Immagini dal greco antico: per una riflessione semantica sulle generazioni text-to-image di ChatGPT

La creazione di immagini con ChatGPT, Gemini e altri chatbot rappresenta attualmente uno degli impieghi più diffusi dell’intelligenza artificiale generativa. Il presente articolo prende avvio da una sperimentazione personale: si è chiesto a ChatGPT (modello 4o) di produrre un’immagine a partire da un brano della “Storia vera” di Luciano di Samosata, prima in traduzione italiana e poi nell’originale greco. Il confronto tra i risultati ha sollevato interrogativi sulla capacità del modello di “leggere” il greco antico e di attribuire ad alcuni termini delle immagini corrispondenti a oggetti precisi della realtà. A distanza di alcuni mesi, l’esperimento è stato riproposto con la versione più aggiornata del modello (GPT-5.1), per monitorare cambiamenti, eventuali miglioramenti e variazioni. Da questo caso di studio, l’articolo propone una riflessione sulle potenzialità didattiche dei chatbot nello studio della lingua greca – in particolare del lessico e delle sue sfumature semantiche – e più in generale sulla complessità del processo di traduzione dal greco all’italiano.

1. Premessa: ripensare l’insegnamento delle lingue classiche alla luce dell’IA generativa

L’insegnamento della lingua greca, al cuore della trasmissione dell’eredità culturale classica, spesso avviene in un contesto frammentato, tra rigidità metodologiche, resistenze all’innovazione e nuove esigenze formative¹. In questo contesto, da qualche anno si è inserita anche l’Intelligenza Artificiale Generativa (GAI o GenAI, Generative Artificial Intelligence), un’innovazione che sta rivoluzionando molti settori, incluso quello della ricerca e della didattica. Questo è vero soprattutto in ambito umanistico, dove la capacità di riflessione, il pensiero critico (critical thinking) e la creatività sembrerebbero messe in crisi dall’ascesa di una tecnologia che fa dell’elaborazione del linguaggio naturale il proprio punto di forza².

Da qualche anno studiosi e insegnanti delle lingue classiche discutono delle potenzialità di un utilizzo consapevole e costruttivo dell’IA generativa nella didattica dell’antico³. Nell’ottica della multimedialità e della multimodalità, oggi centrali per lo svecchiamento dell’insegnamento⁴, il presente contributo si concentra su uno degli usi più comuni di questa tecnologia: la creazione di immagini⁵.

Gli esperimenti condotti hanno coinvolto le versioni del chatbot di OpenAI, ChatGPT-4o, GPT-5 e GPT-5.1⁶. Capire il meccanismo che sottende a questi modelli è fondamentale per comprenderne i limiti con le lingue antiche, che possono essere maggiormente soggette a “bias” linguistici e culturali⁷, in quanto poco presenti nei testi sul web, al pari di altre lingue storicamente sottorappresentate⁸. Sebbene migliore rispetto alla versione precedente⁹, GPT-4o risulta comunque lacunoso e tende a restituire risultati non sempre soddisfacenti nella traduzione dal greco antico alle lingue moderne. Nei modelli successivi si osserva una migliore interpretazione generale, dovuta a ottimizzazioni del training e correzioni da feedback umano.

Per il testo di input si è scelto un brano tratto da un’opera frequentemente utilizzata nella didattica del greco¹⁰: la “Storia vera” di Luciano di Samosata.

Per quanto riguarda l’aspetto metodologico, data la grande variabilità che è propria del funzionamento dei LLM e MLM, si è proceduto a svariati tentativi – in totale quattro conversazioni, di cui due con ChatGPT-4o e due con ChatGPT-5.1 – ripetendo gli stessi prompt con i diversi modelli, a distanza di mesi. I risultati non sono generalizzabili in senso statistico, ma possono essere trasferibili, cioè offrire spunti interpretativi rilevanti per capire come i modelli si siano evoluti nella comprensione delle lingue antiche.

I brani in greco e in italiano usati come prompt – dal momento che sono sempre gli stessi per ciascuna conversazione – per evitare ripetizioni saranno citati nel testo solo una volta. In seguito, si è scelto di sintetizzare il contenuto delle chat, riportando tra virgolette i prompt dell’utente o inserendo screenshot con alcuni stralci significativi. La scelta è motivata dalla volontà di rendere quanto più possibile espliciti e chiari tutti i passaggi dell’analisi delle singole attività.

2. Multimodal Language Models e greco antico

Prima di analizzare gli esperimenti relativi al testo greco, occorre fare una breve premessa sul funzionamento dei modelli di IA generativa più diffusi.

Esistono svariati siti dedicati alla creazione di immagini che utilizzano l’IA, come Midjourney¹¹, StarryAI¹² e Nightcafe creator¹³ e molti altri gratuiti. Allo stesso tempo, anche i chatbot più noti come ChatGPT e Gemini sono applicazioni di intelligenza artificiale generativa che rispetto alla loro prima apparizione si sono evolute verso la multimodalità. Oltre all’uso più comune – la produzione di un output di testo a partire da un input testuale, che siano riscritture, riassunti, traduzioni, analisi o creazioni di testi – questi possono passare da testo a immagini (text-to-image) e viceversa (image-to-text), da input sonori a output testuali (audio-to-text) e viceversa (text-to-audio), da video a testo e viceversa (video-to-text, text-to-video) oppure chiedere di migliorare un’immagine attraverso un prompt testuale specifico (image-to-image) e altre operazioni incrociate che combinano più modalità.

Questi sistemi sono pertanto definibili non più solo come modelli linguistici di grandi dimensioni, o LLM (Large Language Models)¹⁴, ma come modelli linguistici multimodali (MLM, Multimodal Language Models)¹⁵, il cui addestramento è avvenuto combinando ed elaborando miliardi di dati – parole, immagini, file video – che in un processo definito embedding vengono trasformati in vettori multidimensionali e inseriti in una rete, all’interno di uno spazio di rappresentazione condiviso.

Nelle versioni più recenti, la generazione testuale e visiva non avviene più tramite componenti separate¹⁶ – da una parte il pre-training linguistico e dall’altra quello visivo¹⁷, con una successiva fase di allineamento e di rifinitura¹⁸ – ma attraverso un’architettura end-to-end¹⁹, in cui encoder linguistico, moduli multimodali e generatore visivo vengono ottimizzati congiuntamente rispetto a un unico obiettivo globale²⁰. Il loro training è molto complesso e prevede, oltre alle fasi già citate, ulteriori revisioni per limitare i bias e le allucinazioni²¹, filtri per i contenuti vietati o dannosi, nel rispetto delle policy di ciascuna azienda.

Questo nuovo tipo di addestramento ha visto anche uno sviluppo notevole nel modo in cui questi strumenti riescono a passare in modo più fluido da una modalità all’altra. Tuttavia, poiché i dataset linguistici utilizzati nel training sono fortemente sbilanciati verso l’inglese, anche lo spazio visivo risente di questa parzialità. Ne consegue che le lingue meno rappresentate – e in particolare le lingue antiche – dispongono di embedding meno ricchi e meno ancorati semanticamente allo spazio visivo.

Nel caso del greco antico, la scarsa presenza nei corpora di addestramento influisce in modo significativo sulla capacità dei modelli di interpretarne correttamente la grammatica e la semantica²². Nel passaggio text-to-image, il modello è infatti costretto a disambiguare il lessico, interpretare le strutture sintattiche e associare parole a referenti concreti. Quando l’immagine generata risulta debole o approssimativa, emergono così problemi di polisemia, inferenze improprie e limiti strutturali dell’addestramento, che possono essere letti come effetti di bias e di “allucinazione” multimodale.

Queste dinamiche rendono evidente come la generazione di immagini a partire da testi in greco antico costituisca un banco di prova particolarmente sensibile, utile non solo per verificare il funzionamento dei chatbot nel caso specifico delle lingue classiche, ma anche per riflettere sui processi interpretativi attivati, in modo non dissimile da quanto avviene nel tradizionale esercizio traduttivo, con importanti ricadute anche sulla pratica didattica.

3. Caso studio 1: ChatGPT 4o

Di seguito si descrive un primo esperimento condotto con la versione 4o di ChatGPT, consistente nella generazione di un’immagine a partire da un brano, sia in traduzione italiana sia in lingua originale greca, tratto da un testo della letteratura greca ampiamente utilizzato nella pratica didattica: la “Storia vera” di Luciano di Samosata, oratore di età imperiale e principale esponente della Seconda Sofistica²³.

Per la lingua italiana si è scelto di utilizzare un testo reperibile sul web ad accesso aperto: si tratta di una traduzione di fine Ottocento delle opere di Luciano²⁴, caratterizzata dalla presenza di alcuni arcaismi, che tuttavia, come si vedrà, non sembrano incidere in modo significativo sulla comprensione del testo, quanto piuttosto sullo stile neoclassico delle immagini. Nel caso del testo greco, l’originale del brano di Luciano è stato reperito anch’esso in versione ad accesso libero, su Wikisource: si tratta anche in questo caso di un’edizione datata, ma che – almeno nel passo esaminato – non presenta variazioni nella forma e nel contenuto rispetto ad una più aggiornata²⁵. Questa scelta non è casuale in quanto risponde all’obiettivo di dimostrare come sia possibile avviare una riflessione didattica anche a partire da testi liberamente disponibili online, facilmente fruibili e utilizzabili in ambito scolastico, senza la necessità di ricorrere esclusivamente a edizioni specialistiche consultabili solo in biblioteche particolarmente fornite, che peraltro probabilmente non sono state usate per addestrare modelli: il risultato sarebbe stato peggiore. Inoltre, si può sempre confrontare il testo a disposizione con una buona edizione divulgativa reperibile in commercio²⁶.

La scelta dell’opera è motivata innanzitutto dal suo carattere narrativo e favolistico. La “Storia vera” può essere considerata uno dei primi esempi di romanzo d’avventura, se non addirittura di narrativa “fantastica” o proto-fantascientifica, della tradizione occidentale. Composta nel II secolo d.C., l’opera presenta caratteristiche peculiari: secondo le intenzioni dell’autore, doveva costituire una critica ironica nei confronti dei retori e degli storici contemporanei. Il tono parodico e antifrastico del racconto è dichiarato fin dal titolo stesso, che rovescia programmaticamente le aspettative di veridicità tipiche della storiografia²⁷.

