GPT-5.5 vs Claude 4.6 vs Gemini 3.1: Quale AI nel 2026 è la più difficile da rilevare?

Entro maggio 2026, tre modelli di AI all'avanguardia dominano la scrittura professionale e accademica: GPT-5.5 di OpenAI, Claude 4.6 di Anthropic e Gemini 3.1 di Google. Ciascuno viene distribuito con affermazioni di marketing su quanto i suoi output sembrino umani. Ognuno viene utilizzato milioni di volte al giorno per quel tipo di scrittura che finisce in saggi, relazioni e librerie di contenuti. E ognuno lascia un'impronta statistica diversa che gli strumenti di rilevamento possono — o a volte non possono — intercettare.

Abbiamo testato 600 nuovi campioni sui tre modelli e li abbiamo fatti passare attraverso lo stesso rilevatore ensemble multimodello. I risultati ribaltano alcune ipotesi comuni su quale modello sia il più difficile da rilevare — e chiariscono perché la risposta sia più importante nel 2026 rispetto a qualsiasi anno precedente.

Come abbiamo testato

Abbiamo generato 200 output per modello — 50 ciascuno tra saggi accademici, testi di marketing, spiegazioni tecniche e narrativa creativa. Ciascuna generazione ha utilizzato un prompt di sistema predefinito senza istruzioni per eludere il rilevamento. Abbiamo poi creato varianti avversarie per ciascuno: una versione elaborata da un humanizer e una versione leggermente modificata (15–20% di parole riscritte manualmente). Totale: 600 campioni di base, 1.200 campioni avversari.

Ogni campione è stato valutato dall'ensemble Agentic Council di Plagly.ai (perplessità, burstiness, stilometria, fingerprint, discorso) e incrociato con il classificatore più recente di un importante rilevatore a modello singolo commerciale. I risultati riportati di seguito indicano il tasso di rilevamento di Plagly.

Risultati principali: output non elaborato

Sugli output predefiniti senza modifiche avversarie, i tre modelli si posizionano in modo sorprendentemente vicino, ma le piccole differenze sono rivelatrici.

Accuratezza del rilevamento sugli output non elaborati

GPT-5.5 (non elaborato): 94% intercettato. Claude 4.6 (non elaborato): 88% intercettato. Gemini 3.1 (non elaborato): 92% intercettato. Sugli output predefiniti senza prompt avversari, tutti e tre vengono rilevati in modo affidabile dagli strumenti ensemble, ma il divario tra Claude 4.6 e gli altri è reale.

Perché Claude 4.6 è in testa in termini di invisibilità

Claude 4.6 è stato addestrato prestando grande attenzione alla variazione di registro e al ritmo della prosa simile a quella umana. Il modello varia la struttura delle frasi in modo più aggressivo rispetto ai suoi concorrenti, utilizza meno transizioni preconfezionate e mostra un impegno più autentico nei confronti di una determinata posizione nella scrittura argomentativa. Il risultato è un testo che si colloca più vicino alla prosa umana sugli assi di perplessità e burstiness su cui si concentrano i rilevatori a modello singolo.

Perché GPT-5.5 è il più facile da individuare

Nonostante sia il più ottimizzato per la fluidità, GPT-5.5 conserva i modelli strutturali top-down più forti tra i tre. Il suo addestramento ha enfatizzato l'affidabilità e l'equilibrio, il che produce una struttura argomentativa riconoscibile: introduce, presenta più prospettive, conclude con una sintesi ponderata. I rilevatori che modellano il discorso a livello di paragrafo e documento lo intercettano in modo coerente, anche quando le caratteristiche superficiali a livello di frase vengono superate.

Dove i modelli divergono: ripartizione per caratteristica

GPT-5.5 presenta l'impronta di discorso (discourse fingerprint) più forte tra i tre. La sua preferenza per argomentazioni equilibrate, l'abuso di determinate locuzioni di transizione e la sua tendenza alla pre-sintesi lo rendono il più facile da individuare a livello di paragrafo tra i tre modelli all'avanguardia — anche quando le singole frasi superano i rilevatori a modello singolo.

Segnali di discorso

Gemini 3.1 è in testa sui segnali stilometrici. I suoi output mostrano schemi distintivi nella frequenza degli avverbi, nella costruzione della forma passiva e nel ritmo a livello di proposizione. Queste caratteristiche sono profondamente integrate nel modo in cui sono stati curati i dati di addestramento di Google e si sono rivelate difficili da sopprimere per il modello senza perdere in fluidità.

Segnali stilometrici

Claude 4.6 ha il profilo di perplessità più pulito — i suoi output si collocano più vicini ai riferimenti scritti da esseri umani. Questo è ciò che lo rende il più difficile da intercettare per i rilevatori di perplessità a modello singolo. Tuttavia, Claude 4.6 presenta ancora caratteristiche misurabili di impronta digitale e di discorso, motivo per cui i rilevatori ensemble mantengono la propria accuratezza su di esso laddove gli strumenti più semplici falliscono.

