Pangram, l’AI Detector che sfida lo slop

Bullet point, emoji, formule ripetitive, frasi costruite con lo stesso ritmo. Per molti utenti il problema dei contenuti generati dall’intelligenza artificiale non è più soltanto riconoscere una tecnologia emergente, ma riuscire a distinguere ciò che è stato scritto da una persona da ciò che arriva direttamente da un chatbot.

È in questo scenario che sta attirando attenzione Pangram, un AI Detector che utilizza a sua volta modelli di intelligenza artificiale per stabilire se un testo sia stato prodotto da una persona oppure da un sistema generativo.

A mettere alla prova la piattaforma è stato il The New York Times, che ha testato Pangram attraverso decine di esperimenti su testi personali, contenuti generati con chatbot, post pubblicati sui social media e immagini artificiali già circolate online.

Il funzionamento per l’utente è semplice: si incolla un testo nella piattaforma e Pangram restituisce una stima percentuale della componente umana e di quella generata artificialmente. Il servizio costa 20 dollari al mese e punta soprattutto sulla precisione del riconoscimento.

Un AI Detector che vuole riconoscere la firma dei chatbot

Pangram appartiene a una categoria di prodotti cresciuta insieme alla diffusione di ChatGPT, Claude, Gemini e degli altri modelli generativi. La differenza, secondo l’azienda, sta nell’accuratezza.

Pangram sostiene di riuscire a identificare correttamente 9.999 testi su 10.000. Come riporta il The New York Times, anche uno studio indipendente dell’Università di Chicago avrebbe rilevato performance vicine alla perfezione nell’analisi dei testi.

Il dato assume particolare interesse considerando i limiti mostrati dalle precedenti generazioni di AI Detector. Alcuni strumenti avevano prodotto falsi positivi evidenti, arrivando a classificare come artificiali anche testi di autori storici come Charles Dickens.

Il problema è destinato a diventare sempre più rilevante se aumenterà la quota di contenuti sintetici pubblicati online. Secondo lo Stanford AI Index Report 2026, “oltre il 50% dei nuovi contenuti testuali pubblicati online è ormai generato artificialmente.

In questa prospettiva, gli AI Detector potrebbero trasformarsi in una nuova categoria di software di uso quotidiano, con una funzione simile a quella degli antivirus: segnalare contenuti potenzialmente artificiali o poco affidabili prima che l’utente li consideri autentici.

Come Pangram riconosce un testo generato dall’AI

Rilevare un testo artificiale non significa semplicemente contare emoji, bullet point o trattini lunghi. Max Spero, cofondatore di Pangram, ha spiegato al The New York Times che il processo consiste nell’analizzare la particolare impronta stilistica lasciata dai diversi modelli.

Ogni chatbot genera infatti il testo attraverso una sequenza di decisioni probabilistiche. La scelta di una parola condiziona quelle successive, producendo schemi che un sistema addestrato su quantità sufficientemente grandi di dati può tentare di individuare.

Per costruire un AI Detector efficace occorre quindi studiare separatamente il comportamento di modelli come Claude, ChatGPT o Gemini e raccogliere grandi dataset delle loro produzioni. Spero descrive questo processo come una forma di reverse engineering della “firma stilistica” dei modelli.

Nei test condotti dal The New York Times, Pangram è stato sottoposto a circa 50 prove. Passaggi scritti da una persona sono stati mescolati con frasi prodotte dall’AI e viceversa. Il sistema ha individuato correttamente le sezioni artificiali e quelle umane, anche quando comparivano nello stesso testo.

Il giornale ha inoltre sottoposto all’AI Detector alcuni brani pubblicamente disponibili di Dickens. Pangram li ha classificati come completamente umani.

In un altro esperimento è stato analizzato un post LinkedIn apparentemente artificiale: il sistema ha riconosciuto come umana soltanto la frase introduttiva, attribuendo il resto all’AI. L’utente che aveva pubblicato il contenuto, contattato successivamente dalla redazione, ha confermato di aver utilizzato l’intelligenza artificiale per scrivere il post.

Immagini AI, il riconoscimento è molto più difficile

La situazione cambia quando dai testi si passa alle immagini. In questo campo Pangram offre una funzione ancora in fase di sviluppo e i risultati ottenuti dal The New York Times sono stati meno solidi.

Nel test sono state analizzate 20 immagini generate artificialmente e già segnalate come false da testate giornalistiche, confrontando Pangram con Hive Detect, un altro sistema di AI detection.

Hive Detect ha classificato erroneamente come autentiche otto immagini artificiali. Tra queste figuravano un deepfake relativo all’attrice Zendaya, un’immagine del senatore Mitch McConnell in un letto d’ospedale e la fotografia modificata di un cartello stradale di San Francisco.

Pangram ha commesso due errori sullo stesso campione, tra cui quelli relativi a McConnell e al falso cartello. In altri quattro casi il sistema ha rinunciato alla classificazione perché le immagini erano considerate troppo violente o di qualità insufficiente.

L’image detection è ancora una funzionalità nuova del prodotto. Nei test interni dell’azienda, condotti su 43 immagini AI, Pangram ne avrebbe identificate correttamente 41.

Watermark e nuove regole per i contenuti artificiali

Un altro fronte riguarda l’inserimento di marcatori invisibili nei contenuti prodotti dall’intelligenza artificiale.

Nelle immagini possono essere utilizzati watermark inseriti nei metadati per segnalare l’origine artificiale del file. OpenAI, Anthropic e Google sono tra le aziende che adottano già tecniche di identificazione dei contenuti sintetici. La stessa logica sta arrivando alla scrittura. Anthropic ha annunciato l’intenzione di integrare un watermark invisibile nei testi prodotti da Claude, anche in risposta alle regole europee sulla trasparenza dei contenuti generati dall’AI.

L’AI Detector può diventare uno strumento quotidiano

La performance di Pangram sui testi apre casi d’uso che vanno oltre la semplice curiosità. Un AI Detector affidabile potrebbe essere utilizzato per analizzare recensioni online, post sui social network, email fraudolente e contenuti editoriali prodotti automaticamente.

Sulle immagini, invece, il problema rimane più complesso. Hany Farid, professore al Dartmouth College e fondatore di GetReal Security, ha raccontato al The New York Times di aver testato Pangram con cinque fotografie di guerra generate dall’AI: il sistema ne ha riconosciute tre.

La difficoltà deriva anche dalle numerose trasformazioni che un’immagine può subire. Screenshot, compressione delle piattaforme social, modifiche e ridimensionamenti possono eliminare informazioni utili agli strumenti di detection.

È questo il limite tecnologico più evidente. I contenuti sintetici viaggiano spesso attraverso copie, screenshot e file ricompressi, mentre i sistemi di verifica funzionano meglio quando possono analizzare materiali di qualità elevata. Per startup e aziende che stanno costruendo tecnologie di autenticazione digitale, riuscire a colmare questa distanza potrebbe diventare uno dei principali terreni di sviluppo dell’AI detection.