Il protagonista, fin dalle prime righe dell’opera, afferma il proprio intento di spingersi oltre i confini del mondo allora conosciuto, presentandosi come una sorta di Odisseo redivivo. Insieme ai suoi compagni affronta una serie di viaggi straordinari e incontri con luoghi e creature meravigliose: mostri marini, popoli fantastici, tempeste, viaggi sulla luna e persino l’episodio celebre dell’inghiottimento da parte di una balena. Le avventure narrate da Luciano, ispirate ai modelli epici e mitologici greci, diventeranno in seguito un punto di riferimento per la letteratura d’avventura moderna. È possibile rintracciare schemi narrativi analoghi in opere moderne²⁸. Più in generale, il mare, l’isola sconosciuta, il viaggio e il pericolo costituiscono topoi che affondano le loro radici nei poemi omerici, in particolare nell’“Odissea”, uno dei principali modelli intertestuali dell’opera lucianea²⁹.

Per l’esperimento è stato selezionato un passo tratto dall’inizio del primo libro, paragrafi 6-7:

«Approdammo dunque, e sbarcati, ci gettammo a terra stanchi di sì lungo travaglio, e così stemmo lungo tempo. Poi sorti in piedi, scegliemmo trenta compagni che rimasero a guardia della nave e venti vennero con me per scoprire com’era fatta l’isola. Non c’eravam dilungati un tre stadii dal mare per la selva, e vediamo una colonna di bronzo scritta di lettere greche appena leggibili e rose, che dicevano: Fino qui giunsero Ercole e Bacco. V’erano ancora lì vicino due orme di piedi sopra una pietra, la prima d’un jugero, l’altra meno: e credetti questa di Bacco, l’altra di Ercole. Noi adorammo, e proseguimmo. E andati non molto innanzi, giungemmo sopra un fiume che scorreva vino molto simile a quello di Chio. Il fiume era largo e pieno, e in qualche luogo da potersi navigare. Tanto più c’inducemmo a credere alla scritta della colonna, vedendo i segni dell’arrivo di Bacco.

Venutami curiosità di conoscere onde nasceva il fiume, montammo tenendoci sempre alla riva; e non trovammo alcuna fonte, ma molte e grosse viti piene di grappoli: e alla radice di ciascuna stillavano gocciole di vino puro, donde formavasi il fiume. Nel quale erano ancora molti pesci, che avevano il colore e il sapore del vino, e noi avendone pescati alcuni, e mangiati, ci ubriacammo; anzi, quando li aprimmo, li trovammo pieni di feccia e di vinaccioli. Dipoi pensammo mescolarli con altri pesci di acqua, e così venne non troppo forte un manicaretto di vino».

In questo episodio i protagonisti, sorpresi da una tempesta, approdano su un’isola deserta. Durante l’esplorazione scoprono una stele di bronzo recante un’iscrizione in caratteri greci che recita: «Fin qui giunsero Eracle e Dioniso», chiaro riferimento al mito delle imprese di Eracle e alle peregrinazioni del dio del vino. Accanto alla stele sono visibili due impronte gigantesche, che i personaggi attribuiscono alle due divinità. Il brano prosegue con la descrizione di uno scenario fortemente fantastico: un fiume di vino che sgorga dalle radici di tralci di vite e pesci che, una volta pescati, presentano interiora impregnate di vino. Accanto a elementi soprannaturali e stranianti compaiono tuttavia anche elementi familiari al mondo dei marinai e del viaggio antico, come l’isola sconosciuta, il bosco e la stele iscritta, che fungono da ancoraggi realistici all’interno del racconto.

La scelta di questo passo specifico non è dunque casuale. Risulta qui particolarmente evidente il ricorso a un immaginario condiviso e a riferimenti culturali impliciti, che mettono in luce da un lato i richiami alla tradizione letteraria precedente presenti in Luciano – non solo Omero, ma anche gli storici, in primis Erodoto³⁰ – dall’altro l’eredità che la “Storia vera” ha lasciato nella letteratura successiva. Il riuso dei motivi narrativi, delle scene e delle figure mitiche sopra elencate risulta infatti particolarmente evidente in alcuni snodi dell’opera.

3.1 Conversazione del 22 luglio 2025

Questa prima sperimentazione risale al 22 luglio 2025. A quella data ChatGPT-4o era disponibile esclusivamente tramite abbonamento a pagamento. Con gli aggiornamenti successivi di novembre e dicembre 2025, la versione “4 omni” è diventata accessibile gratuitamente sul sito di OpenAI, e di conseguenza la sua diffusione si è notevolmente ampliata.

Nel primo test è stato richiesto a ChatGPT di generare un’immagine a partire dal passo in traduzione. Nonostante la lunghezza del brano, il risultato si è rivelato interessante. Nel prompt si è voluta dare un task generico (“crea immagine”), ipotizzando un’indicazione data in un contesto didattico, con un’indicazione, seppur minima, su autore e opera (Fig. 1):

You: Crea immagine a partire da questo passo della “Storia vera” di Luciano: Approdammo dunque, e sbarcati, ci gettammo a terra stanchi di sì lungo travaglio, e così stemmo lungo tempo. Poi sorti in piedi, scegliemmo trenta compagni che rimasero a guardia della nave e venti vennero con me per scoprire com’era fatta l’isola. Non c’eravam dilungati un tre stadii dal mare per la selva, e vediamo una colonna di bronzo scritta di lettere greche appena leggibili e rose, che dicevano: Fino qui giunsero Ercole e Bacco. V’erano ancora lì vicino due orme di piedi sopra una pietra, la prima d’un jugero, l’altra meno: e credetti questa di Bacco, l’altra di Ercole. Noi adorammo, e proseguimmo. E andati non molto innanzi, giungemmo sopra un fiume che scorreva vino molto simile a quello di Chio. Il fiume era largo e pieno, e in qualche luogo da potersi navigare. Tanto più c’inducemmo a credere alla scritta della colonna, vedendo i segni dell’arrivo di Bacco.

Venutami curiosità di conoscere onde nasceva il fiume, montammo tenendoci sempre alla riva; e non trovammo alcuna fonte, ma molte e grosse viti piene di grappoli: e alla radice di ciascuna stillavano gocciole di vino puro, donde formavasi il fiume. Nel quale erano ancora molti pesci, che avevano il colore e il sapore del vino, e noi avendone pescati alcuni, e mangiati, ci ubriacammo; anzi, quando li aprimmo, li trovammo pieni di feccia e di vinaccioli. Dipoi pensammo mescolarli con altri pesci di acqua, e così venne non troppo forte un manicaretto di vino.

È opportuno soffermarsi innanzitutto sulla costruzione complessiva dell’immagine, nella quale la colonna è collocata sulla sinistra e reca un’iscrizione in lettere che imitano l’alfabeto greco: «ΗΕΡΚΛΗ. | ΚΑΙ | ΔΙΟΓ?Ο». Il nome di Eracle (in greco Ἡρακλῆς) è reso come «ΕΡΚΛΗΣ»: manca la lettera alfa e la resa del fonema /e/ lungo aperto (eta) non è omogenea, poiché compare una epsilon iniziale e una eta finale, laddove ci si aspetterebbe la eta in entrambe le posizioni, con aspirazione iniziale. Il sigma finale è sostituito da un punto. La congiunzione «KAI» è resa correttamente. Per quanto riguarda Dioniso (Διόνυσος), il tentativo di trasposizione appare più incerto: si riconoscono chiaramente solo le prime tre lettere (ΔΙΟ), seguite da un segno che sembrerebbe un gamma (Γ) e da un ulteriore omicron.

Figura 1. Immagine generata da testo tradotto in italiano con GPT-4o in data 22 luglio 2025

Nel complesso, il tentativo è comunque apprezzabile, se si tiene conto del fatto che il brano di partenza, in traduzione italiana, è un brano molto lungo e che le indicazioni iniziali sono molto generiche, senza alcuna precisazione sugli scopi o sul ruolo che la macchina dovrebbe ricoprire. In mancanza di task specifici, dunque, la macchina si è concentrata sulla resa iconografica delle “lettere greche appena leggibili e rose”, che richiama il gusto e lo stile letterario della fonte ottocentesca.

Concentrandosi poi sulla «colonna di bronzo»³¹, non si può avere la certezza di una rappresentazione fedele del materiale, poiché il colore ricorda solo vagamente quello del bronzo, mentre la forma cilindrica, sviluppata verso l’alto, non sembra riconducibile a nessuno degli ordini architettonici canonici. Anche in questo caso, l’immagine restituisce un’idea generica di monumentalità – come generico è il prompt – più che una rappresentazione architettonicamente accurata.

Tra gli elementi fantasiosi, significativa è poi la singola orma in luogo delle «due orme di piedi sopra una pietra, la prima d’un jugero, l’altra meno», un dettaglio che risulta importante per la narrazione in quanto prova, secondo il protagonista, della veridicità della scritta sulla «colonna» («e credetti questa di Bacco, l’altra di Ercole»). Difficile interpretare il motivo per cui nell’immagine è stata riprodotta una sola orma in luogo di due, forse perché, per una maggiore economia nella resa, si è cercato di raffigurare il momento in cui il protagonista esamina la sola orma più piccola.

Interessante anche la scelta di tradurre «jugero», un’unità di misura romana, corrispondente press’a poco a un rettangolo di 2520 m², un’area sicuramente spropositata per un’impronta, che nell’immagine è stata di molto ridimensionata, almeno se ci si riferisce a quella più grande. Qui l’intento di Luciano nel descrivere in maniera iperbolica questa gigantesca impronta sembra essere in linea con il tono satirico dell’intera opera e alcuni, nell’analisi del testo greco, vi hanno visto un richiamo alla descrizione erodotea dell’impronta di Eracle su una roccia in Scizia³².

Successivamente, si è copiato e incollato il testo in greco da Perseus, senza specificare che si trattava dello stesso testo della domanda precedente. All’inizio il chatbot ha frainteso la richiesta – formulata forse in modo troppo ambiguo o generico – e ha creato un’immagine con il testo riprodotto in stile epigrafico (Fig. 2.0).

