I contenuti generati dall’AI su LinkedIn hanno superato il 40% dei post lunghi, a discapito dell’autenticità professionale

Secondo una nuova analisi di Pangram, i contenuti generati dall’AI su LinkedIn hanno superato il 40% dei post lunghi, trasformando sempre più l’identità professionale in un problema di verifica.

Il dato emerge da oltre un milione di post sui social analizzati tramite l’estensione per browser di Pangram. Nell’intero insieme di dati, il 13,8% dei contenuti idonei è stato classificato come contenente testi generati o assistiti dall’AI.

Il contrasto più netto si manifesta nei contenuti di formato lungo. I post con più di 250 parole avevano probabilità notevolmente maggiori di essere classificati come interamente generati dall’AI. LinkedIn si è collocata al primo posto tra tutte le piattaforme in questa categoria.

Questo risultato non dimostra che il 40% di tutti i post lunghi su LinkedIn sia scritto da macchine. Pangram ha esaminato i post incontrati dagli utenti dell’estensione che avevano scelto volontariamente di condividere dati di scansione anonimi. Il campione non era casuale, né era stato concepito per rappresentare ogni feed di LinkedIn.

La portata dell’analisi è comunque sufficiente a mettere in luce una tensione a livello di piattaforma. LinkedIn promuove conversazioni professionali autentiche, offrendo al tempo stesso strumenti di assistenza AI che riducono il costo necessario per produrre un’autorevolezza professionale solo in apparenza.

LinkedIn sta già modificando il proprio feed per ridurre i contenuti generici, i commenti automatizzati e le interazioni artificiali. Resta da capire se i sistemi di classificazione siano in grado di distinguere un uso utile dell’AI da una rappresentazione professionale prodotta in serie.

I contenuti generati dall’AI su LinkedIn dominano il campione dei post lunghi

Il dato principale non è semplicemente che le persone utilizzino l’AI su LinkedIn, ma che l’automazione si concentri nei post concepiti per comunicare competenza.

Pangram ha pubblicato il proprio audit dei feed social il 9 luglio 2026. L’azienda ha analizzato 1.002.627 contenuti unici raccolti dopo il lancio della sua estensione Chrome, avvenuto il 24 aprile.

Il dataset comprendeva LinkedIn, Reddit, X, Medium e Substack. Pangram ha escluso i contenuti di 50 parole o meno, un aspetto importante per interpretare le percentuali riportate.

Tra tutti i contenuti analizzati, Pangram ha classificato il 13,8% come contenente una qualche forma di scrittura prodotta dall’AI. La percentuale di testi interamente generati è salita al 25,72% tra i contenuti con più di 250 parole.

LinkedIn ha registrato la quota più elevata di contenuti interamente generati tra i post lunghi, superando il 40%. Inoltre, pur rappresentando circa un terzo del dataset analizzato, LinkedIn ha prodotto il 62% di tutti i contenuti contrassegnati come generati dall’AI.

Questi numeri rendono LinkedIn il caso centrale del campione di Pangram, ma non costituiscono un censimento preciso dell’intera piattaforma.

Il metodo di raccolta introduce diverse forme di distorsione nella selezione. Ogni scansione è stata avviata da un utente dell’estensione e solo coloro che avevano acconsentito alla condivisione dei dati per fini di ricerca hanno contribuito allo studio. Le loro abitudini di navigazione hanno determinato quali autori, settori, lingue e reti fossero inclusi.

Chi installa uno strumento per rilevare contenuti AI probabilmente nota o sospetta la presenza di testi sintetici più spesso rispetto all’utente medio. Potrebbe inoltre analizzare selettivamente i post quando un passaggio appare costruito secondo formule ricorrenti.

Pangram afferma che ogni contenuto è stato conteggiato una sola volta, limitando così l’inflazione dovuta ai duplicati. Il rapporto pubblicato, tuttavia, non fornisce una ripartizione demografica completa dei partecipanti né un metodo di campionamento casuale.

