Negli ultimi mesi diversi ricercatori hanno iniziato ad analizzare un fenomeno curioso ma tecnicamente molto rilevante: molti modelli linguistici generativi tendono a produrre storie sorprendentemente simili tra loro, con personaggi ricorrenti, ambientazioni quasi identiche e strutture narrative ripetitive. Uno degli esempi più evidenti è la frequente presenza di guardiani del faro, piccoli villaggi costieri, bibliotecari, orologiai e protagonisti malinconici chiamati Elias, Mara o Elara. Uno studio della Cornell University che ha generato 20.000 racconti tramite modelli di OpenAI, Anthropic, Google e AI2 ha rilevato che oltre l’88% delle storie contiene almeno uno di questi elementi ricorrenti, con il faro che emerge come una delle ambientazioni dominanti.
Il fenomeno non deriva da una “preferenza creativa” dell’intelligenza artificiale, ma da un effetto di convergenza statistica prodotto dalle tecniche moderne di allineamento dei modelli. Durante il post-training, i sistemi vengono ottimizzati per produrre output considerati coerenti, gradevoli, sicuri e universalmente apprezzabili. Questo porta progressivamente i modelli a privilegiare strutture narrative che massimizzano stabilità emotiva, familiarità e continuità tematica, penalizzando invece conflitto, sperimentazione e variazioni troppo radicali.
Dal punto di vista computazionale si tratta di una forma di “mode collapse narrativo”, simile ai fenomeni osservati nei modelli generativi per immagini. Anche se i dataset iniziali sono enormi e diversificati, le fasi successive di reinforcement learning e preference tuning comprimono progressivamente lo spazio creativo verso pattern ad alta probabilità statistica. Il guardiano del faro rappresenta un caso ideale: è una figura isolata ma rassicurante, immersa in un ambiente contemplativo, priva di forti implicazioni politiche o culturali e facilmente adattabile a moltissimi contesti linguistici.
Le ricerche più recenti mostrano inoltre che questa omogeneizzazione narrativa non riguarda soltanto dettagli superficiali, ma intere strutture di racconto. Uno studio su oltre 11.800 storie generate da GPT-4o-mini per 236 paesi differenti ha evidenziato come i modelli tendano quasi sempre a produrre trame basate sul ritorno alle tradizioni locali, sulla riconciliazione sociale e sulla risoluzione di conflitti minori, indipendentemente dalla cultura richiesta nel prompt. Anche quando cambiano simboli nazionali, città o riferimenti culturali, la struttura profonda del racconto resta quasi invariata.
Questo comportamento sta attirando molta attenzione nel campo della narratologia computazionale e degli AI studies, perché suggerisce che gli LLM non stiano soltanto apprendendo il linguaggio umano, ma anche archetipi narrativi profondamente dominanti nei dati di addestramento. Alcuni ricercatori parlano già di “bias narrativo”, distinto dal classico bias sociale o linguistico. In pratica, i modelli non riproducono solo parole o idee ricorrenti, ma intere visioni del mondo costruite intorno a determinati schemi culturali.
La diffusione di questi pattern apre anche una questione più ampia sulla standardizzazione culturale prodotta dall’AI generativa. Se milioni di utenti iniziano a utilizzare gli stessi modelli per scrivere racconti, contenuti educativi, videogiochi o sceneggiature, il rischio è che una parte crescente della produzione narrativa globale converga verso strutture sempre più uniformi, nostalgiche e statisticamente ottimizzate, riducendo progressivamente diversità stilistica e sperimentazione creativa.