Figura 2.0. Immagine generata, testo riprodotto in stile epigrafico (non corrispondente a quanto atteso dall’utente a fronte di un prompt generico), da GPT-4o in data 22 luglio 2025

You: fai la stessa cosa con questo passo dal greco, sempre da Luciano³³:

Προσσχόντες οὖν καὶ ἀποβάντες ὡς ἂν ἐκ μακρᾶς ταλαιπωρίας πολὺν μὲν χρόνον ἐπὶ γῆς ἐκείμεθα, διαναστάντες δὲ ὅμως ἀπεκρίναμεν ἡμῶν αὐτῶν τριάκοντα μὲν φύλακας τῆς νεὼς παραμένειν, εἴκοσι δὲ σὺν ἐμοὶ ἀνελθεῖν ἐπὶ κατασκοπῇ τῶν ἐν τῇ [7] νήσῳ. προελθόντες δὲ ὅσον σταδίους τρεῖς ἀπὸ τῆς θαλάττης δι’ ὕλης ὁρῶμέν τινα στήλην χαλκοῦ πεποιημένην, Ἑλληνικοῖς γράμμασιν καταγεγραμμένην, ἀμυδροῖς δὲ καὶ ἐκτετριμμένοις, λέγουσαν Ἄχρι τούτων Ἡρακλῆς καὶ Διόνυσος ἀφίκοντο. ἦν δὲ καὶ ἴχνη δύο πλησίον ἐπὶ πέτρας, τὸ μὲν πλεθριαῖον, τὸ δὲ ἔλαττον - ἐμοὶ δοκεῖν, τὸ μὲν τοῦ Διονύσου, τὸ μικρότερον, θάτερον δὲ Ἡρακλέους. προσκυνήσαντες δ’ οὖν προῇμεν· οὔπω δὲ πολὺ παρῇμεν καὶ ἐφιστάμεθα ποταμῷ οἶνον ῥέοντι ὁμοιότατον μάλιστα οἷόσπερ ὁ Χῖός ἐστιν. ἄφθονον δὲ ἦν τὸ ῥεῦμα καὶ πολύ, ὥστε ἐνιαχοῦ καὶ ναυσίπορον εἶναι δύνασθαι. ἐπῄει οὖν ἡμῖν πολὺ μᾶλλον πιστεύειν τῷ ἐπὶ τῆς στήλης ἐπιγράμματι, ὁρῶσι τὰ σημεῖα τῆς Διονύσου ἐπιδημίας. δόξαν δέ μοι καὶ ὅθεν ἄρχεται ὁ ποταμὸς καταμαθεῖν, ἀνῄειν παρὰ τὸ ῥεῦμα, καὶ πηγὴν μὲν οὐδεμίαν εὗρον αὐτοῦ, πολλὰς δὲ καὶ μεγάλας ἀμπέλους, πλήρεις βοτρύων, παρὰ δὲ τὴν ῥίζαν ἑκάστην ἀπέρρει σταγὼν οἴνου διαυγοῦς, ἀφ’ ὧν ἐγίνετο ὁ ποταμός. ἦν δὲ καὶ ἰχθῦς ἐν αὐτῷ πολλοὺς ἰδεῖν, οἴνῳ μάλιστα καὶ τὴν χρόαν καὶ τὴν γεῦσιν προσεοικότας· ἡμεῖς γοῦν ἀγρεύσαντες αὐτῶν τινας καὶ ἐμφαγόντες ἐμεθύσθημεν· ἀμέλει καὶ ἀνατεμόντες αὐτοὺς εὑρίσκομεν τρυγὸς μεστούς. ὕστερον μέντοι ἐπινοήσαντες τοὺς ἄλλους ἰχθῦς, τοὺς ἀπὸ τοῦ ὕδατος παραμιγνύντες ἐκεράννυμεν τὸ σφοδρὸν τῆς οἰνοφαγίας.

Guardando la figura 2.0, quella “sbagliata”, è possibile rintracciare un tentativo, non troppo approssimativo, di riprodurre un’iscrizione greca in maiuscola continua³⁴, che nelle prime righe segue quasi alla lettera il testo di Luciano, pur confondendo alcuni elementi grafici, come l’omicron, l’omega maiuscola e minuscola.

Si immagini ora di presentare questo stralcio di conversazione con ChatGPT a una classe di studenti universitari di lettere classiche, che abbiano già una buona conoscenza della lingua greca. Pur senza alcuna nozione di epigrafia, si immagini di confrontare questa figura totalmente inventata con reperti realmente esistenti di iscrizioni, che abbiano una forma e una destinazione d’uso simile, come ad esempio questo blocco rinvenuto presso Nikopolis, in Epiro del II secolo a.C., contenente una dedica ad Artemide:

Figura 2.0.1. Blocco di edificio presso Nikopolis (Epiro), contenente una dedica ad Artemide, II sec. a.C.

Ci si può focalizzare su semplici nozioni fonetiche, come l’alternanza di omega e omicron per notare la distinzione di suono lungo aperto e breve chiuso di /o/; queste semplici nozioni fonetiche, come la distinzione vocalica tra vocale lunga aperta (η, ω) e breve chiusa (ε, ο), costituiscono la base dello studio del greco e vengono affrontate al primo anno del liceo classico, ma in un corso di storia della lingua se ne approfondisce l’evoluzione. Si può notare, inoltre, come sia appena accennata, ma non del tutto assente, la punteggiatura³⁵.

Si è poi rifinita la richiesta, anche senza proporre un prompt lungo e strutturato, e il risultato è stato illuminante, perché il chatbot propone non una, ma due immagini (Fig. 2.1 e 2.2) diverse nello stile, ma anche per alcuni particolari che conviene approfondire:

You: dalla descrizione nel passo greco sopra proposto, ricava un’immagine³⁶.

Figura 2.1. Immagine generata da testo in originale greco con GPT-4o in data 22 luglio 2025 (proposta 1)

Figura 2.2. Immagine generata da testo in originale greco con GPT-4o in data 22 luglio 2025 (proposta 2)

Dopo la rifinitura, il chatbot propone due immagini. Confrontando la prima (Fig. 2.1) con la Fig. 1, generata a partire dal testo tradotto, si notano diversi elementi in comune: il fiume, la foresta, i pesci e la colonna, le orme; ma ci sono anche alcuni dettagli aggiuntivi che corrispondono maggiormente sia all’originale che alla traduzione.

Innanzitutto, risulta particolarmente significativa la forma della stele. Nell’originale greco c’è l’accusativo στήλην: mentre nella prima immagine (Fig. 1) e nell’ultima (Fig. 2.2) abbiamo una colonna cilindrica, in linea con la traduzione italiana «colonna» e con l’immagine consueta che si ha di questo elemento architettonico³⁷, nella figura di mezzo (Fig. 2.1) abbiamo una vera e propria stele. Un’altra sfumatura di significato del greco στήλη è appunto quella di «stele funeraria». In questo caso, la scelta del termine nella traduzione influisce molto sul modo di rappresentare la scena nei dettagli. Un aspetto rilevante è sicuramente la fedeltà della scritta in greco delle due immagini, al contrario della prima (Fig. 1) con la frase riportata per intero in lettere maiuscole separate (non in scriptio continua). In questo caso, sembra essere stato molto più facile per il chatbot riprendere alla lettera il testo greco piuttosto che ritradurre in greco i nomi, italianizzati e in alfabeto latino, di Eracle e Bacco.

Anche le due orme sulla pietra, riportate in traduzione, sono meglio rappresentate nella Fig. 2.1, mentre nella Fig. 1 abbiamo una sola impronta, che sembra impressa sul terreno più che sulla roccia. Sono invece assenti nella Fig. 2.2.

Inoltre, nelle ultime due proposte è più accentuato il colore rosso del fiume e si notano in primo piano le viti stillanti vino e sullo sfondo la nave con gli altri componenti della ciurma (solo in 2.1 e non in 2.2).

Per tornare al sostantivo στήλη, si è detto che può indicare sia un elemento architettonico strutturale, come una colonna, sia un blocco di pietra usato come monumento con varie finalità, celebrative, religiose, civiche³⁸.

In greco, infatti, da una parte abbiamo un significato del termine simile a quello italiano, come «lastra oblunga di marmo o di pietra, ornata con decorazioni, bassorilievi, iscrizioni»³⁹; dall’altra, invece, il termine può essere usato anche come sinonimo del più specifico ἡ κίων (pilastro, colonna) ⁴⁰.

Un’ulteriore riflessione che prende avvio a questo punto è il riferimento, implicito in Luciano, alle Ἡρακλεῖαι στῆλαι citate nell’opera all’inizio del paragrafo 5⁴¹, poco prima dell’inizio del viaggio. Le “colonne d’Ercole” sono infatti collocate già da Pindaro⁴² ed Erodoto⁴³ ai confini del mondo allora conosciuto. Non è un caso che nell’opera di Luciano, che riprende elementi fantastici e mitici in chiave parodica, si faccia riferimento a Eracle e Dioniso, due eroi-divinità che nella tradizione culturale e letteraria greca hanno attraversato, oltre ai confini geografici, anche quelli tra mortalità e immortalità⁴⁴. L’uso del termine στήλη non è dunque casuale, ma sarebbe finalizzato ad evocare nel lettore antico un immaginario che si rivela solo in parte corrispondente a quello evocato dalla parola “stele” nel lettore moderno.

La traduzione del termine con “colonna”, definendo in modo preciso i contorni semantici per il lettore italiano, incide anche sulla generazione dell’immagine da parte del chatbot. Il funzionamento probabilistico dell’IA generativa spiega infatti la resa come elemento architettonico cilindrico, coerente con l’accezione più frequente nei dataset di addestramento.

Di fronte al testo greco originale, invece, il chatbot ha prodotto due soluzioni visive differenti: una assimilabile a una stele epigrafica di forma quadrangolare e un’altra a una colonna cilindrica. Questa duplicità riflette l’ampiezza semantica del termine greco, elaborata dal sistema come insieme di interpretazioni visuali alternative.

Per quanto riguarda l’iscrizione in greco, questa volta entrambe le immagini riportano il testo in modo incredibilmente fedele, in caratteri maiuscoli, ma non in scriptio continua: «ΑΚΡΙ ΤΟΥΤΩΝ ΗΡΑΚΛΗΣ ΚΑΙ ΔΙΟΝΙΣΟΣ ΑΦΙΚΟΝΤΟ». Si può notare che le lettere, in entrambe le immagini, non sono più né poco leggibili, né abrase (ἀμυδροῖς δὲ καὶ ἐκτετριμμένοις), come invece nella precedente Fig. 1, dove sembrerebbe essere stato posto l’accento sulla scarsa leggibilità della frase iscritta.

