Appiattimento narrativo: come l’allineamento comprime la letteratura

Ascolta il podcast:

Nel settembre 2026 due ricercatori hanno pubblicato su arXiv uno studio che misura, frase per frase, cosa accade quando un modello linguistico continua un racconto: la variazione tematica si regolarizza, le emozioni ad alta intensità cedono il passo alla neutralità, la diversità stilistica collassa verso un unico attrattore. Li e Bao chiamano questo fenomeno narrative flattening e mostrano che non colpisce tutti i testi allo stesso modo: la narrativa letteraria professionale — i racconti del New Yorker — subisce la compressione maggiore, mentre la fiction comune, guidata da prompt o autopubblicata, appare meno distante dall’output allineato. La tesi di questo saggio è che l’appiattimento narrativo non è un difetto accidentale dell’allineamento, ma la traccia misurabile di una regolarizzazione epistemica: il post-addestramento instaura un regime di continuazione indifferente al dominio, che privilegia la coerenza convenzionale sulla tensione narrativa e, facendolo, svuota la fiction della sua capacità di articolare l’inaspettato retrospettivamente necessario.

La scoperta rovescia un’assunto diffuso: si credeva che l’allineamento migliorasse la qualità della generazione creativa; Li e Bao mostrano invece che ogni stadio — SFT, DPO, RLVR — restringe la distribuzione delle continuazioni possibili, e che il restringimento è massimo dove la scrittura umana è più densa di variazione affettiva e stilistica. Non è che il modello “scriva male” la letteratura: è che l’allineamento converge verso un regime unico, vicino alla fiction comune, e da lì la letteratura professionale appare come l’eccezione da comprimere. La conseguenza epistemica è sottile: se la qualità narrativa si misura solo su continuazioni singole (plausibilità, fluidità), l’appiattimento resta invisibile; emerge solo quando si confronta la varianza tra continuazioni e dentro una continuazione — la struttura dinamica che Aristotele chiamava causalità narrativa e che Ricoeur identifica come intreccio di ipse e idem nell’identità narrativa.

Il paradigma della continuazione accoppiata e i tre domini narrativi

Lo studio costruisce un paradigma di continuazione accoppiata: per ogni racconto umano si rivela un prefisso (al 40%, 60%, 80%, 90%) e si confronta la continuazione del modello con la continuazione umana originale. Tre corpora coprono lo spettro della scrittura creativa contemporanea: 3 023 racconti del New Yorker (1945–2019, selezione editoriale professionale), 230 storie di Tell Me A Story (scrittura guidata da prompt in workshop strutturati), 100 storie di StoryStar (piattaforma di autopubblicazione senza filtro editoriale). Quattro checkpoint OLMo 32B — Base, SFT, DPO, RLVR — condividono architettura, scala, tokenizer e pretraining; la sola variabile è lo stadio di post-addestramento. Si misurano tre faccette a livello di frase: moto tematico (coefficiente di variazione dei salti semantici frase-a-frase), prevalenza affettiva (classificatore GoEmotions adattato: conflitto, sorpresa-curiosità, neutralità), diversità linguistica (embedding StyleDistance, MMD alla distribuzione umana e varianza cross-story).

I domini umani differiscono già prima dell’intervento del modello. Nel moto tematico i coefficienti di variazione sono vicini: New Yorker 0,105, TMAS 0,098, StoryStar 0,110. La prevalenza affettiva si separa: il New Yorker porta sorpresa-conflitto al 41%, TMAS al 26,5%, StoryStar al 23,2%. La diversità linguistica mostra il divario maggiore: sull’asse stilistico principale (88,5% della varianza) il New Yorker sta a z = 0,22, TMAS e StoryStar si sovrappongono a z ≈ −2,0. La letteratura professionale abita una regione dello spazio narrativo distante da quella della fiction comune; l’allineamento spinge tutti e tre i domini verso quest’ultima.