La distinzione è importante perché l’espressione “oltre il 40%” può sembrare una misurazione valida per l’intera piattaforma. Un’interpretazione più accurata è che oltre il 40% dei post lunghi idonei presenti nel dataset raccolto tramite l’estensione di Pangram sia stato classificato come interamente generato dall’AI.

Anche con questa precisazione, il risultato merita attenzione. Il campione ha superato il milione di contenuti e le differenze tra le piattaforme erano considerevoli.

La concentrazione rilevata su LinkedIn è inoltre coerente con un cambiamento visibile nell’editoria professionale. Gli utenti possono oggi produrre raffinati insegnamenti sulla carriera, modelli di gestione e commenti sul mercato senza dedicare ore alla stesura.

L’incentivo economico è evidente. LinkedIn premia la pubblicazione regolare con visibilità, opportunità di networking e autorevolezza percepita. Gli strumenti generativi riducono drasticamente il lavoro necessario per mantenere questa presenza.

I post lunghi offrono maggiore spazio alla comparsa di schemi linguistici riconoscibili. Forniscono inoltre ai sistemi di rilevamento più testo da analizzare, migliorando potenzialmente la classificazione rispetto ai commenti brevi.

Questa combinazione contribuisce a spiegare perché i contenuti di formato lungo abbiano prodotto il segnale più forte. Il formato è attraente per gli autori assistiti dall’AI e più facile da valutare per i sistemi di rilevamento.

L’aspetto problematico non è che i professionisti ricevano assistenza nella scrittura. Editor, modelli e ghostwriter esistevano ben prima dell’AI generativa.

Il conflitto nasce quando un post presenta esperienze, giudizi o emozioni generate come se fossero la prospettiva professionale diretta dell’autore. Per i lettori non è facile capire se la presunta intuizione derivi dall’esperienza, da un prompt o da entrambi.

Perché LinkedIn subisce più pressioni di Reddit o Substack

LinkedIn collega la scrittura all’occupazione e alla reputazione, perciò l’autorevolezza sintetica assume un peso maggiore rispetto a un feed anonimo dedicato all’intrattenimento.

Pangram ha rilevato differenze significative tra le cinque piattaforme. Queste differenze suggeriscono che la struttura dei prodotti e le aspettative delle comunità influenzino il modo in cui compare la scrittura prodotta dall’AI.

X ha registrato il tasso combinato più elevato tra i post in formato articolo. Pangram ne ha classificato il 23,9% come interamente generato dall’AI e un ulteriore 22,9% come prodotto da una combinazione di scrittura umana e AI.

Insieme, queste categorie comprendevano il 46,8% degli articoli di X analizzati. Solo il 53,2% è stato classificato come interamente scritto da esseri umani.

Reddit ha prodotto un quadro quasi opposto. Pur rappresentando il 36,7% dei contenuti analizzati, la quota più ampia tra le piattaforme, ha registrato un tasso combinato di contenuti AI pari ad appena il 4,4%.

Le risposte hanno influenzato questo risultato. Costituivano il 72% dei contenuti Reddit analizzati e Pangram ne ha classificato il 98,1% come scritto da esseri umani.

I post Reddit di primo livello presentavano un quadro diverso. Il loro tasso di contenuti AI ha raggiunto l’11,6%, rispetto al 10% dei contenuti di primo livello su X.

Il divario rivela un importante modello comportamentale. Automatizzare in modo convincente una conversazione spontanea rimane relativamente costoso, mentre generare e programmare contenuti autonomi è più facile.

Substack ha offerto un ulteriore termine di confronto. I post più lunghi su Substack avevano probabilità leggermente inferiori di essere classificati come interamente generati dall’AI rispetto ai contenuti più brevi.

Anche in questo caso, Pangram ha classificato il 21,9% dei post come interamente generato o assistito dall’AI. La piattaforma non era priva di scrittura sintetica, ma il suo andamento nei contenuti lunghi differiva da quello di LinkedIn.

Gli autori di Substack costruiscono spesso rapporti diretti con gli abbonati attorno a una voce riconoscibile. I lettori possono annullare l’iscrizione quando quella voce diventa generica, offrendo agli autori una ragione commerciale per preservare la propria originalità.

