Ma davvero Claude di Anthropic scrive meglio degli altri LLM?

«Per scrivere uso Claude: è più umano». La frase è convincente, ma lascia aperte almeno tre domande. Più umano rispetto a quale modello? In quale lingua? E soprattutto: per scrivere che cosa? Una newsletter, una pagina commerciale e una relazione tecnica non si giudicano con lo stesso metro. Anche un testo pieno di errori può scorrere benissimo. Succedeva già prima dell’intelligenza artificiale.

Parliamo di Claude, l’assistente e la famiglia di modelli sviluppati da Anthropic. Mi interessa capire se la sua reputazione nella scrittura abbia basi tecniche, senza trasformare una preferenza in un verdetto. La domanda utile è quanto lavoro resta da fare tra la prima bozza e un testo che sarei disposto a firmare.

Claude scrive meglio degli altri LLM? Prima definiamo “meglio”

Un large language model, o LLM, è un modello linguistico di grandi dimensioni. Quando lo usiamo per scrivere, possiamo valutare almeno cinque risultati diversi: chiarezza, voce, struttura, aderenza alla richiesta e correttezza delle informazioni. Il mio criterio operativo è che un buon testo debba funzionare per un lettore e uno scopo precisi. “Suona bene” è un punto di partenza.

Le fonti esaminate non dimostrano una superiorità universale di Claude nella scrittura italiana. Documentano invece metodi capaci di orientare comportamento e tono. È quindi plausibile preferire Claude in determinati compiti; attribuire quella preferenza a una specifica scelta di addestramento richiede prove ulteriori. In questo articolo non presento un confronto sperimentale originale tra le versioni oggi disponibili.

Anche “Claude contro ChatGPT” è una scorciatoia: sono nomi che possono indicare prodotti con modelli, istruzioni e strumenti diversi. Un confronto riproducibile deve registrare modello esatto, data, impostazioni disponibili, prompt e materiali forniti. Senza questi dettagli confrontiamo due esperienze personali.

La spiegazione tecnica: stessa idea generale, risultati diversi

1. Il pretraining costruisce possibilità linguistiche, non un gusto unico

Il lavoro di Tom Brown e colleghi Language Models are Few-Shot Learners descrive un modello autoregressivo e mostra che istruzioni ed esempi nel contesto possono guidarne le prestazioni senza aggiornare i pesi. Per capire la generazione, immaginiamo una sequenza costruita un token alla volta: un token può essere una parola, una parte di parola o un segno. Ogni scelta dipende dal contesto disponibile e dal modello addestrato.

Il meccanismo di attenzione, introdotto nell’architettura Transformer da Ashish Vaswani e colleghi in Attention Is All You Need, permette di elaborare relazioni tra elementi della sequenza. È una base per capire come il contesto possa influenzare il testo. Quel paper, però, riguarda un’architettura e compiti di traduzione: non dimostra che Claude sia il miglior autore.

Dati, architettura e obiettivi di addestramento sono variabili da considerare quando si studiano differenze tra modelli. Ma dalle fonti qui consultate non possiamo ricostruire una ricetta completa e confrontabile dei sistemi proprietari attuali. Dire che Claude scrive meglio “perché ha letto più romanzi”, “perché ha più parametri” o “perché usa un’attenzione speciale” sarebbe attribuire una causa senza averla verificata.

2. Il post-training insegna quali risposte privilegiare

Dopo l’addestramento iniziale, il post-training può orientare il modello verso comportamenti desiderati. Nel paper di Long Ouyang e colleghi Training language models to follow instructions with human feedback, i ricercatori usano esempi di risposte e confronti umani, poi apprendimento per rinforzo da feedback umano, o RLHF. Nelle valutazioni dello studio, un modello InstructGPT molto più piccolo viene preferito a GPT-3 più grande. Il risultato riguarda quei sistemi e quei test: illustra perché la dimensione da sola non basta.

Il passaggio intuitivo è questo: se nel processo di addestramento vengono sistematicamente favorite certe risposte, cambia la probabilità che il modello produca risposte di quel tipo. È una spiegazione del perché lo stile possa essere orientato tecnologicamente, non una prova che Anthropic abbia trovato il gusto letterario perfetto. Inoltre il post-training non è un’esclusiva di Claude, come mostra proprio il lavoro su InstructGPT.

3. Anthropic ha documentato un lavoro sul “carattere”

Nell’articolo Claude’s Character, pubblicato nel 2024, Anthropic descrive l’introduzione del character training con Claude 3: caratteristiche come curiosità, apertura e ponderazione vengono tradotte in esempi e preferenze di risposta. L’azienda spiega che il procedimento usa dati sintetici e che i ricercatori controllano gli effetti dei tratti scelti. Non significa attribuire al modello una personalità umana.