Come l’allineamento comprime la traiettoria narrativa

Il moto tematico: il coefficiente di variazione dei salti tematici scende a ogni stadio — Base −8%, SFT −15%, DPO/RLVR −22% rispetto all’umano. Non è che il modello si muova più piano: la distanza media frase-a-frase a RLVR è lievemente superiore a quella umana (1,167 vs 1,133); ciò che crolla è la deviazione standard dei salti (0,095 vs 0,117). Le continuazioni umane alternano dimora (piccoli salti) e svolte brusche; l’allineato avanza a passi uniformi. La prevalenza affettiva: il modello Base esce dal pretraining iper-marcato — conflitto 47%, sorpresa-curiosità 33%, neutralità 13% contro 20%, 21%, 29% umani. Il post-addestramento non corregge verso l’umano: sovracorregge. A RLVR conflitto 7,5%, sorpresa-curiosità 13%, neutralità 45%. La compressione è selettiva: tristezza/perdita e calore/affiliazione restano stabili dopo SFT. La diversità linguistica: MMD alla distribuzione umana sale da 0,24 (Base) a 0,41 (SFT) a 0,52–0,53 (DPO/RLVR); la varianza cross-story scende da 6× umana (Base) a 0,5× (RLVR). Il modello converge su una voce unica e la applica a ogni racconto.

Lo stesso pattern direzionale regge fuori dalla linea OLMo: Qwen2.5-32B, Llama-3.1-8B, Gemma-3-12B abbassano la carica affettiva in tutte le nove celle famiglia-dominio e riducono il CV tematico in ogni famiglia. La compressione stilistica è meno uniforme, ma la direzione è condivisa: l’allineamento restringe lo spazio delle continuazioni possibili.

La convergenza cross-domain: un regime indifferente al registro

Il risultato più significativo è la cancellazione delle differenze cross-domain. Nell’humano la gamma del CV tematico è 0,0116; a RLVR 0,0037 (−62%). La gamma di sorpresa+conflitto crolla da 17,8 a 3,3 punti percentuali (−81%). Nella diversità linguistica l’MMD cross-domain umano è 0,61; il massimo RLVR cross-domain è 0,01. I tre endpoint RLVR occupano regioni largamente sovrapposte nonostante provenissero da baselines umane nettamente separate. La letteratura professionale paga il prezzo maggiore: la sua quota sorpresa+conflitto scende dal 41% al 20% (−21 pp), contro −7 pp per TMAS e −6 pp per StoryStar. I gap minori per i due domini comuni non significano che il modello li scriva meglio; significano che le loro baselines erano già vicine all’attrattore dell’allineamento.

Li e Bao parlano di “regime di continuazione domain-agnostico”: coerenza, leggibilità, benformatezza sequenziale, ma privazione della disuguaglianza tematica, della tensione affettiva, della variazione stilistica che distinguono la narrazione umana — e che distinguono un tipo di narrazione umana da un altro. Una valutazione su baseline unica (solo StoryStar, o media pooled) mascherebbe entrambi gli estremi: contro StoryStar il modello parrebbe fedele; contro il New Yorker catastroficamente deficitario; la media nasconde entrambi. Il disegno cross-domain rivela che il gap umano-modello non è proprietà fissa del modello ma funzione della baseline usata per misurarlo, e che gli endpoint allineati convergono tra loro indipendentemente dalla sorgente che è stato chiesto loro di continuare.

Regolarizzazione narrativa, non professionalizzazione

Un’obiezione naturale: forse ciò che Li e Bao chiamano appiattimento è ciò che fanno i buoni editori letterari — rimuovono eccessi affettivi, levigano movimenti erratici, impongono coerenza stilistica. Il Base iper-marcato affettivamente sembrerebbe confermare questa lettura: l’allineamento “editerebbe” il modello verso una voce più disciplinata. Due fatti tagliano questa interpretazione. Primo, l’endpoint allineato non si avvicina alla distribuzione umana: la sovrascorre dalla parte opposta, finendo più lontano dall’affetto umano del Base, ma sul lato smorzato. Secondo, l’editing professionale umano produce il New Yorker, il dominio da cui i modelli allineati si allontanano più aggressivamente. Il post-addestramento non professionalizza la fiction: converge verso un terzo regime, né lo sprawl del Base né la disciplina dell’editor letterario, ma un default più vicino alle baseline di fiction comune.