Gli incentivi di LinkedIn sono meno diretti. Un utente può ottenere visualizzazioni, visite al profilo o vantaggi di networking senza convincere i lettori a pagare per ogni post.

I feed professionali premiano inoltre una serie ristretta di formati ripetibili. Lezioni sulla leadership, confessioni sulla carriera, consigli sulla produttività e affermazioni controcorrente sul mondo degli affari si adattano a strutture prevedibili.

I modelli generativi eccellono nel riprodurre questi schemi familiari. Possono trasformare una breve idea in un lungo post completo di apertura accattivante, battuta d’arresto, tre insegnamenti e una raffinata domanda conclusiva.

Ciò esercita pressione su più gruppi contemporaneamente. I singoli professionisti devono pubblicare con maggiore frequenza per rimanere visibili, ma contenuti generici possono danneggiare proprio la credibilità che cercano di costruire.

Recruiter e acquirenti affrontano un problema distinto. In passato, un post dettagliato offriva un’indicazione utile sul ragionamento, sull’esperienza e sullo stile comunicativo di una persona.

Quando produrre un post simile diventa quasi privo di sforzo, lunghezza e accuratezza formale perdono valore come elementi probatori. I lettori devono cercare dettagli specifici, esempi verificabili e competenze dimostrate con coerenza nel tempo.

LinkedIn è sottoposta alla maggiore pressione strategica. Il suo feed dipende dalla convinzione che i post riflettano prospettive professionali reali, anche quando gli utenti ricevono assistenza editoriale.

Se questa convinzione si indebolisce, il coinvolgimento può rimanere elevato mentre il valore informativo diminuisce. Anche un feed molto attivo può diventare un luogo poco affidabile per prendere decisioni sulle persone.

La piattaforma ha incoraggiato la scrittura tramite AI, per poi iniziare a filtrare i contenuti generici

Il principale paradosso di LinkedIn consiste nell’aver ridotto il costo della creazione di contenuti professionali, tentando al contempo di preservare la rarità delle competenze autentiche.

LinkedIn non vieta un uso responsabile dell’assistenza AI. Le sue linee guida ufficiali sulla pubblicazione con l’AI chiedono agli iscritti di controllare, modificare e approvare il materiale creato mediante l’AI.

L’azienda raccomanda inoltre di dichiarare quando si è fatto ampio ricorso all’AI e ciò non risulta evidente dal contesto. La responsabilità rimane in capo alla persona che pubblica il post.

Questa posizione considera l’AI uno strumento editoriale, anziché un’identità sostitutiva. Nella pratica, tuttavia, il confine tra assistenza e paternità del testo rimane difficile da individuare.

Un utente potrebbe fornire un’argomentazione originale e chiedere a un modello di migliorarne la chiarezza. Un altro potrebbe richiedere una storia completa sulla leadership partendo da un prompt di una sola riga.

Entrambi i post possono essere pubblicati senza un’etichetta visibile. Entrambi potrebbero passare attraverso la stessa interfaccia di modifica ed entrambi restano associati all’identità professionale di una persona reale.

LinkedIn ha offerto strumenti di assistenza alla scrittura basati sull’AI all’interno dei propri prodotti. Il rapporto di Pangram indica la funzione “Enhance post” della piattaforma come uno dei mezzi disponibili per perfezionare le bozze degli utenti.

L’esistenza di questa funzione non spiega ogni post contrassegnato. Gli utenti possono servirsi di ChatGPT, Claude, Gemini, strumenti di scrittura specializzati o flussi di lavoro gestiti da agenzie prima di incollare i contenuti su LinkedIn.

Dimostra però che la scrittura tramite AI non è un comportamento esterno imposto a una piattaforma riluttante. LinkedIn partecipa allo stesso ciclo di adozione che ora deve moderare.

Nel marzo 2026, LinkedIn ha illustrato nuove modifiche al feed volte a promuovere contenuti professionali più pertinenti e autentici.