La mia interpretazione è che questo lavoro possa contribuire a una voce percepita come più ragionata o gradevole. La stessa Anthropic presenta con cautela il possibile collegamento tra quel training e il coinvolgimento riportato dagli utenti. Non isola quanto valga nella qualità di un articolo e non dimostra che i concorrenti siano peggiori.

4. Constitutional AI orienta il comportamento, non certifica la bella prosa

Il paper Constitutional AI: Harmlessness from AI Feedback descrive un processo con autocritica, revisione e preferenze generate tramite AI, seguite da addestramento. I principi servono a guidare il comportamento del sistema. È un lavoro sull’allineamento: usarlo come certificato di superiorità nel copywriting sarebbe una forzatura.

Nel gennaio 2026 Anthropic ha pubblicato una nuova costituzione di Claude, spiegando che viene usata in diverse fasi del training e nella produzione di dati sintetici. Precisa anche che gli output possono non aderire sempre agli ideali descritti. Il documento rende più trasparente l’intenzione del produttore; non sostituisce una valutazione indipendente dei testi.

Ma predire il prossimo token permette davvero di progettare un testo?

Sì, la generazione sequenziale non esclude meccanismi interni che preparano elementi successivi. Nella ricerca Tracing the thoughts of a large language model, del marzo 2025, Anthropic analizza un caso di poesia e trova segnali di pianificazione di una rima prima della produzione del verso che la contiene. Intervenendo sulle rappresentazioni interne, i ricercatori modificano anche la destinazione del verso.

È un risultato interessante, ma va tenuto nel suo perimetro: riguarda il modello e i casi studiati, con strumenti di interpretabilità che gli autori stessi dichiarano parziali. Non prova che Claude pianifichi ogni articolo, che scriva come un essere umano o che nessun altro LLM possieda capacità analoghe. “Genera un token alla volta” e “può preparare una scelta futura” sono affermazioni compatibili.

L’equivoco più comune: il modello o le istruzioni?

Prima di assegnare una medaglia, farei un controllo molto semplice: che cosa ho dato ai due assistenti? Se a uno fornisco tre miei articoli, un pubblico preciso e una lista di formule da evitare, mentre all’altro chiedo soltanto “scrivi un post”, non sto isolando la capacità dei modelli. Sto confrontando due incarichi diversi. Il lavoro sul few-shot learning citato sopra aiuta proprio a capire perché gli esempi nel contesto contino.

Per un primo test sceglierei nuove conversazioni, eliminerei personalizzazioni evitabili e userei gli stessi materiali. Poi farei un secondo test nelle condizioni reali di lavoro, con le migliori istruzioni adatte a ciascuno strumento. Il primo confronto serve a ridurre le differenze di contesto; il secondo a scegliere quale flusso mi fa ottenere il risultato migliore. Non sono la stessa domanda.

Un esempio: elegante, concreto o verificabile?

Immaginiamo di dover annunciare un laboratorio aziendale sull’AI. I tre esempi seguenti sono scritti per illustrare i criteri: non sono output raccolti da Claude, ChatGPT o Gemini. Attribuire loro un marchio trasformerebbe un esempio didattico in un test inventato.

Versione illustrativa	Testo	Che cosa controllare
Generica	In un mondo in continua evoluzione, l’intelligenza artificiale rappresenta una straordinaria opportunità per innovare.	Suona familiare, ma non chiarisce cosa si farà.
Concreta	Porta una mail difficile e un verbale da sistemare: nel laboratorio proveremo a trasformarli in due bozze da controllare.	Fa immaginare un’attività; va verificato che il programma la preveda.
Persuasiva ma rischiosa	Con questo laboratorio dimezzerai i tempi di lavoro in una settimana.	La promessa richiede prove. La fluidità non la rende vera.

Io sceglierei la seconda impostazione, se coerente con il corso. Non perché sembri più “umana”, ma perché aiuta il destinatario a capire il lavoro proposto. Un buon assistente dovrebbe aiutarmi ad arrivarci senza aggiungere una promessa che poi dovrò togliere.

Il test alla cieca che farei prima di scegliere un LLM per scrivere

Il paper di Wei-Lin Chiang e colleghi su Chatbot Arena descrive una valutazione basata su confronti a coppie e preferenze umane. È una strada utile per raccogliere giudizi. La mia cautela metodologica è che una preferenza aggregata su molti compiti non risponde automaticamente alla domanda: quale assistente prepara meglio le newsletter italiane della mia azienda?