Il chatbot dimostra anzi una notevole precisione grafica nel distinguere i segni per /o/ lungo aperto e breve chiuso (omega e omicron), un dettaglio che testimonia la capacità dell’IA di elaborare con accuratezza il testo greco quando fornito direttamente nella lingua originale, senza la mediazione traduttiva. Questo dato conferma che la presenza di un testo già tradotto introduce un livello di ambiguità interpretativa che il modello fatica a gestire, mentre il testo greco permette una resa visiva più precisa e aderente al contenuto linguistico di partenza.

3.2 Conversazione del 23 settembre 2025

In data 23 settembre 2025 si è condotto un secondo tentativo, sempre con il modello GPT-4o. Per verificare ulteriormente l’impatto delle scelte lessicali, nel testo in traduzione di Settembrini si è sostituita la traduzione “colonna” con “stele”. Il risultato è visibile nella figura 3:

Figura 3. Immagine generata da testo in traduzione italiana (con modifica) da GPT-4o in data 23/09/25

Come si può osservare, l’immagine corrispondente alla “stele” è un blocco lapideo quadrangolare, molto più simile a una stele funeraria che a un cippo di demarcazione territoriale. L’iscrizione, tuttavia, risulta significativamente più confusa rispetto alle due immagini generate nella precedente conversazione: si intravede una parola inesistente (EINI), il nome di Eracle con l’eta maiuscola iniziale, e poi una sequenza di lettere di difficile identificazione e il nome di Dioniso solo parzialmente leggibile: «EINI HERA..ES KAI DIONVSDS». Questo dato è particolarmente interessante se confrontato con la maggiore accuratezza grafica ottenuta fornendo direttamente il testo greco, e solleva diversi interrogativi, se questa resa “confusa” sia da attribuire ad una maggiore fedeltà al testo greco, dato il termine ἀμυδρός (oscuro, poco intelligibile), che presumibilmente l’IA ha ricavato dallo storico della conversazione, oltre che dalla presenza nel suo dataset del testo di Luciano, anche dai dizionari con cui è stata istruita.

La questione delle orme merita un’attenzione particolare. Nella generazione grafica le impronte sono diventate quattro, quindi due coppie, anziché le due singole orme menzionate nel testo. È possibile che il chatbot abbia interpretato il riferimento a «due orme» abbinato alla menzione di «Bacco» e «Ercole» come indicazione di due personaggi distinti, ciascuno con la propria coppia di impronte. Questa inferenza, sebbene errata rispetto al testo originale (che descrive un’orma per piede, non per persona), rivela come l’AI cerchi di costruire coerenza narrativa tra gli elementi testuali, talvolta generando interpretazioni visive non corrispondenti all’intenzione del testo fonte.

Dal punto di vista della composizione visiva, emergono alcune criticità nella gestione dello spazio: i due marinai in primo piano sono sovradimensionati rispetto ai compagni sullo sfondo, in quello che sembra un tentativo non del tutto riuscito di rendere la profondità della scena. Questa sproporzione potrebbe riflettere una difficoltà del modello nel calibrare correttamente le relazioni spaziali tra gli elementi della composizione quando questi non sono esplicitamente descritti nel testo di partenza⁴⁵. Oppure, un’altra ipotesi, proprio per l’estrema libertà data all’IA, è che i due in primo piano siano addirittura Eracle e Dioniso, rappresentati in un momento anteriore alla venuta dei marinai sull’isola (quel verbo distorto potrebbe essere una contrazione astrusa di εἰσίν). Sullo sfondo ci sarebbero i marinai che ne scoprono le tracce, esplorando l’isola.

4. Caso studio 2: ChatGPT-5.1

Agli inizi di dicembre 2025, con l’evolversi del modello, si è cercato di riproporre lo stesso prompt a ChatGPT-5.1⁴⁶, per vedere se ci fossero miglioramenti o cambiamenti nella risposta. Quest’ultima versione rappresenta un perfezionamento del modello GPT-5, con maggiore stabilità del ragionamento, trasparenza nelle inferenze e controllo nella generazione di testi strutturati. Per il greco antico, si è notato anche un miglioramento nella gestione delle allucinazioni e nella citazione dei passi⁴⁷. La tendenza a inventare frasi e una certa difficoltà nella citazione, tuttavia, rimangono un punto debole anche di questo modello⁴⁸.

4.1 Conversazione del 4 dicembre 2025

La conversazione analizzata risale al 4 dicembre 2025. Il primo prompt è lo stesso delle precedenti conversazioni: «Crea immagine a partire da questo brano dalla “Storia vera” di Luciano». La prima differenza evidente rispetto ai modelli precedenti è che il sistema non si limita a creare l’immagine, ma le assegna anche un titolo in inglese, in questo caso “Luciano’s Wine River Island”:

Figura 4. Immagine generata da testo in italiano con modello GPT-5.1 in data 4 dicembre 2025

La struttura compositiva, con il fiume al centro, è simile alla Fig. 3, ma le proporzioni delle figure umane sono più realistiche, i gruppi sparsi di uomini contribuiscono alla profondità e alla dinamicità della scena, suggerendo inoltre una progressione spazio-temporale. La differenza di grandezza tra le due orme⁴⁹ è ben visibile, dettaglio che finora era passato inosservato nelle generazioni precedenti. Anche la collocazione, su una roccia concava a fianco alla stele, è del tutto inedita.

La stele appare più simile a una lastra di marmo; tuttavia, diversamente dai casi precedenti, il testo inciso è incorniciato da un semplice bordo ed è indecifrabile per l’osservatore, poiché, coerentemente con la fonte greca, risultano riconoscibili solo poche lettere.

Si è cercato di ripetere punto per punto l’esperimento del 22 luglio, copiando e incollando il prompt e riproponendo dunque l’indicazione «fai la stessa cosa con questo passo dal greco, sempre da Luciano» seguita dal testo greco. Il primo risultato, come nella precedente conversazione (Fig. 2.0), è stato inaspettatamente un’immagine contenente il testo di input, che questa volta riproduce una pagina di testo stampato, senza un titolo assegnato dal chatbot:

Figura 5.0. Immagine generata da testo greco con GPT-5.1 in data 4 dicembre 2025 (non corrispondente a quanto atteso dall’utente a fronte di un prompt generico)

Senza entrare nel dettaglio, ciò che colpisce è il tentativo, quasi riuscito, di riprendere il testo in caratteri greci, fatte salve alcune lettere di difficile distinzione (es. προσσχόντες è letto προοσχόντες, confusione tra sigma e omicron minuscoli, anche in δύνασθαι, scritto δύναοθαι; il beta confuso con la cifra “8” in ἀποβάντες; il theta) e gli spiriti sostituiti dagli accenti, il circonflesso spesso sostituito dall’acuto o dal grave (κατασκοπὴ in luogo di κατασκοπῇ).

Come fatto in precedenza, si è corretto il prompt, dando un’indicazione più precisa: «dalla descrizione nel passo greco sopra proposto, ricava un’immagine». Questa seconda immagine ha titolo “Ancient Greek island exploration scene with bronze stele and wine river”:

Figura 5. Immagine generata da testo in greco con modello GPT-5.1 in data 4 dicembre 2025

La stele a sinistra riporta il testo in maiuscole greche quasi perfetto, a parte qualche lettera sostituita, tra lettere che presentano dei tratti simili: chi (X) al posto di sigma (Σ) e confusione tra alfa (Α) e lambda (Λ). In una soluzione ancora una volta inedita, le orme sono sulla stele e non su una roccia, davanti o di lato e sono più simili a quelle della Fig. 2.1, e di misura leggermente diversa.

Figura 6. Seconda immagine generata da testo in italiano con modello GPT-5.1 in data 4 dicembre 2025

A questo punto si è ripetuto il primo prompt, con il testo in italiano, esattamente uguale. La risposta generata è stata la seguente (titolo: “Mythic Greek Island Landing”).

Si può notare subito come le due figure 5 e 6 siano pressoché identiche – ad eccezione della scritta sulla stele, adesso ben leggibile rispetto alla Fig. 4, ma in italiano e non in «caratteri greci», come descritto nel testo. Le orme sono al loro posto, su una roccia davanti alla stele, di misura leggermente diversa.

4.2 Conversazione dell’8 dicembre 2025

Un risultato simile si può riscontrare anche in una seconda conversazione che si è avuta con il chatbot a distanza di qualche giorno, in data 8 dicembre 2025, con alcune variazioni e approfondimenti rispetto alle precedenti.

Nella versione italiana, si è scelto di copiare e incollare soltanto la prima parte, quella relativa all’approdo e alla stele bronzea, lasciando il termine “colonna”. Per questo nella prima risposta (Fig. 7) sono assenti dettagli quali il fiume, le viti e i pesci. Sono invece presenti, sullo sfondo, la nave attraccata e gli altri compagni.

Figura 7. Immagine da prompt parziale con testo in italiano con modello GPT-5.1 in data 8 dicembre 2025

Nella traduzione greca si ripropone il medesimo prompt con testo completo⁵⁰. Una differenza importante che si è notata rispetto alle chat precedenti è che non si è ripresentata la necessità di dare indicazioni più specifiche per ottenere questa seconda immagine.

Se si confrontano le due immagini, riportate sotto, si notano alcuni dettagli molto simili, proprio quelli su cui ci si è concentrati con più insistenza: la stele e le orme.

Figura 8. Immagine da prompt intero con testo greco con modello GPT-5.1 in data 8 dicembre 2025

La somiglianza tra le due figure fa capire che il chatbot ha in qualche modo collegato i due testi, anche se non era stato rivelato che si trattava dello stesso brano e soprattutto la traduzione italiana era più breve e mancante di una parte rispetto all’originale.

Questa volta, dopo i ripetuti tentativi, la conversazione è andata avanti e si è voluta testare anche la capacità del chatbot di analizzare testo e immagini e di fare un confronto incrociato tra le due proposte⁵¹. L’analisi della risposta di ChatGPT rivela aspetti significativi sul funzionamento del modello e sul suo approccio alla generazione di immagini correlate.

A una domanda diretta («che relazione c’è tra i due testi?»), ChatGPT risponde in modo preciso e schematico. Innanzitutto, identifica correttamente che i due brani, in italiano e in greco, appartengono allo stesso episodio del testo lucianeo. Individua poi alcuni elementi chiave comuni: la stele, le orme di Eracle e Dioniso di dimensioni diverse. Rileva inoltre gli elementi presenti nel testo greco e assenti in quello italiano: il fiume di vino, i pesci, le viti. Emerge così una prima differenza che non era stata esplicitata nel prompt iniziale: il testo in traduzione è più breve di quello in originale.

