Distinguere un testo scritto da una persona da uno prodotto da un modello linguistico è diventato, nel giro di due anni, uno dei problemi più spinosi per scuole, redazioni e piattaforme. Il 29 luglio 2026 Pangram Labs ha rilasciato Pangram 4, la nuova versione del suo rilevatore, dichiarando numeri che, se confermati sul campo, spostano parecchio l'asticella: un solo falso positivo ogni 24.000 testi umani anteriori al 2022 e un tasso di rilevamento del 98,8% anche quando il testo IA è stato «ripulito» con strumenti pensati per ingannare i rilevatori.
I numeri dichiarati e perché il falso positivo è la vera posta in gioco
Nel rilevamento di testo automatico il problema non è tanto trovare i contenuti generati, quanto non accusare per errore un essere umano. È il falso positivo — lo studente onesto bocciato, il giornalista sospettato a torto — a rendere questi strumenti pericolosi. Pangram rivendica proprio su questo fronte il salto: un tasso di errore di 1 su 24.000 misurato su testi umani scritti prima del 2022, cioè prima che i grandi modelli linguistici entrassero nell'uso di massa. L'azienda dichiara inoltre di reggere il colpo dei cosiddetti humanizer: 13 strumenti diversi che riscrivono l'output dell'IA per mascherarlo, contro i quali Pangram 4 manterrebbe il 98,8% di rilevamento.
Attribuzione a livello di token e rilevamento delle immagini
La novità tecnica più concreta è l'attribuzione a livello di token: invece di limitarsi a un verdetto secco «umano o macchina» sull'intero documento, Pangram 4 evidenzia le singole porzioni sospette. Utile nei casi reali, che quasi mai sono bianco o nero: un testo scritto da una persona ma rifinito dall'IA, o viceversa. Insieme al rilevatore testuale l'azienda ha presentato Pangram Image, in anteprima di ricerca, per riconoscere le immagini generate dall'IA con una precisione dichiarata del 99,5%. Lo strumento è già stato integrato in Substack, la piattaforma delle newsletter, segno che il rilevamento sta uscendo dal recinto scolastico per entrare nelle piattaforme editoriali.
Perché serve prudenza con qualsiasi rilevatore
Numeri a parte, la storia dei rilevatori di testo IA impone cautela. Sono cifre dichiarate dal produttore, misurate su set di dati scelti dall'azienda: la performance reale, su testi in lingue diverse, su scritti brevi o su prosa non standard, può essere sensibilmente peggiore. La comunità accademica ripete da tempo un principio: nessun rilevatore dovrebbe essere l'unica prova per accusare qualcuno, tanto meno uno studente. Un falso positivo su 24.000 è un ottimo dato in laboratorio, ma su milioni di elaborati diventano comunque decine di persone accusate ingiustamente.
Una corsa agli armamenti che non finirà presto
Il rilascio fotografa una dinamica ormai familiare: da un lato i modelli generativi migliorano e diventano indistinguibili, dall'altro i rilevatori inseguono, e dall'altro ancora fioriscono gli strumenti per aggirarli. È una rincorsa senza traguardo, in cui ogni avanzamento su un fronte spinge gli altri due. Per scuole, editori e aziende la lezione pratica resta valida: usare i rilevatori come uno degli indizi, mai come sentenza, e affiancarli sempre a una verifica umana. I dati di prestazione sono dichiarati da Pangram Labs e riportati nel riepilogo di ThursdAI; questo articolo li presenta come rivendicazioni dell'azienda, non come risultati indipendenti.
