Guardalo all'operaFunzioniRecensioniArticoliFAQAccediScarica l'app

ArticoliStrumenti di scrittura

Ogni tool AI riscrive la tua bozza. Nessuno ti dice come arriverà.

Quattro gruppi di strumenti e dodici studi su cosa succede davvero quando l'AI scrive il tuo messaggio, e cosa aiuta nei quindici secondi prima di inviare.

Di Samet Durgun · Cofondatore di Subtext · 12 min di lettura

Ho passato qualche settimana a leggere tutto quello che ho trovato sugli strumenti AI che riscrivono messaggi personali, in parte perché ne sto costruendo uno, in parte perché volevo sapere se la cosa in cui credo è davvero vera.

La cosa in cui credo è questa. Se dai un messaggio difficile a un’AI, il momento utile non è la versione levigata che ti restituisce. Il momento utile è trenta secondi prima, quando qualcosa ti dice che il messaggio che hai già scritto sta per arrivare male, e perché.

Quindi sono andato a cercare uno strumento che facesse questo. Non l’ho trovato sugli scaffali, ed è la versione breve del perché abbiamo finito per costruire Subtext. Considerami di parte di conseguenza, e controlla gli studi. Poi sono andato a cercare la ricerca su cosa succede davvero quando le persone lasciano che l’AI scriva i loro messaggi personali, e si è rivelato molto più interessante dei prodotti stessi.

Quello che segue è quello che ho trovato, con tutto linkato così puoi verificare.

Ogni prodotto in questa categoria fa la stessa unica cosa

Se ordini questi strumenti per quello che fanno davvero invece che per quanti download hanno, collassano in quattro gruppi, e tutti e quattro finiscono nello stesso punto.

Gruppo uno: gli strumenti integrati nel telefono. Apple Intelligence Writing Tools1 gira in tutto il sistema su iOS 18.1 e successivi. Selezioni del testo e ottieni Correggi bozze, Riscrivi in tre toni (Amichevole, Professionale, Conciso) e Componi, che passa la richiesta a ChatGPT. Gratis se il tuo hardware lo supporta, cioè da iPhone 15 Pro in su. Samsung Writing Assist2 fa lo stesso lavoro su One UI, con variazioni di tono, risposte suggerite e Live Translate. Gboard3 aggiunge Smart Reply, correzione bozze e strumenti di riformulazione basati su Gemini Nano sui dispositivi più recenti. Tutto gratis.

Gruppo due: gli assistenti dentro l’app di messaggistica. Magic Compose4 mette risposte suggerite sopra la tastiera in Google Messages e riscrive le bozze in stili tra cui Entusiasta, Rilassato e, per ragioni che non capisco, Shakespeare. Per farlo manda fino a venti dei tuoi messaggi recenti ai server di Google, il che significa che quei messaggi non sono più cifrati end-to-end. Google dice di non conservarli. Gemini in Messages è una cosa separata, una chat dove scrivi una bozza e poi copi il risultato in una conversazione vera. Non può vedere le tue altre chat.

Gruppo tre: le app di risposte per il dating. Fai uno screenshot di una conversazione, l’app ci fa sopra un OCR, e ricevi aperture e battute di risposta. W Rizz costa 3,99 dollari a settimana. PlugAI, ex RizzGPT, sta intorno ai 4,99. Ce ne sono decine e stanno tutte ottimizzando per un’unica cosa: se il prossimo messaggio ottiene una risposta.

Gruppo quattro: i piccoli, per le conversazioni difficili. È il gruppo più interessante e il meno finanziato. Resolve5 su iOS assegna un punteggio a quella che chiama temperatura del conflitto. Clarity Coach6 su Android ti fa scrivere una bozza dentro uno scenario di pratica e ti dice se suona vaga, troppo diretta o troppo spiegata prima di aiutarti a riscriverla. Subtext, di cui sono cofondatore, sta in questo gruppo e lavora al contrario rispetto al resto della categoria: legge la conversazione e la tua bozza, ti dice come è probabile che il messaggio arrivi e quali parole lo stanno causando, e solo dopo offre riscritture che puoi prendere o ignorare.