Per una prova interna propongo dieci incarichi reali: due email, due post, due newsletter, due riscritture e due testi tecnici. È un piccolo laboratorio decisionale, non uno studio rappresentativo. Per ogni incarico userei lo stesso brief e gli stessi documenti, produrrei più di una bozza per modello, anonimizzerei gli output e ne alternerei l’ordine. Registrerei le versioni dei modelli e gli eventuali strumenti usati.

Criterio	Domanda da fare al revisore
Chiarezza	Il destinatario capisce che cosa deve sapere o fare?
Voce	Il testo è compatibile con gli esempi del nostro stile?
Struttura	I passaggi seguono un ordine utile, senza ripetizioni?
Aderenza al brief	Rispetta destinatari, formato e vincoli?
Accuratezza	Ogni dato, citazione e promessa è sostenuto dai materiali?
Lavoro residuo	Quanti minuti e quali correzioni servono per pubblicarlo?

Chiederei a due o più revisori di assegnare punteggi da 1 a 5 ai primi quattro criteri, verificare separatamente i fatti e misurare il tempo di revisione. Un errore grave non dovrebbe sparire dentro una media alta di eleganza e ritmo. Solo alla fine rivelerei i nomi degli strumenti. È lì che un “Claude mi piace di più” può diventare una decisione motivata sul proprio lavoro.

Due prompt per passare dal tifo al lavoro editoriale

Il primo prompt serve a rendere il brief confrontabile. Usa testi di cui puoi disporre e sostituisci i campi tra parentesi.

Devi scrivere un articolo in italiano per [pubblico], con questo obiettivo: [obiettivo]. Lunghezza indicativa: [numero] parole.
Materiali fattuali ammessi: [documenti o testo]. Non aggiungere dati, citazioni o promesse non sostenuti dai materiali.
Esempi della mia voce: [tre estratti].
Prima individua cinque caratteristiche osservabili degli esempi e proponi una scaletta. Poi scrivi la bozza.
Usa esempi concreti, varia la lunghezza delle frasi ed evita queste formule: [elenco].
Segnala separatamente i punti che richiedono una verifica. Non inventare esperienze personali dell’autore.

Il secondo prompt serve a separare la revisione del contenuto dalla rifinitura della forma. Il giudizio dell’assistente va comunque controllato: non lo userei come unico arbitro di una gara tra modelli.

Revisiona questa bozza in tre passaggi:
1. Controlla ogni affermazione rispetto ai materiali allegati. Indica ciò che non è supportato; non sostituirlo con informazioni inventate.
2. Individua passaggi generici, ripetizioni e salti logici. Spiega per ciascuno quale problema crea al lettore.
3. Proponi una versione rivista che conservi la mia tesi e la mia voce.
Non aggiungere fatti nuovi. Alla fine elenca le modifiche sostanziali e le verifiche ancora necessarie.
Bozza: [testo]. Materiali: [fonti]. Esempi della mia voce: [estratti].

La mia scelta: meno correzioni, una voce riconoscibile

Alla domanda “Claude scrive meglio?” rispondo così: può essere la scelta migliore per un certo autore e un certo incarico; le fonti disponibili qui non autorizzano a dichiararlo vincitore assoluto. Le ragioni tecnologiche per ottenere stili diversi esistono. Stabilire quanto ciascuna spieghi la preferenza per Claude richiede confronti controllati, non un aggettivo come “umano”.

Per scegliere uno strumento, io guarderei soprattutto cosa resta da correggere, quanto rispetta la mia voce e quanto è facile verificare il contenuto. E distinguerei la scrittura dalle altre esigenze operative: nella guida ad Apify in ChatGPT mostro, per esempio, un lavoro diverso, quello di raccogliere e organizzare informazioni dal web. Un assistente può essere adatto alla ricerca e un altro alla prima stesura: lo stabilisce il flusso di lavoro.

Un approfondimento video sull’interpretabilità

Per approfondire come si studiano i meccanismi interni dei modelli, segnalo il video di Anthropic Interpretability: Understanding how AI models think. È un approfondimento del produttore sulla ricerca, non un confronto indipendente sulla qualità della scrittura.

Vuoi confrontare gli assistenti sui testi della tua azienda?

In un corso o in una consulenza possiamo costruire una prova con i vostri brief, esempi di voce e criteri di revisione. Il risultato che cercherei è concreto: capire quale strumento vi aiuta a produrre testi verificabili e riconoscibili, e insegnare alle persone a dirigerlo. Raccontami nel modulo che cosa scrivete oggi e dove perdete più tempo.