L’azienda ha dichiarato che stava implementando sistemi generativi di raccomandazione e modelli linguistici di grandi dimensioni per comprendere gli argomenti dei post e l’evoluzione degli interessi degli iscritti. Questi sistemi classificano i contenuti in base al contesto e al comportamento professionale.

LinkedIn ha inoltre affermato di voler contrastare i commenti automatizzati, i gruppi organizzati per aumentare artificialmente le interazioni, gli strumenti di terze parti non autorizzati, i post ripetitivi e i contenuti concepiti per ottenere clic.

È significativo che l’annuncio non abbia definito inaccettabile ogni forma di scrittura assistita dall’AI. L’attenzione si è concentrata sui comportamenti non autentici e sui contenuti generici che apportano scarso valore.

La distinzione è ragionevole, ma difficile da applicare. Una piattaforma può rilevare strutture ripetute o un’automazione coordinata senza sapere se una singola affermazione rifletta un’esperienza vissuta.

Un post ben rifinito può essere originale e utile. Un post approssimativo può essere ingannevole. Lo stile, da solo, non consente di stabilire la paternità, la veridicità o il valore di un contenuto.

LinkedIn sembra quindi classificare i risultati, anziché tentare di vietare un metodo di produzione. I post specifici e pertinenti possono continuare a essere utili anche quando l’AI ha contribuito a plasmarne le frasi.

Il punto debole di questo approccio è la scala. I generatori possono creare migliaia di varianti attorno alla stessa idea superficiale, costringendo i sistemi di classificazione a valutare contenuti sempre più raffinati ma sostanzialmente identici.

La piattaforma utilizza quindi altra AI per filtrare contenuti creati con l’AI. Ne nasce una competizione automatizzata tra generazione, ottimizzazione e raccomandazione.

Gli utenti si adattano rapidamente alle preferenze visibili dei sistemi di classificazione. Quando le aperture generiche perdono visibilità, i servizi di creazione dei contenuti possono chiedere ai modelli di produrre casi di studio, formulazioni insolite o maggiori dettagli personali.

Alcuni di questi dettagli saranno autentici. Altri saranno specificità sintetiche concepite per soddisfare il classificatore successivo.

La scrittura AI su LinkedIn si trasforma così da un semplice problema di attribuzione autoriale in un problema di incentivi. Il feed premia i segnali di autenticità, rendendoli bersagli preziosi per l’automazione.

Cosa non può dirci il dato del 40%

Il risultato di Pangram rappresenta un forte segnale d’allarme, ma un rilevatore di AI non può ricostruire l’intero processo di scrittura alla base di ogni post.

Pangram ha analizzato il dataset con Pangram 3.3. L’azienda dichiara per questo modello un tasso di falsi positivi dello 0,01%.

Un falso positivo si verifica quando un rilevatore classifica come generato dall’AI un testo scritto da una persona. Un tasso basso riduce un’importante fonte di errore, soprattutto in un dataset di grandi dimensioni.

Tuttavia, le prestazioni relative ai falsi positivi non descrivono l’intero sistema. Bisogna considerare anche la sensibilità, la copertura dei diversi ambiti e delle lingue e le prestazioni su contenuti modificati o parafrasati.

Un rilevatore può evitare di attribuire erroneamente testi umani all’AI e, al tempo stesso, non individuare quantità considerevoli di contenuti generati automaticamente. Questo errore è definito falso negativo.

Pangram suddivide alcuni contenuti nelle categorie interamente generati dall’AI e misti o assistiti dall’AI. Queste etichette dipendono dagli schemi rilevati nel testo esaminato, non dall’accesso diretto alla cronologia di stesura dell’autore.

Una persona potrebbe rielaborare profondamente una bozza generata fino a farla apparire umana. Un’altra potrebbe scrivere una bozza originale e usare un modello per ristrutturarla ampiamente.

I testi finali possono collocarsi su lati opposti della soglia di un classificatore pur avendo richiesto quantità simili di giudizio umano.