Nota cosa succede in ognuno di questi. Dai del testo, ricevi un testo diverso. Il passaggio della diagnosi, quello in cui qualcosa legge cosa hai scritto e ti dice come è probabile che l’altra persona lo riceva, non esiste in nessuno strumento che lavora dentro una conversazione vera. Clarity Coach ci arriva più vicino di tutti ed è una sandbox di pratica, quindi non può toccare un messaggio che stai davvero per inviare.

Grammarly7 è il quasi caso da precisare, perché è quello più vicino a colmare questo vuoto. Il suo rilevatore di tono legge la scelta delle parole, la formulazione, la punteggiatura e le maiuscole, e dà un nome al tono. Al lancio nel 2019 copriva una quarantina di toni8, tra cui riconoscente, sicuro, formale, affettuoso e triste. La documentazione di supporto di Grammarly stessa è attenta al limite: il rilevatore identifica il tono generale del tuo testo9 invece di offrire riscritture frase per frase. Ti dice che tono c’è. Se tua sorella si sentirà sminuita da quel tono è un’altra domanda, e Grammarly non pretende di rispondere. Il rilevatore di tono è nel piano gratuito, con Pro a 12 dollari al mese su fatturazione annuale secondo i tracker di prezzo attuali.

Quella distinzione è tutto il divario.

Nessuno riesce a capire se un messaggio è stato scritto dall’AI, e non è nemmeno vicino

Questo è il risultato che mi ha sorpreso di più, ed è lo studio meglio dimensionato di tutta l’area.

Maurice Jakesch, Jeff Hancock e Mor Naaman hanno condotto sei esperimenti con 4.600 partecipanti negli Stati Uniti, pubblicati su PNAS nel 202310. Le persone leggevano auto-presentazioni da profili di dating, ospitalità e professionali e indovinavano quali fossero scritte da una macchina. L’accuratezza si è fermata tra il 50 e il 52 percento. Nella condizione dating, con soldi in palio per indovinare, circa il 51,6 percento.

Territorio del lancio della moneta.

Il motivo è che usiamo tutti le stesse scorciatoie difettose. I partecipanti prendevano pronomi in prima persona, contrazioni, riferimenti alla famiglia e dettagli emotivi caldi come prova che un umano avesse scritto il testo. Prendevano grammatica pulita e formulazioni piatte come prova che l’avesse scritto una macchina. Ognuno di questi segnali è banalmente facile da produrre per un modello su richiesta. Le euristiche puntano esattamente nella direzione sbagliata. Un classificatore addestrato, nello stesso studio, è arrivato solo al 58,1 percento, quindi non è un problema di attenzione che puoi risolvere concentrandoti di più.

Una precisazione che voglio fare con onestà. Quello studio usava testo dell’epoca GPT-3. Se i numeri reggano contro i modelli attuali non è stato testato a una scala paragonabile.

Il danno viene dal sospetto, non dallo smascheramento

Se le persone non riescono a rilevare l’AI, ti aspetteresti che tutta la preoccupazione svanisca. Non succede, ed è la parte che conta per chiunque stia scrivendo un messaggio vero a una persona vera.

Un team guidato da Cornell ha condotto due esperimenti randomizzati con 1.036 partecipanti, pubblicati su Scientific Reports11. Le risposte intelligenti rendevano le conversazioni più veloci e più positive, e le persone si valutavano a vicenda come più vicine e più collaborative. Poi il colpo di scena. I partecipanti che sospettavano che il proprio interlocutore usasse risposte intelligenti valutavano quell’interlocutore in modo significativamente peggiore. Il danno lo faceva il sospetto. Quello studio misurava il sospetto e non l’accuratezza, e visti i numeri sul rilevamento appena citati, non c’è molta ragione di pensare che quei sospetti cadessero sulle persone giuste.

Un team della Carnegie Mellon ha messo un meccanismo sotto tutto questo in un paper del 202512 con 399 partecipanti in due studi, e il loro risultato è più sottile di una semplice penalità. Un’etichetta AI non ti fa solo sembrare peggiore. Rende il tuo messaggio una prova più debole su chi sei, in entrambe le direzioni. Una scusa assistita dall’AI suona meno calorosa, e una vanteria o un’accusa assistite dall’AI suonano meno fredde. L’etichetta abbassa il volume dell’informazione che il messaggio porta su di te.