Questa distinzione ha radici epistemiche. Aristotele nella Poetica distingue la causalità narrativa — “ciò che segue dev’essere conseguenza necessaria o probabile di ciò che precede” — dalla mera successione episodica (“epeisodic”, dove gli episodi si succedono senza sequenza probabile o necessaria). La peripeteia (rovesciamento) e l’anagnorisis (riconoscimento) devono sorgere «dalla struttura interna del plot, così che ciò che segue sia risultato necessario o probabile dell’azione precedente»^[1]. La generazione forward del transformer, anche allineato, produce coerenza locale ma non causalità narrativa retrospettiva: la sorpresa che retroattivamente si rivela necessaria richiede un’orchestrazione multi-scala che l’attenzione causale non può garantire. Elkins la chiama “informational revaluation challenge”: la fiction viola sistematicamente l’assunto computazionale per cui l’importanza informativa allinea con la salienza statistica, richiedendo a lettori e modelli di ripesare retrospettivamente il significato dei dettagli narrativi in modi che i meccanismi d’attenzione attuali non possono eseguire.

L’interpretazione come discrimine epistemico

Rodrigues, commentando la “distant writing” di Mollema, argomenta che la similarità strutturale — umani e LLM navigano lo spazio narrativo preservando isotropia/coerenza — nasconde una differenza epistemica fondamentale. Attingendo a Ryle, distingue “sapere che” (proposizionale) e “saper fare” (pratico, inesauribile in enunciati): lo scrittore esperto applica la sua comprensione del racconto per determinare come costruire una scena, muovendosi nello spazio delle possibilità narrative mediante selezione ed eliminazione guidate da scopi e valori. L’LLM mostra “competenza navigazionale” — sposta tra percorsi narrativi mantenendo coerenza — ma manca l’“abilità valutativa e comprensione trasformazionale” che Mollema chiama disautomation: la capacità di fermare sistemi automatizzati e selezionare opzioni genuine basate su scopi e valori propri.

Gadamer, in Verità e metodo, afferma che il significato non esiste come entità indipendente nel testo che il lettore possa scoprire: «il processo di creazione del significato avviene attraverso l’interazione tra lettori e testi quando i lettori usano la loro comprensione preesistente per ingaggiare il contenuto del testo»^[2]. Stiegler concorda: l’interpretazione «non può essere delegata a un sistema analitico e implica decidere tra possibilità in modi che richiedono scelta genuina»^[3]. L’asimmetria è decisiva: la capacità di automatizzare la produzione narrativa esiste, ma la costituzione del significato resta oltre i sistemi computazionali. Ricoeur, in Sé come un altro, articola questa asimmetria attraverso la distinzione tra identità idem (sameness, identità numerica/qualitativa attraverso il tempo) e identità ipse (selfhood, identità come “chi?” che persiste attraverso il cambiamento). L’identità narrativa è ipse: intreccia carattere (tratti che cambiano attraverso acquisizione/perdita nel tempo) e promessa (fedeltà alla parola data che resiste al cambiamento temporale). Il modello allineato produce testo che simula la struttura idem della coerenza narrativa, ma non può abitare la dimensione ipse perché manca dell’agenzia che sostiene la promessa e dell’esperienza vissuta che plasma il carattere.