Nel descrivere la relazione tra le due immagini, il modello sottolinea che esse «sono visivamente coerenti, perché basate sulla stessa scena narrativa, ma differiscono per ciò che ciascun testo racconta». Si può confermare, di conseguenza, quanto detto in precedenza, che il chatbot ha generato la seconda immagine mantenendo una coerenza visiva con la prima, avendo riconosciuto un nesso tra i due testi e volendo riprodurre questo collegamento anche sul piano iconografico.

Particolarmente significativo è un dettaglio emerso nel prosieguo della spiegazione: il modello afferma che la seconda immagine, derivante dal testo greco, descriva «un ambiente più dionisiaco»⁵².

Questa interpretazione, tuttavia, non trova pieno riscontro nel risultato visivo. Se si confrontano le due immagini, l’elemento dionisiaco è certamente intuibile, ma rimane piuttosto sullo sfondo, mentre nel testo originale greco esso risulta molto più evidente e centrale. Il confronto schematico tra testi e immagini proposto dalla macchina (Fig. 9) chiarisce questa discrepanza:

Figura 9. Stralcio di conversazione con GPT-5.1 in data 8 dicembre 2025: sintesi schematica di confronto fra testi e relative immagini generate

Mentre tra il testo italiano e la prima immagine esiste una sostanziale corrispondenza, tra quello greco e la seconda immagine si registra uno scarto significativo. Manca in particolare il dettaglio dei pesci di vino, elemento narrativamente rilevante poiché, nel racconto di Luciano, è proprio il loro consumo a causare l’ubriachezza dei marinai. Il modello sembra dunque razionalizzare a posteriori le proprie scelte visive, attribuendo alla seconda immagine caratteristiche che l’analisi testuale suggerirebbe, ma che la resa grafica non ha pienamente realizzato.

Il chatbot si dimostra più accurato nell’analisi testuale piuttosto che in quella visiva, avendo sempre fondato le proprie riflessioni sui testi dei prompt forniti. Ciò è dimostrato dal riferimento agli elementi dionisiaci e fantastici, presenti nel testo greco ma non nell’immagine da esso generata. Nelle sue conclusioni, il chatbot si limita a rilevare la diversa estensione dei due testi e la maggiore presenza dell’elemento dionisiaco nel testo greco, senza cogliere altre discrepanze significative.

Un ulteriore elemento che sfugge all’analisi del chatbot riguarda le scritte presenti nelle immagini: mentre nella prima immagine derivata dall’italiano, l’iscrizione è incomprensibile se non nella parte finale («ELI.U EPTA IF BINUS E. BACCO»), e comunque non in caratteri greci; nella seconda immagine, le lettere ricordano vagamente una scritta greca: «ΑΧΡΙ TΟΥΤΟΝ ΕΡΑΚΛΗC ΚΑΙ AJONYFOC (=ΔΙΟΝΥΣΟΣ) ΑΡΙΚΟΝΤΟ (=ΑΦΙΚΟΝΤΟ)». Sono più precise e leggibili rispetto all’immagine precedente, ma non coincidono perfettamente con il greco (si confronti questa con la Fig. 5). Questa progressiva accuratezza nella riproduzione dei caratteri greci suggerisce che il modello abbia appreso dal prompt in greco e tentato di replicarne l’aspetto visivo, pur senza produrre un testo greco grammaticalmente corretto.

4.2.1 Riflessioni sul testo

A questo punto, la conversazione procede con un esperimento diverso, orientato all’analisi testuale.

Per questo prompt si è adottata la tecnica del role prompting, che consiste nel chiedere al chatbot di assumere un ruolo o professione specifica⁵³. In questo caso, il modello è stato invitato ad assumere il ruolo di un filologo: «Immagina di essere un filologo che voglia analizzare l’accuratezza della traduzione di questo passo. Confronta il testo italiano e il testo greco laddove è possibile»⁵⁴, ribadendo quindi che la traduzione italiana si ferma al particolare delle orme.

In assenza di indicazioni specifiche sulle correzioni da apportare o di criteri valutativi predefiniti, il chatbot tende ad accogliere positivamente anche le scelte traduttive più libere rispetto al significato letterale. Ad esempio, considera «corretto e idiomatico» il passaggio da ὡς ἂν ἐκ μακρᾶς ταλαιπωρίας («come dopo una lunga fatica») a «stanchi di sì lungo travaglio». In altri casi, il modello nota le libertà stilistiche pur giudicandole accettabili: la traduzione di ἀνελθεῖν ἐπὶ κατασκοπῇ («salire per esplorare / a scopo di esplorazione») con «per scoprire com’era fatta l’isola» viene definita «corretta, anche se più esplicativa e meno letterale».

La parte più interessante del confronto riguarda la stele e le orme, dove emergono questioni di ambiguità lessicale e scelta interpretativa.

Il chatbot osserva che il termine greco στήλη presenta una polisemia, potendo indicare tanto una “stele” quanto una “colonna commemorativa”, e giudica quindi accettabile la resa italiana con “colonna”. Anche il resto della traduzione, compresa la resa latina dei nomi di Eracle e Dioniso, risulta secondo il chatbot «accurata» e «filologicamente legittima». Per quanto riguarda invece le impronte (ἴχνη), il chatbot rileva un’incongruenza nella traduzione dell’aggettivo πλεθριαῖον, ovvero «della misura di un πλέθρον»⁵⁵, con l’italiano “jugero”. Attraverso l’associazione con lo iugerum latino, fa notare che l’aggettivo greco si riferisce a un’unità di misura di lunghezza, intorno ai 30 metri, mentre lo iugerum è una misura di superficie di circa 2500 m².

Il chatbot non coglie tuttavia la variante di significato del termine πλέθρον. Il Liddell-Scott registra infatti due accezioni: da un lato «measure of length of 100 feet» (cento piedi, che corrispondono a 29,57 m), dall’altro «a square measure, 10,000 square feet»⁵⁶ (10.000 piedi quadrati sono equivalenti a circa 900 m²). D’altra parte, il Middle Liddell precisa che il termine fu usato in età imperiale per tradurre in greco il termine latino iugerum, benché non ci fosse corrispondenza tra le due unità di misura («though this was about 2 roods 19 perches»)⁵⁷.

Indipendentemente dalla questione metrologica, che un attento controllo lessicografico – e un miglioramento del prompt, magari utilizzando la stessa IA – risolverebbe, risulta notevole la capacità del chatbot di individuare un’incongruenza nel passaggio interlinguistico. Particolarmente significativa è la sua attenzione alla mediazione implicita del latino e all’orizzonte culturale romano sotteso alla traduzione.

5. Conclusioni e aspetti pedagogici

L’analisi comparativa dei due casi di studio – basati rispettivamente sull’impiego di GPT-4o e di GPT-5.1 nella generazione di immagini – consente di formulare alcune considerazioni di ordine metodologico, teorico e didattico sul rapporto tra intelligenza artificiale generativa e didattica delle lingue antiche.

In primo luogo, il confronto tra i risultati evidenzia come l’evoluzione dei modelli multimodali non si traduca soltanto in un miglioramento estetico delle immagini generate, ma in una maggiore coerenza conversazionale e capacità di mediazione semantica tra testo e rappresentazione visiva, come si è visto per le conversazioni del 4 e dell’8 dicembre 2025 (in particolare si vedano i confronti tra le Fig. 5 e 6 e le Fig. 7 e 8). Nel secondo caso, le domande sul commento testuale, nonostante fossero volutamente generiche, hanno rivelato anche una buona padronanza degli strumenti della lingua, sia italiana che greca, e una discreta capacità di analisi. Si è rilevato un miglioramento considerevole rispetto alle versioni precedenti, anche se in premessa si è detto che il chatbot lavora meglio con le lingue moderne piuttosto che con il greco e il latino, per ragioni legate all’addestramento e al numero dei dati. Verrebbe da chiedersi se in futuro, con l’evoluzione dei modelli, gli aggiornamenti e la crescita dei dataset sarà possibile ottenere una comprensione più profonda della struttura linguistica di lingue antiche al pari delle lingue moderne, come l’inglese o l’italiano⁵⁸.

Le immagini generate da GPT-4o (Fig. 1, 2.1, 2.2 e 3), pur mostrando un’elevata qualità compositiva, rivelano una maggiore oscillazione interpretativa, soprattutto quando il prompt deriva direttamente dal testo greco: la resa iconografica tende in questi casi a privilegiare soluzioni plausibili sul piano visivo, ma non sempre pienamente coerenti sul piano concettuale o culturale. Diversamente, le immagini prodotte da GPT-5.1 (Fig. 4, 5 e 6; Fig. 7 e 8), generate all’interno della medesima sessione e a partire dal medesimo prompt, mostrano una notevole stabilità interna e una più chiara corrispondenza semantica con il testo di partenza. La forte somiglianza tra le due immagini suggerisce un controllo più saldo dei vincoli semantici e una riduzione delle oscillazioni interpretative precedentemente osservate, con una più consapevole gestione della relazione tra parola, concetto e rappresentazione.

Sul piano pedagogico, la letteratura più recente sull’impiego di chatbot basati su LLM in ambito educativo concorda nel considerarli strumenti potenzialmente efficaci non come sostituti dell’insegnamento, ma come dispositivi di supporto alla costruzione del sapere e, soprattutto, alla promozione di pratiche di pensiero critico e autoregolazione. Diversi contributi segnalano, infatti, che i benefici emergono quando lo strumento viene usato per interrogare e ristrutturare conoscenze – attraverso feedback, auto-verifica, dialogo socratico, revisione – non quando sostituisce l’elaborazione autonoma⁵⁹.

In particolare, contributi di sintesi come quello di Panciroli e Rivoltella⁶⁰ o di Roberto Trinchero⁶¹ mettono in evidenza opportunità didattiche legate a tutoring, feedback formativo e supporto alla rielaborazione, accanto a rischi noti (allucinazioni, bias, dipendenza cognitiva), che rendono indispensabile una progettazione guidata e una cornice di utilizzo esplicita. In questo senso la ricerca sulla didattica conferma l’importanza del ruolo del docente come digital educator e come facilitatore dell’apprendimento⁶².