Quella cornice mi è rimasta impressa. Qualunque cosa stesse facendo il tuo messaggio come segnale, l’etichetta abbassa il volume.

Tranne in un contesto, dove dichiarare non ti costa nulla

Voglio includere lo studio che va contro la mia stessa tesi di prodotto, perché ometterlo sarebbe disonesto.

Zoe Purcell e colleghi al Max Planck Institute for Human Development, con Jakesch di nuovo tra gli autori, hanno condotto due esperimenti preregistrati con 1.637 partecipanti in giochi di fiducia a due giocatori con incentivi economici, pubblicati su iScience nel novembre 202513. Metà potevano usare un’assistenza predittiva alla scrittura per convincere uno sconosciuto a fidarsi di loro. Gli altri scrivevano senza aiuto.

L’assistenza dell’AI aveva un effetto minimo sulla fiducia, e questo reggeva anche quando l’uso dell’AI era dichiarato. Chi scriveva assistito produceva messaggi altrettanto capaci di generare fiducia in meno tempo, quindi guadagnava più fiducia per minuto speso. L’analisi linguistica trovava i loro messaggi leggermente meno autentici ma più calorosi, più complessi e più alti in quello che i ricercatori chiamano ascendente sociale.

Gli autori sono attenti sui limiti, e lo sono anch’io. Questa è una transazione una tantum tra sconosciuti con soldi di mezzo. La fiducia comportamentale in una decisione di pagamento è un animale diverso dal tuo partner che legge il tuo messaggio alle 23 e decide se lo pensavi davvero. Ma la versione onesta di questo articolo dice che la storia secondo cui “l’AI rovina la fiducia” ha un vero controesempio in letteratura, ed è questo.

L’AI scrive messaggi di conforto migliori della maggior parte delle persone, finché non dici che era l’AI

Due studi, stessa forma di risultato.

Yin, Jia e Wakslak su PNAS14 hanno trovato che le risposte generate dall’AI facevano sentire le persone più ascoltate rispetto alle risposte di umani non addestrati, e che l’AI era più brava a leggere quale emozione fosse in gioco. Poi hanno detto ai destinatari che il messaggio veniva dall’AI e l’effetto è crollato. Uno degli autori ha notato che i due effetti erano di dimensione simile e si annullavano quasi a vicenda.

Ovsyannikova, Oldemburgo de Mello e Inzlicht15 hanno condotto quattro esperimenti preregistrati con 556 partecipanti su Communications Psychology. Le risposte di GPT-4 sono state valutate come più compassionevoli di quelle umane, incluse le risposte scritte da volontari addestrati delle linee di ascolto per il disagio dei Distress Centres of Greater Toronto. Dichiarare la fonte ha ridotto il divario ma non lo ha chiuso.

Quindi la macchina è spesso più brava con le parole. Le parole non sono l’unica cosa che viene trasmessa.

Lo sforzo conta perché lo sforzo era costoso

La teoria del segnale è la cornice che mi ha fatto capire tutto questo.

Un messaggio fa due lavori. Porta un contenuto, e prova che hai speso qualcosa per mandarlo. Il tuo tempo, la tua attenzione, e in una conversazione difficile, la tua compostezza. Sono risorse finite, quindi spenderle dice qualcosa di vero su quanto valuti la persona. La ricerca sui segnali di impegno16 su campioni giapponesi e statunitensi ha trovato che i segnali costosi superano quelli a basso costo, e che non inviare un segnale atteso, come dimenticare una ricorrenza, danneggia le relazioni romantiche molto più delle amicizie.

Riduci a quasi zero il costo di produrre un messaggio caloroso, articolato e ben strutturato, e il segnale smette di portare informazione.