La ricerca indipendente invita alla prudenza. Uno studio sui sistemi di rilevamento ha riscontrato che, in condizioni controllate, la parafrasi riduceva drasticamente le prestazioni di diversi rilevatori di testi generati dall’AI.

Lo studio ha esaminato più sistemi, ma non Pangram 3.3; i suoi dati specifici sulle prestazioni non devono quindi essere applicati all’analisi di Pangram.

La conclusione generale resta comunque valida. Le stime dei rilevatori possono sottovalutare la quantità di testi generati quando gli utenti riscrivono, intenzionalmente o meno, l’output di un modello.

I contenuti delle piattaforme introducono ulteriori complicazioni. I post di LinkedIn utilizzano spesso paragrafi brevi, strutture a elenco, formule di apertura ricorrenti e un linguaggio aziendale convenzionale.

Queste convenzioni stilistiche possono assomigliare all’output dei modelli, perché i modelli sono stati addestrati su testi pubblici analoghi. Possono inoltre rendere insolitamente prevedibili anche post autenticamente umani.

La lingua costituisce un’ulteriore fonte di incertezza. Il rapporto pubblico di Pangram non fornisce, per questo specifico campione, una ripartizione completa delle prestazioni per piattaforma e lingua.

LinkedIn si rivolge a un pubblico globale. Un unico dato aggregato può nascondere prestazioni di classificazione differenti tra lingue, regioni e convenzioni di scrittura professionale.

I dati dicono inoltre poco sulla qualità. Un rilevatore può stimare la probabile origine di un testo, ma non può stabilire se un’affermazione sia corretta, utile, plagiata o basata su un’esperienza reale.

Un post interamente scritto da una persona può ripetere un vuoto cliché manageriale. Un post assistito dall’AI può riassumere accuratamente un articolo tecnico dopo un’attenta revisione da parte di un esperto.

Per questo l’espressione “contenuti spazzatura generati dall’AI” va usata con rigore. L’automazione di scarso valore è un problema reale nei feed, ma testo generato e testo privo di valore non sono categorie coincidenti.

Pangram ha inoltre un interesse commerciale nel dimostrare che esiste una domanda di strumenti di rilevamento. Ciò non invalida i risultati, ma i lettori dovrebbero considerare il rapporto una ricerca aziendale, non un’analisi indipendente della piattaforma.

La conclusione più solida riguarda la tendenza generale. Utilizzando un dataset descritto pubblicamente e un modello identificato, Pangram ha rilevato un’elevata concentrazione di scrittura AI nei post lunghi di LinkedIn.

La conclusione meno fondata sarebbe trasformare questa osservazione in una certezza su ogni post di LinkedIn. Per formulare accuse individuali servono prove più solide del punteggio aggregato di un rilevatore.

LinkedIn non dovrebbe penalizzare gli utenti soltanto perché un classificatore di terze parti considera sospetta la loro prosa. Una simile misura potrebbe danneggiare chi non è madrelingua inglese, chi utilizza strumenti di accessibilità e i professionisti che lavorano con redattori.

La stessa cautela vale per i lettori. Il rilevamento può suggerire un sano scetticismo, ma non deve sostituire la verifica delle affermazioni e la valutazione delle prove.

Il solo rilevamento non può ripristinare la fiducia professionale

Una risposta più duratura combina dichiarazioni di trasparenza, tracciabilità della provenienza, contrasto ai comportamenti manipolativi e una maggiore capacità critica dei lettori, anziché affidarsi a un unico classificatore.

La provenienza documenta il modo in cui un contenuto multimediale è stato creato o modificato. Diversamente dal rilevamento basato sullo stile, utilizza informazioni associate al contenuto durante il processo di produzione.

Nel 2024 LinkedIn ha adottato lo standard C2PA per alcuni contenuti multimediali. Le sue credenziali dei contenuti possono mostrare l’origine e la cronologia delle modifiche di immagini o video supportati.

Il testo presenta un problema più complesso. Gli autori copiano abitualmente materiali tra diversi editor, rimuovono metadati, combinano più bozze e rivedono singole frasi.