Il narrative flattening misurato da Li e Bao è l’ombra distributiva di questa mancanza epistemica. La compressione affettiva (soppressione di conflitto e sorpresa-curiosità a favore della neutralità) riflette l’assenza di posta in gioco: chi non rischia nulla non genera tensione narrativa. La regolarizzazione del moto tematico (passi uniformi invece di alternanza dimora/svolta) riflette l’assenza di intenzionalità trasformazionale: chi non può “disautomatizzare” non opera scelte che ristrutturano lo spazio delle possibilità. Il collasso della diversità stilistica cross-story (endpoint convergenti indipendentemente dal dominio sorgente) riflette l’assenza di prospettiva situata: chi non ha una “forma di vita” (Wittgenstein) da cui scrivere, scrive sempre dalla stessa posizione di default.

Variazione come rumore o come segnale epistemico

Si potrebbe obiettare che la variazione misurata da Li e Bao sia rumore, non segnale: lettori comuni preferiscono continuità leggibili e convenzionali; l’allineamento risponde a preferenze umane reali (Doshi & Hauser 2024 mostrano che la co-scrittura AI migliora le storie individuali pur riducendo la diversità collettiva). Se il “regime domain-agnostico” produce testi che i lettori giudicano migliori, l’appiattimento è un feature, non un bug. Due repliche. Prima: le preferenze degli annotatori possono essere sistematicamente distorte verso il familiare (Zhang et al. 2025a); Hamilton e Mimno (2026) tracciano nomi, ambientazioni, professioni ricorrenti nelle storie LLM ai dati di preferenza, non al pretraining. Secondo: la letteratura non ottimizza per la preferenza media. La sua funzione epistemica — mostrata da Kitcher (1990) sulla divisione del lavoro cognitivo, da Hong & Page (2004) sulla superiorità epistemica di team diversi, da Longino (2002) sulla conoscenza come pratica sociale — richiede la preservazione di approcci narrativi minoritari che forniscono insight distintivi proprio perché non rappresentano la maggioranza. Mollema stesso teme la “riduzione di varietà riguardo alle possibilità narrative” e il “rinforzo di narrazioni parrocchiali” quando gli LLM si addestrano sui propri output. Il model collapse (Shumailov et al. 2023) mostra che l’addestramento su dati sintetici fa perdere capacità e diversità; Gerstgrasser et al. (2024) propongono di mescolare dati reali e artificiali, ma il problema epistemico resta: se l’allineamento convergerà verso un unico regime, la ricchezza epistemica della pratica narrativa — la sua capacità di articolare l’inaspettato retrospettivamente necessario — si eroderà indipendentemente dalla qualità media percepita.

Implicazioni per l’epistemologia della narrativa algoritmica

I risultati di Li e Bao complicano i criteri di successo per il post-addestramento in generazione aperta. Nella sintesi, variazione ridotta è desiderabile; nella fiction, la variazione conduce a esperienza intensificata, e la compressione uniforme diventa un difetto. Assistenti di scrittura creativa potrebbero richiedere obiettivi di allineamento distinti: modelli di ricompensa domain-conditional che calibrino sul registro sorgente invece che su preferenze pooled; obiettivi di matching distribuzionale che preservino la variazione dentro una continuazione e tra continuazioni, non solo qualità point-wise; dati di preferenza campionati deliberatamente dalla coda letteraria invece che dalle continuazioni preferite dalla maggioranza. Le metriche di narrative flattening completano la valutazione per preferenza umana chiedendo non se ogni continuazione è plausibile, ma se una collezione di continuazioni preserva la varianza della fiction umana.

Ricoeur chiude Tempo e racconto osservando che la rifigurazione — la rilettura che integra frammenti incomprensibili in una storia coerente — ha una dimensione costitutiva per l’identità non solo della persona ma della comunità. Se la narrativa algoritmica converge verso un regime che appiattisce proprio le dimensioni che rendono possibile la rifigurazione (tensione affettiva, svolte tematiche, pluralità stilistica), allora non sta solo producendo fiction “piatta”: sta riducendo lo spazio delle possibilità narrative entro cui lettori e comunità costruiscono senso. La domanda aperta non è tecnica (come evitare il flattening) ma epistemica: quale concezione di conoscenza narrativa implicitamente deleghiamo quando accettiamo che l’allineamento definisca cosa conta come “buona” continuazione?