In questa prospettiva, l’esperimento di generazione di immagini a partire da testi antichi può essere inteso come dispositivo didattico metacognitivo, con l’obiettivo di attivare negli studenti processi di controllo e riflessione sul significato. Infatti, esempi come la resa del termine στήλη o la visualizzazione delle orme, e relativa evoluzione semantica, mostrano con chiarezza come il passaggio dall’originale alla traduzione (text-to-text) e dal testo alla figura (text-to-image) non siano mai neutri, ma comportino sempre un’interpretazione, che può essere analizzata, discussa e problematizzata in classe.

5.1 Prospettive didattiche: accessibilità e replicabilità

Dal punto di vista didattico, tali risultati aprono prospettive particolarmente interessanti. Gli esperimenti presentati sono stati concepiti a partire da testi facilmente accessibili – l’edizione di Settembrini per la traduzione italiana reperibile su Wikisource e l’edizione Cambridge del 1913 disponibile su Perseus per il testo greco – e utilizzando uno strumento oggi disponibile anche in versione gratuita, come GPT-4o. Si presume che in futuro, con l’evoluzione dei modelli, anche GPT-5.1 e successivi saranno gratuiti. Ciò rende l’esperienza replicabile in contesti scolastici e universitari, attraverso pratiche didattiche facilmente adattabili.

L’attività può essere strutturata come sequenza metacognitiva articolata in diverse fasi. Innanzitutto, una fase di predizione: prima di generare l’immagine, gli studenti formulano ipotesi su come il testo “dovrebbe” apparire visivamente, ragionando su lessico, scala, contesto e funzione degli oggetti descritti⁶³. Segue una fase di confronto tra output derivanti dalla traduzione italiana e dal testo greco originale, per isolare dove la semantica “slitta” e perché. La terza fase prevede una diagnosi dell’errore o dell’ambiguità⁶⁴, attraverso un’analisi linguistica mirata che indaghi polisemia, referenti culturali e lessico materiale: qui rientrano perfettamente gli esempi discussi, come la στήλη (stele, colonna, pilastro; oggetto votivo, funerario o di confine) e le orme (con la loro scala iperbolica e il loro statuto narrativo tra meraviglioso e parodico).

Una quarta fase può consistere in una revisione controllata del prompt, in cui gli studenti riscrivono il testo di input come esercizio di precisione semantica, introducendo aggiunte minimali e motivate (materiale, funzione, contesto, elementi epigrafici) e annotando esplicitamente le scelte compiute. Infine, una componente riflessiva può essere introdotta chiedendo agli studenti di tenere un breve “diario di traduzione” (due o tre righe) in cui spiegano quale passaggio interpretativo ha modificato l’immagine e che cosa ciò rivela del testo. Questa procedura è coerente con le raccomandazioni UNESCO sull’uso della GAI per rafforzare agency, pensiero critico e valutazione delle fonti⁶⁵.

In definitiva, la generazione di immagini a partire da testi antichi trova una legittimazione metodologica se l’obiettivo viene spostato dal prodotto al processo. Nel contesto della didattica delle lingue antiche, ciò significa utilizzare i modelli generativi non per bypassare la fatica della traduzione e dello studio del greco, ma per rendere questa pratica più profonda, articolata e più autenticamente critica.

