Perché ChatGPT usa così tante lineette em?

I modelli si addestrano su testo che qualcuno ha revisionato: libri, stampa, rapporti, saggi. Tutto è passato per un editor o almeno per un manuale di stile, e i manuali americani impongono la lineetta em per gli incisi da generazioni. Un modello che imita la media del proprio corpus imita quindi prosa revisionata — e la prosa revisionata è ricca di lineette.

Il contrappeso che esiste nella revisione vera non sopravvive allo stesso modo. Nessuno corregge un testo pubblicato scrivendo «meno lineette qui», perché è un giudizio sull’intero documento. Il corpus contiene le lineette; non contiene la reazione contro di esse.

La lineetta em è il segno più flessibile dell’inglese. Sostituisce virgola, due punti, punto e virgola o una coppia di parentesi senza cambiare una parola attorno, e ci riesce in tutti i quattro i casi senza errori grammaticali. Per un sistema che sceglie il token successivo massimizzando la fluidità locale è esattamente ciò che serve: arrivare alla lineetta è quasi sempre corretto, arrivare al punto e virgola a volte no.

Nella maggior parte dei tokenizer moderni la lineetta em è un token singolo, e lo è anche lo spazio attorno. Scrivere «il piano — rischioso com’era — ha funzionato» costa meno token della stessa frase con le parentesi o con punto e virgola e congiunzione. L’effetto è piccolo e non è una scelta cosciente, ma punta nella stessa direzione di tutto il resto: la via più economica a una frase fluente passa per la lineetta.

I modelli vengono modellati da dati di preferenza umana: valutatori confrontavano risposte e sceglievano quella preferita. Il testo con lineette si legge più sicuro e più immediato di quello con incisi tra virgole, e i valutatori hanno premiato quel registro. È un’inferenza, non un dato pubblicato — ma spiega un pattern osservabile: chiedi un riassunto neutro e ricevi la stessa punteggiatura drammatica.

Tutti i modelli generalisti lo fanno. Claude è il più citato, la mania delle lineette essendo tra i rimproveri più frequenti, e Gemini e Copilot mostrano lo stesso schema in misura minore. È ciò che ci si aspetta se la causa sono addestramento e decodifica condivisi — ed è così.

I conteggi sono stime da campionamenti ripetuti, non cifre dei produttori — il valore esatto dipende dal genere, dalla lunghezza e dai parametri di campionamento. Conta l’ordine, non le cifre decimali.

Sovrapponi i rimedi, perché falliscono a ritmi diversi. Un’istruzione nel prompt viene quasi sempre obbedita e poi dimenticata nelle chat lunghe, o appena chiedi «più accattivante». Le istruzioni personalizzate persistono ma non riscrivono del tutto il registro predefinito. Il post-trattamento è l’unico passaggio senza punti di rottura, perché non dipende dal modello.

1. Chiedi il vincolo nel prompt: «niente lineette em (—), lineette en (–) né doppi trattini digitati (--).»
2. Ponila nelle istruzioni personalizzate o nelle preferenze, così non va ripetuta.
3. Elimina i caratteri meccanicamente dalla bozza finale con il rimuovi lineette per IA, che intercetta anche -- e ---.