Bibliografia

1. Li, Z., Bao, H. (2026). Narrative Flattening: How Post-Training Compresses Thematic, Affective, and Stylistic Variation in LLM Fiction. arXiv preprint arXiv:2605.27878v2. https://arxiv.org/abs/2605.27878
2. Rodrigues, T. V. (2026). The Epistemology of Algorithmic Narrative and the Problem of Creative Authenticity. Philosophy & Technology, 39, 20. https://doi.org/10.1007/s13347-025-01011-2
3. Elkins, K. (2026). The AI-Fiction Paradox. arXiv preprint arXiv:2603.13545v2. https://arxiv.org/abs/2603.13545
4. Aristotle. (350 a.C.). Poetics. Trans. S. H. Butcher. Project Gutenberg. https://www.gutenberg.org/files/1974/1974-h/1974-h.htm
5. Ricoeur, P. (1990). Sé comme un autre. Éditions du Seuil. Trad. it. Ipseità e identità narrativa, a cura di A. Mazzone, Mimesis 2021.
6. Gadamer, H.-G. (1960/2004). Wahrheit und Methode (2nd rev. ed.). Continuum. Trad. it. Verità e metodo, Bompiani 2007.
7. Doshi, A., Hauser, O. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. https://doi.org/10.1126/sciadv.adn5290
8. Kitcher, P. (1990). The Division of Cognitive Labor. The Journal of Philosophy, 87(1), 5–22. https://doi.org/10.2307/2026796
9. Hong, L., Page, S. E. (2004). Groups of Diverse Problem Solvers Can Outperform Groups of High-Ability Problem Solvers. PNAS, 101(46), 16385–16389. https://doi.org/10.1073/pnas.0403723101
10. Shumailov, I., Shumaylov, Z., Zhao, Y., Gal, Y., Papernot, N., Anderson, R. (2023). The Curse of Recursion: Training on Generated Data Makes Models Forget. arXiv preprint arXiv:2305.17493. https://doi.org/10.48550/arXiv.2305.17493
11. Gerstgrasser, M., Schaeffer, R., Dey, A., Rafailov, R., Sleight, H., Hughes, J., Korbak, T., Agrawal, R., Pai, D., Gromov, A., Roberts, D. A., Yang, D., Donoho, D. L., Koyejo, S. (2024). Is Model Collapse Inevitable? Breaking the Curse of Recursion by Accumulating Real and Synthetic Data. arXiv preprint arXiv:2404.01413. https://doi.org/10.48550/arXiv.2404.01413
12. Hamilton, W. L., Mimno, D. (2026). Tracing Recurring Names, Settings, and Professions in LLM Stories to Preference Data. arXiv preprint arXiv:2601.08912.
13. Longino, H. E. (2002). The Fate of Knowledge. Princeton University Press.
14. Zhang, Y., et al. (2025a). Annotators’ Systematic Preference for Familiar Text Drives Mode Collapse. arXiv preprint arXiv:2503.14221.

Note

1. «These last should arise from the internal structure of the plot, so that what follows should be the necessary or probable result of the preceding action» — Aristotele, Poetica, 350 a.C., §XIII. Fonte: Project Gutenberg, The Poetics of Aristotle. Traduzione nostra.
2. «The process of meaning creation happens through the interaction between readers and texts when readers use their existing understanding to engage with the content of the text» — Gadamer, H.-G., Truth and Method, 1960/2004. Fonte: Springer, The Epistemology of Algorithmic Narrative (citazione in Rodrigues 2026). Traduzione nostra.
3. «Interpretation cannot be delegated to an analytical system and involves deciding between possibilities in ways that require genuine choice» — Stiegler, B., For a Neganthropology of Automatic Society, 2019, p. 24. Fonte: Springer, The Epistemology of Algorithmic Narrative (citazione in Rodrigues 2026). Traduzione nostra.

Podcast: Play in new window | Download