L’ultima consultazione dei siti web è avvenuta nel mese di giugno 2026

Note

1. Per un riassunto delle questioni metodologiche, in particolare sull’annoso dibattito tra metodo grammaticale-traduttivo (o tradizionale) e metodo induttivo-contestuale e metodo Natura (anche detto Metodo Ørberg), si veda Gianluca Ricci, Riflessioni sull’insegnamento linguistico del greco antico e del latino nella scuola italiana, «Thamyris», 13 (2022), p. 309-328.<https://doi.org/10.24310/thamyristhrdcc.v13i16325>.
2. Si veda, a tal proposito, il recente studio di Nataliya Kosmyna et al., Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task, dal Progetto del MIT Media Lab, Your Brain on ChatGPT, 2025. <https://doi.org/10.48550/arXiv.2506.08872> Per il concetto di cognitive offloading dovuto all’ascesa dell’IA, ripreso nel lavoro del MIT, e del suo impatto sul pensiero critico, si veda anche Michael Gerlich, AI Tools in Society: Impacts on Cognitive Offloading and the Future of Critical Thinking, «Societies», 15 (2025), p. 1-28.<https://doi.org/10.3390/soc15010006>.
3. Si rimanda al recente volume Antico e IA. Intelligenze artificiali e didattica del mondo antico, a cura di G. Mosconi, Cassino: Edizioni Università di Cassino (ebook), 2025. La pubblicazione è stata preceduta da un ciclo di tre seminari, organizzati dalla delegazione “Historia Magistra” (Associazione Italiana di Cultura Classica; Delegazione di Cassino e della Valle Latina), dal titolo “IA x IA. Intelligenza Artificiale per Insegnare l’Antico. Tre incontri per riflettere, fra docenti, su un utilizzo intelligente dell’IA nell’insegnamento di lingue, letteratura e storia antiche”, nel febbraio-marzo del 2025. Tutti gli incontri sono registrati e disponibili su YouTube, sul canale di “Historia Magistra”:<https://www.youtube.com/playlist?list=PLYvabDy0YFx5qfj4ngeqJNCPF0J0siEkI>.
4. Si vedano in proposito Andrea Balbo, Materiali e metodi per una didattica multimediale del latino, Bologna: Patron, 2021 (seconda edizione); Multimedialità e multimodalità: teoria, prassi e didattica dei testi complessi, a cura di M. Dota, G. Polimeni, M. Prada, «Quaderni di Italiano LinguaDue», 5 (2022), <https://riviste.unimi.it/index.php/promoitals/article/view/23933>, in particolare il capitolo di Maria Grazia Sindoni, Traiettorie della multimodalità: gli snodi teorici e i modelli applicativi, p. 19-46, per un quadro teorico sulla comunicazione multimodale e distinzione tra i termini multimedialità e multimodalità.
5. Si veda anche, in generale, la guida di OpenAI alla generazione delle immagini <https://platform.openai.com/docs/guides/image-generation>. Su una proposta operativa sull’uso dei generatori di immagini ad accesso libero, si veda anche Carlos Díaz-Sánchez — Diego Chapinal-Heras, Use of Open Access AI in teaching classical antiquity. A methodological proposal, «The Journal of Classics Teaching», 25 (2024), p. 17-21.
6. Una fonte utile è il report e la presentazione ufficiale di GPT-5 (<https://openai.com/it-IT/index/introducing-gpt-5/>) e fonti tecniche di terze parti ci dicono che GPT-5.1 ha lo stesso training dataset di GPT-5. Riguardo ai dati di addestramento, l’azienda non ha divulgato informazioni ufficiali dettagliate sulla quantità precisa utilizzata per nessuno dei tre modelli, e le informazioni circolanti online sui diversi siti non sono state confermate e non possono essere considerate affidabili. GPT-5.1, l’ultimo della famiglia GPT testato nel presente articolo, presenta miglioramenti algoritmici e ottimizzazioni rispetto a GPT-5, ma ancora una volta senza cifre ufficiali sulla dimensione in gigabyte o sul numero di token. Per una differenza chiara e rigorosa tra i tre modelli utilizzati negli esperimenti è possibile basarsi quindi sulle informazioni pubbliche fornite da OpenAI e sulle analisi tecniche disponibili (il report di GPT-5 menzionato in questa nota riporta note su miglioramenti rispetto a GPT-4o, mentre per il modello 5.1 e varianti si riprenderà in seguito il discorso).
7. Sul problema dei “bias” e delle allucinazioni, su cui si tornerà in seguito, si veda anche la riflessione in Sebastiano V. Cuffari, Prometeo o automa? L’Intelligenza Artificiale come risorsa critica per la didattica della storia e delle letterature antiche, in: Antico e IA. Intelligenze artificiali e didattica del mondo antico, a cura di G. Mosconi, cit. p. 28-29.
8. Si veda OpenAI, GPT-4o system card, 2024, p. 24-25.
9. Si veda Edward A.S. Ross, A New Frontier: AI and Ancient Language Pedagogy, «Journal of Classical Teaching», 24 (2023), p. 143-161, in particolare p. 151-154. Tra i primi a condurre studi su IA generativa e sulle sue possibili applicazioni per le lingue antiche, Edward Ross ha testato il modello di ChatGPT-3.5 su latino, sanscrito e greco, mettendo a confronto le performance del chatbot in queste tre lingue. La lingua di interazione è ovviamente l’inglese e si è visto che nella traduzione dal latino all’inglese il chatbot se la cavava abbastanza bene, mentre nella costruzione del latino aveva difficoltà quando si trattava di sintassi più complessa. La lingua con cui ha avuto più difficoltà è stata proprio il greco, a causa dell’interferenza della lingua greca moderna, che provocava allucinazioni o comunque errori, soprattutto quando si trattava di produrre direttamente frasi in greco. Ha dato invece ottimi risultati per quanto riguarda la sintassi sulla grammatica sanscrita contrariamente a ogni aspettativa e soprattutto negli elementi morfologici del sanscrito.
10. Per un uso didattico del testo di Luciano di Samosata, “Storia vera”, si veda Methodos. Esercizi v. 1, a cura di C. Neri, Firenze: Casa editrice G. D’Anna, 2018. Si veda anche l’interessante articolo di Anna Kalargirou — Dimitrios Kotsifakos — Christos Douligeris, The Impact of Ancient Greek Prompts on Artificial Intelligence Image Generation: A New Educational Paradigm, «AI» 6 (2025), p. 5 <https://doi.org/10.3390/ai6040081>. L’articolo fa riferimento alle scuole in Grecia, il cui il testo lucianeo fa parte del curriculum insegnato in tutte le scuole greche nei primi anni della middle school, per gli studenti alle prime armi, ma può facilmente essere applicato anche alla realtà scolastica italiana.
11. Si veda <https://www.midjourney.com/home>.
12. Si veda <https://starryai.com/it/home>.
13. Si veda <https://creator.nightcafe.studio/>.
14. Per una definizione più ampia di LLM, su modelli e training, si veda Tom B. Brown et al., Language Models are Few-Shot Learners, «NeurIPS» (2020), p. 1-25.
15. Per una definizione estesa di MLM e MLLM, si veda Jiayang Wu et al., Multimodal Large Language Models: A Survey, in: IEEE International Conference on Big Data, 2023, p. 1-10.
16. La tecnica più diffusa, in questo caso, era il contrastive learning, introdotta da CLIP di OpenAI nel 2021: il CLIP (Contrastive Language-Image Pre-training) è una rete neurale addestrata a “vedere” l’immagine, insieme alla definizione corretta e molte definizioni scorrette e “impara” a riconoscerla, avvicinando embedding corretti e allontanando quelli sbagliati. In seguito, il modello subisce una fase di rifinitura delle istruzioni che combinano le diverse modalità, impara a rispondere correttamente agli input testuali, come “genera immagine” o “migliora immagine” <https://openai.com/index/clip/>. Tutti i documenti e le ricerche citate nel testo sono consultabili sul sito di OpenAI alla voce “ricerca” e “pubblicazioni”.
17. Sui meccanismi di funzionamento di ChatGPT-4 Turbo e DALL·E, precedenti all’architettura end-to-end, si veda anche A. Kalargirou — D. Kotsifakos — C. Douligeris, The Impact of Ancient Greek Prompts on Artificial Intelligence Image Generation, cit. p. 3.
18. Questo processo avviene con la supervisione umana attraverso varie tecniche (Supervised Fine-Tuning, o SFT, Reinforcement Learning from Human Feedback, abbreviato RLHF, Direct Preference Optimization, DPO). Per una spiegazione più dettagliata sulla tecnica del RLHF, si vedano Nathan Lambert, Reinforcement Learning from Human Feedback. A short introduction to RLHF and post-training focused on language models, 2025. <https://doi.org/10.48550/arXiv.2504.12501> e Joshi Satyadhar, Introduction to Reinforcement Learning from Human Feedback: A Review of Current Developments, 2025, 2025031159. <https://doi.org/10.20944/preprints202503.1159.v1>.
19. Per ChatGPT di OpenAI, dalla versione 4 in poi (versioni 4o, 4.1, 5.0, 5.1) <https://chat.openai.com/> e OpenAI, GPT-4o system card, 2024 (disponibile sul sito di OpenAI all’indirizzo <https://openai.com/it-IT/index/gpt-4o-system-card/>) e anche la definizione in OpenAI, GPT-4 Technical Report, 2023, p. 1: «GPT-4, a large multimodal model capable of processing image and text inputs and producing text outputs». Gemini di Google invece è definito da Google Deepmind come «natively multimodal. These models exhibit the unique ability to seamlessly combine their capabilities across modalities (e.g. extracting information and spatial layout out of a table, a chart, or a figure) with the strong reasoning capabilities of a language model» (Google DeepMind, Gemini: A Family of Highly Capable Multimodal Models, 2023). Oltre a ChatGPT e Gemini, i chatbot più comuni sono: Llama 4 e precedenti versioni di Meta (<https://www.llama.com/>), e Claude di Anthropic (<https://claude.ai/login?returnTo=%2Fnew%3F>).
20. Per quanto riguarda GPT-4o si può dire con certezza che è stato il primo modello veramente multimodale end-to-end, quindi capace di elaborare testo, immagini e audio un’unica rete neurale e ottimizzato per velocità, latenza e costi ridotti: «GPT-4o is an autoregressive omni model, which accepts as input any combination of text, audio, image, and video and generates any combination of text, audio, and image outputs. It’s trained end-to-end across text, vision, and audio, meaning that all inputs and outputs are processed by the same neural network» (OpenAI, GPT-4o system card, cit. p. 1).
21. A proposito di bias, si può consultare l’articolo di Emily Bender et al., On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?, «FAccT» (2021), p. 610-623. Sul meccanismo dell’allucinazione e su una definizione specifica per l’IA, si veda Ziwei Ji et al., Survey of Hallucination in Natural Language Generation, «ACM Computing Surveys» 1 (2022), p. 1-59.
22. Si veda A. Kalargirou — D. Kotsifakos — C. Douligeris, The Impact of Ancient Greek Prompts on Artificial Intelligence Image Generation, cit. p. 15.
23. Per approfondimenti sulla figura di Luciano di Samosata e il contesto di riferimento della Seconda Sofistica, si veda Daniel S. Richter, Lucian of Samosata, in: The Oxford Handbook of the Second Sophistic, a cura di D. S. Richter, W. A. Johnson, New York: Oxford University Press, 2017, p. 327-344, con relativa bibliografia.
24. L’edizione in questione è Luciano di Samosata, Opere di Luciano, Volume secondo, traduzione di Luigi Settembrini, Firenze: Le Monnier, 1862. Consultabile al seguente link Wikisource:<https://it.wikisource.org/wiki/Indice:Opere_di_Luciano_voltate_in_italiano_da_Luigi_Settembrini_-_Tomo_2.djvu>.
25. Il brano in greco utilizzato per tutti gli esperimenti, salvo modifiche segnalate in nota, è stato copiato e incollato dal sito Perseus (https://www.perseus.tufts.edu/hopper/), reperibile al seguente link: <http://data.perseus.org/citations/urn:cts:greekLit:tlg0062.tlg012.perseus-grc1:1>. L’edizione critica di riferimento, riportata nel sito, è Lucian. Verae Historiae, in: Austin M. Harmon, Lucian. Works. with an English Translation, Cambridge (MA): Harvard University Press, London 1913. Ci si è premuniti di confrontare il testo di Harmon con un’edizione aggiornata come Lucian. True History: Introduction, Text, Translation, and Commentary, a cura di D. Clay, J. H. Brusuelas, New York: Oxford University Press, 2021.
26. Tra le edizioni divulgative consigliate, Luciano. Storia vera, a cura di Q. Cataudella, Milano: BUR Rizzoli, 1990, e Luciano. Storia vera, a cura di M. Vilardo, Milano: Mondadori, 2017. Entrambe queste edizioni hanno come testo greco a fronte di riferimento quella contenuta in Matthew D. Macleod, Luciani Opera. Tomus I. Libelli 1-25, Oxford: Oxford University Press, 1972.
27. Per approfondimenti su questo aspetto, sul titolo greco ἀληθῆ διηγήματα — al plurale — e sul dibattito culturale sulla storiografia coeva e precedente l’opera di Luciano, si veda Lucian. True History, a cura di D. Clay — J. H. Brusuelas, cit. p. 1-4.
28. Si confrontino gli schemi narrativi descritti con quelli presenti nei “Viaggi di Gulliver” di Swift, fino al “Pinocchio” di Collodi, dove il motivo della balena ritorna in forma rielaborata, oppure alle opere avveniristiche di Jules Verne (“Dalla terra alla luna”, “L’isola misteriosa”).
29. Si veda ivi, p. 5-10.
30. Ivi, p. 28 e seguenti.
