medio di falsi positivi del 61,3%, contro risultati quasi corretti sui temi di studenti statunitensi. Riscrivere gli stessi temi con un linguaggio più letterario ha ridotto il tasso di falsi positivi all'11,6%.

Un rilevatore di IA può capire se un testo è stato rivisto da una persona? Di fatto no, ed è la lacuna più grande. L’accuratezza sul testo di IA con una lieve revisione umana era del 42% nel banco di prova del 2023, e uno studio del 2026 ha trovato un richiamo vicino a zero sui documenti ibridi composti all’incirca a metà da testo umano e testo di IA. La ricerca sulla riformulazione ha fatto scendere un rilevatore dal 70,3% al 4,6% a un tasso di falsi positivi fissato all'1%.

Che cosa devo fare se vengo accusato ingiustamente di aver usato l’IA? Trattate il punteggio come un’opinione sullo stile e non come una prova, e ditelo citando la ricerca pubblicata. Producete la provenienza che controllate voi: cronologia delle versioni, bozze, appunti e fonti con data e ora. Chiedete che lo stesso strumento venga passato su lavori scritti prima che l’IA generativa esistesse, e chiedete se un secondo strumento concorda, dato che l’incoerenza fra strumenti è documentata.