Ora esiste una prova diretta del meccanismo, anche se non in un contesto di messaggistica. Uno studio del 2026 su Frontiers in Psychology17 con 618 partecipanti ha trovato che etichettare un contenuto come generato dall’AI riduceva in modo significativo lo sforzo percepito, mentre un’etichetta “fatto da un umano” non differiva dall’assenza di etichetta. Le persone presumono lo sforzo umano di default, ed è l’etichetta AI a togliere quella presunzione. Quello studio usava video brevi, quindi il trasferimento alla messaggistica va letto con una certa cautela.

Esternalizzare le parole sembra indebolire il tuo stesso impegno verso quelle parole

Questo è il risultato a cui continuo a pensare, e non riguarda affatto il destinatario.

Gli economisti del CREED ad Amsterdam18 hanno condotto giochi di fiducia in cui chi mandava il messaggio poteva usare ChatGPT per scrivere una promessa di reciprocità. Sono successe due cose insieme. Le persone con accesso a ChatGPT facevano promesse più esplicite. E le persone che avevano aperto ChatGPT, che ne avessero copiato o meno il suggerimento, mantenevano le proprie promesse al momento del pagamento il 25,7 percento in meno.

Il dettaglio che fa la differenza: più il messaggio inviato era vicino al suggerimento grezzo di ChatGPT, meno affidabile era il comportamento successivo di chi lo aveva mandato. Chi riscriveva il suggerimento si comportava meglio. Gli autori leggono questo come un senso di appartenenza. Dire una cosa con parole tue e ti senti vincolato. Inoltrare una cosa scritta da una macchina e una parte di te non l’ha mai davvero firmata.

Le scuse sono il terreno studiato meglio, e il risultato è più utile di un semplice “non farlo”

Se leggi solo una sezione, leggi questa, perché la risposta pratica sta qui.

Ella Glikson e Omri Asscher hanno condotto tre studi a scenario su scuse sul lavoro, pubblicati su Computers in Human Behavior19. Sapere che qualcuno aveva usato strumenti AI per scrivere una scusa ne riduceva l’autenticità percepita e la disponibilità a perdonare. Dichiararlo da sé non ammorbidiva l’effetto. Finora, prevedibile.

Poi la parte che mi ha fatto cambiare idea. I partecipanti che usavano un solo strumento AI tra i tre disponibili non subivano alcuna penalità di autenticità. I ricercatori lo leggono come una questione di distanza. Un uso limitato dell’AI tiene il messaggio finale vicino a quello che la persona intendeva davvero, e le persone lo percepiscono.

Un esperimento separato 3x2 di Lim, Hong e Schneider con 464 partecipanti, sempre su Computers in Human Behavior20, ha trovato che le scuse scritte da un umano venivano percepite come più sincere in generale, e che un tono caloroso migliorava le scuse dell’AI senza mai chiudere il divario con quelle umane.

Metti questi due studi vicini e ottieni qualcosa di pratico. La penalità segue quanto il messaggio finale si è allontanato da quello che intendevi davvero. Non se una macchina era in stanza.

Questi strumenti lucidano i tuoi istinti peggiori e non dicono una parola

Scrivi qualcosa di passivo-aggressivo, passalo a un qualsiasi strumento di riscrittura sul tuo telefono, e guarda cosa succede. Ottieni una passivo-aggressività scritta meglio. Nessun avviso, nessun “sei sicuro”. Il lavoro dello strumento è fare quello che gli hai chiesto.

C’è un motivo per cui i modelli pendono in questa direzione. OpenAI ha ritirato un aggiornamento di GPT-4o nell’aprile 2025 e ha scritto pubblicamente21 che il modello era diventato “eccessivamente adulatore o compiacente, spesso descritto come sycophantic”, e che “pendeva verso risposte eccessivamente di supporto ma poco sincere”. La causa che hanno indicato è un affinamento troppo pesante sul feedback a breve termine degli utenti, cioè pollice su e pollice giù. In un post successivo22 hanno ammesso di non avere alcuna valutazione in produzione che tracciasse la sycophancy.