Segnali di perplessità

Il divario maggiore tra i modelli emerge in condizioni avversarie. Dopo aver passato l'output di ciascun modello attraverso un humanizer, abbiamo effettuato un nuovo test:

Condizioni avversarie: quando le cose si fanno più difficili

Il vantaggio di Claude 4.6 in condizioni non elaborate si amplia ulteriormente una volta che entra in gioco un humanizer — ma anche nella configurazione più avversaria, la maggior parte dell'output di Claude 4.6 viene comunque segnalata. L'idea che uno qualsiasi di questi modelli possa eludere in modo affidabile i moderni rilevatori ensemble non trova riscontro nei dati.

• GPT-5.5 + humanizer: 72% intercettato.
• Claude 4.6 + humanizer: 64% intercettato.
• Gemini 3.1 + humanizer: 70% intercettato.

La guerra dei modelli è accelerata tra la fine del 2025 e il 2026, con OpenAI che ha rilasciato GPT-5.5 nel tentativo di scavalcare il vantaggio di Claude sull'invisibilità, Anthropic che ha risposto migliorando il ritmo di prosa di Claude 4.6 e Google che ha spinto Gemini 3.1 per colmare il divario di fluidità. Dal punto di vista del rilevamento, le implicazioni pratiche stanno convergendo.

Perché questo è importante nel 2026

Su tutti e tre i modelli, i rilevatori a singolo classificatore sono i più esposti. Uno strumento basato solo sulla perplessità che funzionava bene su GPT-3.5 ora classifica erroneamente l'output di Claude 4.6 nel 50–60% dei casi. Uno strumento basato solo sulla burstiness fallisce in modo analogo. Gli ensemble multimodello mantengono l'accuratezza perché nessun singolo modello deve svolgere tutto il lavoro.

I rilevatori a modello singolo sono sempre più inaffidabili

L'Agentic Council di Plagly.ai riaddestra continuamente il suo modulo di fingerprinting sui nuovi output di ciascun principale modello all'avanguardia. L'accuratezza del rilevamento su Claude 4.6 è salita di circa sei punti percentuali dal lancio, via via che i modelli stilistici del modello venivano meglio rappresentati nei dati di addestramento — un pattern che si ripete ad ogni rilascio di un nuovo modello.

L'addestramento continuo conta più di ogni singolo algoritmo

Tutti e tre i laboratori hanno segnalato pubblicamente rilasci di prossima generazione nel corso del 2026 e nel 2027. Sulla base del ciclo GPT-5.5/Claude 4.6/Gemini 3.1, ecco cosa aspettarsi: un altro calo temporaneo dell'accuratezza del rilevamento su tutti gli strumenti a ogni rilascio importante, un recupero più rapido per i prodotti ensemble e un continuo aumento del divario tra i moderni rilevatori multimodello e i prodotti legacy a singolo classificatore.

Cosa c'è in arrivo: Claude 5, GPT-6, Gemini 4

La corsa agli armamenti a lungo termine favorisce il rilevamento — leggermente. Ciascuna generazione di LLM riduce i segnali stilistici superficiali, ma non può eliminare facilmente i modelli strutturali più profondi derivanti dall'addestramento come predittore del token successivo su dati su scala internet. Questi modelli sono ciò che i rilevatori ben progettati imparano a leggere, ed è lo strato che sopravvive agli aggiornamenti dei modelli.

Claude 4.6 è attualmente il più difficile da rilevare tra i tre modelli all'avanguardia — ma solo per pochi punti percentuali, e solo se confrontato con rilevatori a modello singolo. Gli ensemble multimodello segnalano comunque la maggior parte degli output di tutti e tre i modelli e il divario si riduce ulteriormente con ogni ciclo di riaddestramento del rilevatore. La domanda giusta per il 2026 non è “quale modello posso usare per eludere il rilevamento?” ma “di quale rilevatore posso fidarmi per ottenere una lettura accurata?” La risposta a questa domanda — ensemble, multimodello, riaddestrato continuamente — non è mai stata così chiara.

In conclusione

Claude 4.6 è attualmente il più difficile da rilevare tra i tre modelli di frontiera — ma solo di pochi punti percentuali, e solo se misurato rispetto ai rilevatori a modello singolo. Gli ensemble multi-modello rilevano ancora la maggior parte degli output di tutti e tre i modelli, e il divario si restringe ulteriormente ad ogni ciclo di ri-addestramento del rilevatore. La domanda giusta per il 2026 non è “quale modello posso usare per eludere il rilevamento?” ma “quale rilevatore posso fidarmi per darmi una lettura accurata?”