Un campo di dichiarazione visibile potrebbe comunque migliorare la trasparenza. LinkedIn potrebbe consentire agli autori di indicare se l’AI ha generato, modificato, tradotto o riassunto un post.

La piattaforma dovrebbe evitare di considerare equivalenti tutte e quattro le attività. L’assistenza nella traduzione non ha le stesse implicazioni autoriali dell’invenzione di una storia personale sulla propria carriera.

La trasparenza richiede anche incentivi adeguati. Gli utenti potrebbero nascondere un uso intensivo della generazione automatica se i post etichettati ottenessero una distribuzione inferiore o suscitassero meno fiducia.

LinkedIn può affrontare questo conflitto premiando una trasparenza informativa, senza penalizzare automaticamente il ricorso all’assistenza. La domanda centrale dovrebbe restare se l’autore indicato si assume la responsabilità delle affermazioni pubblicate.

Il contrasto ai comportamenti manipolativi offre un ulteriore livello di tutela. Pubblicazioni coordinate, commenti automatizzati, gruppi organizzati per gonfiare l’engagement e riutilizzo massiccio di modelli producono schemi che i gestori delle piattaforme possono osservare direttamente.

Questi segnali sono spesso più utilizzabili rispetto allo stile della prosa. Permettono di colpire la manipolazione su larga scala senza costringere LinkedIn a stabilire chi abbia digitato ogni frase.

I sistemi di ranking possono inoltre dare priorità alle prove dirette. Un post collegato a un progetto, un esperimento, un documento o una decisione descritta chiaramente offre ai lettori qualcosa di verificabile.

Ciò aumenta il costo della competenza artificiosamente costruita. I modelli possono imitare un linguaggio sicuro di sé più facilmente di quanto possano fornire una documentazione coerente di un lavoro reale.

I professionisti dovrebbero considerare i post pubblici come affermazioni, non come credenziali. Un saggio ben rifinito è solo uno dei segnali da valutare insieme a esperienze lavorative, referenze, portfolio e competenze dimostrate.

I lettori possono inoltre conservare i materiali originali prima di affidarsi a riassunti generati. Un sistema di gestione della conoscenza personale aiuta a preservare le fonti, il contesto e le osservazioni personali alla base dei contenuti pubblicati.

Questa pratica è importante perché la pubblicazione assistita dall’AI spesso comprime la traccia documentale. Un riassunto fluido può separare un’idea dagli appunti e dalle decisioni che le conferivano significato.

La regolamentazione offre un percorso distinto verso la trasparenza. Le norme dell’Unione europea sulla trasparenza dei sistemi di AI entreranno in applicazione il 2 agosto 2026.

L’articolo 50 riguarda diverse tipologie di contenuti generati o manipolati. I requisiti di trasparenza relativi ai testi si concentrano in particolare sui materiali pubblicati per informare il pubblico su questioni di interesse pubblico senza revisione umana.

Le norme non implicano che ogni post di LinkedIn modificato con l’AI debba ricevere automaticamente un’etichetta universale. La loro applicazione dipende dal soggetto coinvolto, dal contenuto, dal sistema e dal grado di controllo editoriale.

Aumentano comunque la pressione sui fornitori di modelli e sugli editori professionali affinché rendano più affidabili le informazioni sull’origine dei contenuti. In alcuni contesti, le linee guida volontarie delle piattaforme stanno evolvendo verso un quadro giuridico per la trasparenza.

Nessuna singola misura risolverà il problema. Le etichette possono essere ignorate, i metadati possono scomparire e i classificatori possono essere aggirati.

La difesa concreta deve articolarsi su più livelli. La provenienza permette di verificare l’origine, il rilevamento individua schemi sospetti e i sistemi comportamentali contrastano gli abusi coordinati.

La revisione umana resta essenziale, perché l’autenticità non è soltanto una proprietà tecnica. Riguarda la reale assunzione di responsabilità, da parte di una persona, per le esperienze, i giudizi e le conseguenze associati a un post.