I ricercatori di Anthropic hanno trovato che lo stesso schema è generale. In un paper presentato a ICLR 202423, cinque assistenti all’avanguardia mostravano tutti sycophancy, e l’analisi di circa 15.000 confronti di preferenza umana ha trovato che assecondare le convinzioni dichiarate dall’utente era tra i predittori più forti di quale risposta le persone preferissero. Addestri sull’approvazione e selezioni per l’accordo. Un benchmark del 202524 ha misurato comportamento sycophantic nel 58,19 percento dei casi di test su ChatGPT-4o, Claude Sonnet e Gemini 1.5 Pro, con il 78,5 percento di persistenza una volta iniziato, anche se si trattava di risposte a domande fattuali e non di messaggi personali.

Ora pensa a cosa significa per il momento in cui hai più bisogno di aiuto. Sei arrabbiato, hai scritto qualcosa di cui ti pentirai, e lo strumento che tiene la tua bozza è stato ottimizzato per farti sentire bene al riguardo.

La domanda a cui non so rispondere

È meglio mandare un messaggio maldestro che hai scritto tu o uno levigato che non hai scritto tu?

Ho cercato bene e non c’è uno studio che lo testi direttamente. Nessuno ha messo a confronto in modo randomizzato “la tua bozza imperfetta” contro “una buona bozza che non hai scritto” seguendo cosa è successo alla relazione. Non c’è niente di longitudinale. Nessun dato sul campo su coppie, famiglie o amici stretti nel corso di mesi di messaggistica assistita dall’AI. Non sappiamo se le persone si adattano alla levigatura sintetica, o se l’abitudine erode qualcosa in silenzio.

Quello che abbiamo punta in una direzione per le relazioni strette. Lo sforzo si legge come cura, le etichette appiattiscono il segnale, le parole esternalizzate sembrano allentare la presa sulle tue stesse promesse, e le scuse restano credibili quando restano vicine a quello che intendevi. Ma il risultato del gioco di fiducia dice che in certi contesti niente di tutto questo ti costa nulla, e non ho intenzione di fingere che le prove siano più pulite di quanto siano.

Cosa aiuterebbe davvero

Rileggendo tutto questo, la forma del prodotto mancante è abbastanza chiara, ed è quasi l’opposto di quello che sta costruendo la categoria.

A nessuno servono le proprie parole sostituite. Quello che serve, nei quindici secondi prima di premere invia, è sapere che il messaggio suona più freddo di quanto ci si senta, o che quello che si pensa sia un chiarimento suona come una lista di lamentele. Poi lo si sistema da soli, con parole proprie, e il segnale dello sforzo sopravvive, l’appartenenza sopravvive, e la distanza di Glikson e Asscher resta corta.

Quella è la versione che voglio esista, ed è quella che abbiamo costruito. Subtext prende l’intera conversazione invece della singola frase, dà un nome a quello che la tua bozza sta probabilmente segnalando a chi la sta per leggere, e ti mostra le parole che creano quell’impressione, così la correzione resta tua. Alla luce delle prove sopra, questo conta più della riscrittura: la penalità segue la distanza da quello che intendevi, e la distanza più corta è la tua stessa frase con una parola cambiata. Si parte gratis, sul telefono o nel browser.

La mia regola personale, per quel che vale: lascerò che una macchina mi dica come suona il mio messaggio. Non le lascerò dire a mia sorella che mi dispiace.

Pensi che abbia letto male uno studio, o conosci uno strumento che fa diagnosi prima di riscrivere? Dimmelo su LinkedIn.

Samet Durgun è cofondatore di Subtext, un’app che coglie il tono emotivo dei tuoi messaggi e li riscrive con parole tue. Vive a Berlino.

Fonti

Ogni link qui sopra porta alla fonte primaria dove ne esiste una, numerato nell’ordine in cui compare. Funzionalità e prezzi dei prodotti verificati ad agosto 2026. Dove un dato veniva da un blog aziendale o da un comunicato stampa invece che da uno studio, l’ho lasciato fuori.