31. In greco si ha στήλη; sulle questioni relative al termine e alla traduzione si ritornerà in seguito.
32. Si vedano i commenti di Aristoula Georgiadou — David H. J. Larmour, Lucian’s Science Fiction Novel “True Histories”: Interpretation and Commentary, Leiden; Boston; Köln: Brill 1998 (Mnemosyne Supplements 179), p. 72, e il già citato commento in Lucian. True History, a cura di D. Clay — J. H. Brusuelas, cit. p. 157.
33. Questo secondo prompt ha seguito immediatamente il precedente. Si è voluto vedere se nella medesima conversazione il chatbot riuscisse a rintracciare una continuità tra il testo italiano e quello greco, anche se non è specificato nel prompt che si tratta dello stesso testo in originale.
34. Per lo sviluppo della scrittura alfabetica greca fino alla standardizzazione della notazione delle vocali, si veda Storia delle lingue letterarie greche, a cura di A. C. Cassio, Firenze: Le Monnier Università 2016, p. 117-118.
35. Per il commento epigrafico e altri dettagli sull’iscrizione, si veda Margherita Guarducci, L’epigrafia greca dalle origini al tardo impero, Roma: Istituto poligrafico e zecca dello stato, 1987, p. 273.
36. In questo caso, il rischio era quello che il modello potesse prendere le mosse dal testo epigrafico generato in risposta al prompt precedente (Fig. 2.0), cioè proposto dal modello, non dall’utente.
37. Si veda la corrispondente voce “colonna” sul Vocabolario Treccani online: «colónna s. f. [lat. colŭmna]. – 1. a. Elemento verticale, a sezione per lo più circolare e composto di base, fusto e capitello, atto a resistere al peso di elementi sovrastanti (muro, solaio, tetto, arco, volta) e adoperato anche in funzione decorativa: c. di pietra, di marmo, di travertino; le c. di un tempio, di un palazzo…».<https://www.treccani.it/vocabolario/colonna/>.
38. Definizioni riprese dalla voce στήλη sul LSJ: «block of stone used as a prop or buttress to a wall», o ancora «block or slab used as a memorial, monument», «gravestone», «monument inscribed with record of victories, dedications, votes of thanks, treaties, laws, decrees, etc. ».
39. Si veda la definizione completa di “stele” sul Vocabolario Treccani online:<https://www.treccani.it/vocabolario/stele/>.
40. Si veda Margherita Guarducci, L’epigrafia greca dalle origini al tardo impero, cit. p. 381. Guarducci, parlando nello specifico di iscrizioni funerarie, descrive così l’evoluzione delle pratiche sepolcrali dall’età arcaica e la pratica di individuare con un segnacolo il luogo di inumazione dei defunti: «Con l’andar del tempo, più o meno rapidamente a seconda delle varie località, la rozza pietra piantata sul tumulo dette luogo alla colonna (κίων) o alla stele (στήλη, o doricamente στάλα). La stele, pietra a sezione rettangolare rastremata in alto, è il monumento sepolcrale più diffuso in tutto il mondo greco. Fino dall’età più antica, essa cominciò ad essere abbellita di decorazioni a rilevo ravvivate dal colore, che divennero mano a mano più ricche. […] Nella stele, più o meno riccamente ornata, elemento essenziale era l’epigrafe, incisa ora sotto ora sopra la scena figurata […]».
41. Lucian VH, 1, 5: ὁρμηθεὶς γάρ ποτε ἀπὸ Ἡρακλείων στηλῶν καὶ ἀφεὶς εἰς τὸν ἑσπέριον ὠκεανὸν οὐρίῳ ἀνέμῳ τὸν πλοῦν ἐποιούμην.
42. Pind. Isthm. 4, 12: ἀνορέαις δ᾽ ἐσχάταισιν / οἴκοθεν στάλαισιν ἅπτονθ᾽ Ἡρακλείαις. Nella quarta Istmica, inoltre, Melisso, vincitore nel carro, ma anche nel pancrazio, e destinatario dell’ode, viene accostato alla mitica figura di Eracle, eroe che fece imprese straordinarie. Per un approfondimento sull’ode, si veda Pindaro. Le Istmiche, a cura di Giuseppe A. Privitera, Milano: Fondazione Lorenzo Valla/Arnoldo Mondadori editore 1982, p. 53 e s.
43. Hdt, 4, 8, 2: Γηρυόνεα δὲ οἰκέειν ἔξω τοῦ Πόντου, κατοικημένον τὴν Ἕλληνές λέγουσι Ἐρύθειαν νῆσον τὴν πρὸς Γαδείροισι τοῖσι ἔξω Ἡρακλέων στηλέων ἐπὶ τῷ Ὠκεανῷ.
44. Si veda il commento al passo in Lucian. True History, a cura di D. Clay — J. H. Brusuelas, cit. p. 157 e s.
45. Sulle criticità dei modelli di IA nella rappresentazione visiva di testi complessi, si veda A. Kalargirou — D. Kotsifakos — C. Douligeris, The Impact of Ancient Greek Prompts on Artificial Intelligence Image Generation, cit. p. 10 e seguenti, che evidenzia i limiti interpretativi di DALL·E 3 nell’elaborazione di prompt in greco antico. L’articolo prende in esame proprio il testo di Luciano, particolarmente adatto per questo tipo di sperimentazione sia per ragioni didattiche che per la complessità dei contenuti narrativi e mitologici, evidenziando come le rappresentazioni generate risultino spesso vincolate da procedure algoritmiche che non sempre riescono a cogliere le strutture concettuali e narrative sottese ai testi antichi.
46. Il modello ChatGPT-5 è stato rilasciato in data 7 agosto 2025 (<https://openai.com/it-IT/index/introducing-gpt-5/>) mentre l’aggiornamento a 5.1, con le versioni GPT-5.1 Instant e GPT-5.1 Thinking, è avvenuto il 12 novembre 2025 (<https://openai.com/it-IT/index/gpt-5-1/>). La prima versione è pensata per una conversazione più fluida, intuitiva ed efficace rispetto al modello precedente, con capacità adattive evolute, mentre la seconda si differenzia per una maggiore capacità nel ragionamento e nell’elaborazione della risposta in base alla difficoltà del prompt. Per approfondimenti sulle due versioni si veda OpenAI, GPT-5.1 Instant and GPT-5.1 Thinking System Card Addendum, 2025, p. 4.
47. Nonostante i testi con cui è stato istruito siano più o meno gli stessi, GPT-5.1 è stato programmato per rileggerli e confrontarli migliaia di volte. Il modello è decisamente più evoluto e tiene in considerazione 500-800 miliardi di parametri per la gestione di ogni prompt (potendo arrivare fino a 3.500 miliardi al massimo della sua capacità).
48. Si veda OpenAI, ChatGPT-5 System Card, 2025, p. 5: «OpenAI reasoning models, including gpt-5-thinking, gpt-5-thinking-mini, and gpt-5-thinking-nano, are trained to reason through reinforcement learning. These models are trained to think before they answer: they can produce a long internal chain of thought before responding to the user». GPT-5 rappresenta un passo avanti nel multistep reasoning e nei passaggi logico-deduttivi più articolati rispetto al modello 4o: migliora la coerenza logica a più passaggi (chain-of-thought), minimizza le allucinazioni, soprattutto in ambiti scientifici e tecnici, comprende meglio il contesto e mostra maggiore robustezza sulle lingue meno rappresentate. Presenta inoltre migliore capacità di ricostruire relazioni causa-effetto e maggiore accuratezza matematica e analitica, risultando più orientato alla razionalità che alla rapidità.
49. Il testo in traduzione, infatti, recita: «V’erano ancora lì vicino due orme di piedi sopra una pietra, la prima d’un jugero, l’altra meno».
50. L’intenzione, in questa seconda conversazione, era quella di concentrarsi sulla parte relativa alla stele. Ci si è accorti solo in un secondo momento di aver copiato e incollato il testo greco completo, anziché mancante della seconda parte: un errore che però non ha stravolto la struttura compositiva della seconda immagine, confermando una certa coerenza nelle risposte.
51. Le citazioni che seguono sono tratte da uno stralcio di conversazione con GPT-5.1 in data 8 dicembre 2025, in cui il chatbot propone un confronto fra i testi.
52. Le citazioni seguenti sono tratte da uno stralcio successivo della conversazione con GPT-5.1, sempre in data 8 dicembre 2025, in cui il chatbot fa un confronto tra le immagini.
53. Si vedano Giuseppe Levi, Strategie di Prompting. Una guida pratica all’uso degli LLM per studenti e insegnanti. Bologna: CLUEB, 2025. Nzubechukwu C. Ohalete — Kevin B. Gittner — Lauren M. Matheny, COSTAR-A: A prompting framework for enhancing Large Language Model performance on Point-of-View questions, School of Data Science and Analytics, Kennesaw State University, GA, USA, «Computation and language» (2025).
54. Nei seguenti paragrafi, le citazioni riportate derivano sempre dalla conversazione dell’8 dicembre 2025 e si riferiscono all’analisi testuale della traduzione sulla stele di bronzo e sulle orme.
55. Si veda Henry G. Liddell — Robert Scott — Henry S. Jones — Roderick McKenzie, A Greek– English Lexicon, Oxford, 1996 (da ora abbreviato in LSJ e online <https://stephanus.tlg.uci.edu/lsj/>), alle voci πλεθριαῖος e πλέθρον. Sono consultabili anche i vocabolari greco-italiano più utilizzati, come Vocabolario della lingua greca, a cura di Franco Montanari, Torino: Loescher, 2013 (da ora abbreviato in GI) e Lorenzo Rocci, Vocabolario greco-italiano, Roma: Società Editrice Dante Alighieri, 2011 (da ora Rocci).
56. Si veda LSJ, alla voce πλέθρον, ΙΙ. Nel GI, un pletro quadrato (πλέθρον τετράγωνον) corrisponde a circa 874 m². Il Liddell-Scott segnala anche l’equivalenza con iugerum. Per la prima accezione (misura di lunghezza), il Liddell-Scott cita autori del V-IV secolo a.C., come Erodoto e Senofonte; per la seconda (misura di superficie), fa riferimento a Plutarco (II secolo d.C.). Essendo Luciano un autore di età imperiale, la resa di πλέθρον con “jugero” trova una giustificazione lessicografica. Occorre tuttavia considerare che si tratta di una traduzione tardo-ottocentesca, che rispecchia le convenzioni e le conoscenze filologiche del proprio tempo.
57. Si veda Henry G. Liddell – Robert Scott, An Intermediate Greek-English Lexicon, Oxford: Clarendon Press, 1889, alla voce πλέθρον, ΙΙ.
58. Molto dipenderà anche da quanto le aziende vorranno investire sulla ricerca in un settore di nicchia come questo. La questione economica, quando si parla di intelligenza artificiale, è un dato non secondario da tenere in conto, che meriterebbe un approfondimento ulteriore e una trattazione più estesa. In questa sede ci si limita a fare ipotesi, per quanto ottimistiche, sui futuri sviluppi dell’IA in questo ambito.
59. Si vedano Roberto Trinchero, Usi intelligenti dell’intelligenza artificiale. Il man-with-the-machine learning, «ECPS» 30 (2024), p. 69 e s.; Sebastiano Cuffari, L’uso di chatbot maieutici nella pratica scolastica: un approccio critico e riflessivo, «BRICKS» 14 (2025), p. 36-46. Si vedano anche, per il latino, Andrea Balbo, Latino e intelligenza artificiale, «Lingue antiche e moderne» 13 (2024), p. 329-349; Edward A.S. Ross — Jackie Baines, Navigating the Fog: The Effectiveness of Personalised Conversational GenAI Models for Supporting Ancient Language Learning, «AI & Antiquity: Journal of Teaching and Technology in Ancient Studies», 1 (2025), p. 35-52. Ross e Baines hanno recentemente dimostrato nel contesto dell’apprendimento delle lingue antiche, i modelli conversazionali personalizzati possono offrire supporto efficace quando vengono impiegati all’interno di cornici pedagogiche strutturate e con obiettivi chiaramente definiti.
60. Chiara Panciroli — Pier Cesare Rivoltella, Collaborating with Machines. AI, Literacies, School, in: Artificial Intelligence in Education, a cura di C. Panciroli, P. C. Rivoltella, 2024, p. 17-48.
61. R. Trinchero, Usi intelligenti dell’intelligenza artificiale. Il man-with-the-machine learning, cit. p. 65-81.
62. Si veda UNESCO, AI Competency Framework for Teachers, Paris: United Nations Educational, Scientific and Cultural Organization, 2024, p. 13: «Teachers are the primary users of AI in education, and they are expected to be the designers and facilitators of students’ learning with AI, the guardians of safe and ethical practice across AI-rich educational environments, and to act as role models for lifelong learning about AI». Sull’argomento, nel campo delle lingue classiche, si veda anche E. A.S. Ross — J. Baines, Navigating the Fog, cit. p. 44.
63. Si veda Cristiana Caserta — Lorenzo Cesaretti, Ripensare il recupero (non solo) estivo: un tutor di greco antico basato su intelligenza artificiale, «BRICKS» 14,5 (2025), p. 61-68. Caserta e Cesaretti hanno recentemente proposto l’impiego di tutor basati su intelligenza artificiale per il recupero dello studio del greco antico, sottolineando come l’efficacia dipenda dalla capacità di progettare interazioni che stimolino il ragionamento attivo e non la mera ricezione passiva.
64. Su una potenziale didattica dell’errore con l’IA per le lingue classiche, anche A. Balbo, Latino e intelligenza artificiale, cit. p. 345 e s.
65. UNESCO, AI Competency Framework for Students, Paris: United Nations Educational, Scientific and Cultural Organization, 2024, p. 22 e s. Le linee guida UNESCO insistono proprio sulla necessità di progettare l’uso della GAI in modo da preservare l’agente umano, sostenere la qualità dell’apprendimento e favorire un impiego eticamente e pedagogicamente appropriato: ciò si traduce, operativamente, nel trattare l’output del chatbot come ipotesi da verificare e discutere, non come risposta autorevole.