Tre segnali mostreranno se LinkedIn riuscirà ad arginare l’ondata

La fase successiva sarà valutata attraverso la qualità del feed, dichiarazioni di trasparenza credibili e verifiche indipendenti, non mediante un’altra eclatante percentuale di rilevamento.

Il primo segnale riguarda le misure adottate da LinkedIn contro l’engagement automatizzato. L’azienda ha già promesso interventi contro l’automazione dei commenti, i gruppi organizzati per gonfiare l’engagement e gli strumenti non autorizzati.

Gli utenti dovrebbero verificare se i commenti generici diminuiscono senza limitare la partecipazione legittima. LinkedIn dovrebbe inoltre fornire informazioni più chiare sui comportamenti che rimuove o penalizza nel ranking.

Una riduzione visibile rafforzerebbe l’ipotesi che gli incentivi della piattaforma abbiano alimentato gran parte del problema dei contenuti sintetici. Cambiamenti limitati suggerirebbero invece che le misure di contrasto non riescono a tenere il passo con un’automazione sempre meno costosa.

Il secondo segnale sarà l’introduzione di dichiarazioni significative per i testi. LinkedIn raccomanda attualmente di segnalare quando gli iscritti fanno ampio ricorso all’AI, ma una semplice raccomandazione produce comportamenti disomogenei.

Un sistema utile distinguerebbe le bozze generate dall’AI dalle attività di revisione, traduzione, sintesi e assistenza all’accessibilità. Chiarirebbe inoltre quando le etichette incidono sulla distribuzione.

Gli obblighi di trasparenza dell’UE introdurranno una verifica normativa a breve termine dopo il 2 agosto. Le risposte delle piattaforme e dei fornitori di modelli mostreranno se la tracciabilità dei testi può diventare concreta al di fuori delle dimostrazioni controllate.

Dichiarazioni chiare e ampiamente utilizzate ridurrebbero la necessità di formulare ipotesi sulla base dello stile di scrittura. Etichette vaghe o un’adozione limitata continuerebbero invece a lasciare i lettori dipendenti da sistemi di rilevamento incerti.

Il terzo segnale sarà la riproduzione indipendente del risultato di Pangram. I ricercatori devono utilizzare campioni casuali o accuratamente stratificati per settori, regioni, lingue e dimensioni degli account.

Dovrebbero inoltre pubblicare le prestazioni dei rilevatori negli specifici ambiti di contenuto esaminati, includendo sensibilità, tassi di falsi positivi e resistenza alle normali modifiche apportate dalle persone.

Un’analisi comparabile potrebbe confermare che i contenuti lunghi su LinkedIn sono insolitamente saturi di testi generati. Potrebbe anche mostrare che il campione raccolto tramite l’estensione sovrarappresentava i post sospetti o determinate reti di utenti.

Entrambi i risultati migliorerebbero il dibattito. L’attuale rapporto costituisce un prezioso segnale d’allarme, ma le politiche della piattaforma non dovrebbero basarsi sul rilevatore di una sola azienda e su un unico dataset formato da adesioni volontarie.

Per i lavoratori della conoscenza, la risposta immediata non consiste nello smettere di usare l’AI. Occorre invece preservare il confine tra assistenza e autorevolezza presa in prestito.

I modelli possono essere usati per organizzare appunti, mettere alla prova un’argomentazione o migliorare la chiarezza. È però necessario conservare le prove originali, verificare le affermazioni fattuali ed eliminare le esperienze che non si sono realmente vissute.

I lettori dovrebbero applicare ai contenuti di LinkedIn generati dall’AI lo stesso criterio usato per qualsiasi affermazione professionale. Dovrebbero chiedersi cosa sia specifico, verificabile e coerente con il lavoro dimostrato dall’autore.

Il dato del 40% è importante perché mostra quanto rapidamente un linguaggio curato abbia smesso di essere una risorsa rara. Non significa che la competenza professionale sia scomparsa.

La risorsa ancora rara è il giudizio responsabile. Il futuro di LinkedIn dipende dalla capacità del suo feed di riconoscere e premiare questa differenza prima che la professionalità sintetica diventi la norma.