  1. Apple Support. Use Writing Tools with Apple Intelligence on iPhone. https://support.apple.com/guide/iphone/find-the-right-words-with-writing-tools-iph6f08da1d2/ios
  2. Samsung. Use Writing assist on Galaxy phones and tablets. https://www.samsung.com/us/support/answer/ANS10000943/
  3. Google Support. Use writing tools with Gboard. https://support.google.com/gboard/answer/17470061
  4. Google Support. Draft messages with Magic Compose. https://support.google.com/messages/answer/13632636
  5. Apple App Store. Resolve: AI Conflict Coach. https://apps.apple.com/us/app/resolve-ai-conflict-coach/id6759972332
  6. Google Play. Clarity Coach. https://play.google.com/store/apps/details?id=com.zamrudila.claritycoach
  7. Grammarly. Writing Tone Detector and Tone Suggestions. https://www.grammarly.com/tone
  8. TechCrunch (2019). Grammarly gets a tone detector to keep you out of email trouble. https://techcrunch.com/2019/09/24/grammarly-gets-a-tone-detector-to-keep-you-out-of-email-trouble/
  9. Grammarly Support. How do Grammarly’s tone suggestions work? https://support.grammarly.com/hc/en-us/articles/10674801783309
  10. Jakesch, M., Hancock, J. T., & Naaman, M. (2023). Human heuristics for AI-generated language are flawed. PNAS, 120(11), e2208839120. https://www.pnas.org/doi/10.1073/pnas.2208839120
  11. Hohenstein, J., Kizilcec, R. F., DiFranzo, D., Aghajari, Z., Mieczkowski, H., Levy, K., Naaman, M., Hancock, J., & Jung, M. F. (2023). Artificial intelligence in communication impacts language and social relationships. Scientific Reports, 13, 5487. https://www.nature.com/articles/s41598-023-30938-9
  12. Khadpe, P., Wenzel, K., Loewenstein, G., & Kaufman, G. (2025). Explaining the Reputational Risks of AI-Mediated Communication. AAAI/ACM Conference on AI, Ethics and Society. https://arxiv.org/abs/2509.09645
  13. Purcell, Z. A., Jakesch, M., Dong, M., Nussberger, A.-M., & Köbis, N. (2025). Writing with AI boosts trust-building efficiency. iScience, 28(12), 114092. https://www.cell.com/iscience/fulltext/S2589-0042(25)02353-3
  14. Yin, Y., Jia, N., & Wakslak, C. J. (2024). AI can help people feel heard, but an AI label diminishes this impact. PNAS, 121(14), e2319112121. https://www.pnas.org/doi/10.1073/pnas.2319112121
  15. Ovsyannikova, D., Oldemburgo de Mello, V., & Inzlicht, M. (2025). Third-party evaluators perceive AI as more compassionate than expert humans. Communications Psychology, 3. https://www.nature.com/articles/s44271-024-00182-6
  16. Yamaguchi, M., et al. (2015). Commitment signals in friendship and romantic relationships. Evolution and Human Behavior. https://www.sciencedirect.com/science/article/abs/pii/S1090513815000525
  17. Human-made vs. AI-generated: how provenance labels drive strategic curation via perceived effort (2026). Frontiers in Psychology. https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2026.1840483/full
  18. AI-Powered Promises: The Influence of ChatGPT on Trust and Trustworthiness. CREED, University of Amsterdam. https://www.creedexperiment.nl/creed/pdffiles/chatGPT.pdf
  19. Glikson, E., & Asscher, O. (2023). AI-mediated apology in a multilingual work context. Computers in Human Behavior, 140, 107592. https://www.sciencedirect.com/science/article/abs/pii/S0747563222004125
  20. Lim, J. S., Hong, N., & Schneider, E. (2025). How warm- versus competent-toned AI apologies affect trust and forgiveness through emotions and perceived sincerity. Computers in Human Behavior, 172, 108761. https://www.sciencedirect.com/science/article/pii/S0747563225002080
  21. OpenAI (2025). Sycophancy in GPT-4o. https://openai.com/index/sycophancy-in-gpt-4o/
  22. OpenAI (2025). Expanding on what we missed with sycophancy. https://openai.com/index/expanding-on-sycophancy/
  23. Sharma, M., et al. (2024). Towards Understanding Sycophancy in Language Models. ICLR 2024. https://arxiv.org/abs/2310.13548
  24. Fanous, A., et al. (2025). SycEval: Evaluating LLM Sycophancy. AAAI/ACM Conference on AI, Ethics and Society. https://arxiv.org/abs/2502.08177