Case study aziendale segnalato come IA? SWOT, Five Forces e due tipi di uniformità

Quando un intero gruppo consegna documenti che si somigliano, il primo pensiero è di solito il plagio. Questo riflesso indica il report sbagliato. Probabilmente hai due numeri in mano, e non misurano la stessa cosa.

Un framework fa due cose al tuo testo. Ti consegna un vocabolario fisso in un ordine fisso, ed è per questo che i tuoi paragrafi somigliano a quelli dei tuoi compagni. E trasforma il tuo report in una serie di caselle parallele, ed è per questo che i tuoi cinque paragrafi si somigliano tra loro.

Solo alla seconda è costruita per reagire una percentuale di scrittura IA. La descrizione pubblicata da Turnitin della valutazione IA è un processo per singola consegna: il file viene diviso in segmenti sovrapposti, ogni segmento riceve una probabilità, i punteggi delle frasi vengono raccolti e aggregati. Niente di tutto questo confronta il tuo documento con quello di qualcun altro. Il confronto con altri lavori è l’altro numero, il punteggio di similarità, definito rispetto a «Turnitin's comprehensive collection of content» (la raccolta completa di contenuti di Turnitin); e il fornitore afferma che i due sono «completely independent and do not influence each other» (completamente indipendenti e non si influenzano a vicenda).

C’è una terza cosa che vale la pena sapere prima di toccare qualsiasi cosa, ed è quella che sorprende le persone: in un case study pieno di framework, la maggior parte di ciò che hai scritto non viene valutata affatto. La percentuale è calcolata sulle frasi in prosa. Secondo questa definizione una griglia SWOT, un PESTEL con elenchi puntati e un elenco di intestazioni delle cinque forze non sono frasi in prosa.

Vale la pena separare le due cose prima di decidere qualsiasi cosa, perché gli studenti portano regolarmente la prima preoccupazione al secondo report.

Due dettagli dal lato della similarità che riguardano in modo specifico il linguaggio dei framework. Primo: le etichette dei framework sono corte. La guida ai filtri di esclusione di Turnitin documenta un’impostazione per le corrispondenze piccole: «By default, the threshold is 8 words, meaning that only matches 8 words or longer appear in the Similarity Report. You can increase this number, but 8 words is the minimum allowed value.» (Per impostazione predefinita la soglia è di 8 parole, il che significa che nel Similarity Report compaiono solo le corrispondenze di 8 parole o più. Puoi aumentare questo numero, ma 8 parole è il valore minimo consentito.) Confronta con questo le tue stringhe di framework. «Threat of new entrants» sono quattro parole. «Bargaining power of buyers» sono quattro. «Punti di forza, debolezze, opportunità e minacce» sono cinque. L’impostazione non è disponibile nella versione classica del report, e non puoi attivarla né disattivarla in nessuna delle due direzioni. Otto parole è il valore predefinito una volta che qualcuno attiva il filtro, non un limite minimo che si applica a prescindere — ma ti dice comunque da quale lunghezza di corrispondenza il fornitore tratta qualcosa come rumore.

Secondo, dal lato dell’IA, il modello non cerca affatto frasi condivise. Le FAQ dicono che i classificatori «are trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers» (sono addestrati a rilevare queste differenze nella probabilità delle parole e padroneggiano le particolari sequenze di probabilità delle parole di chi scrive come un essere umano), e altrove che il modello «is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions» (non è programmato esplicitamente per valutare segnali specifici come 'burstiness,' 'perplexity,' o altre singole metriche a cui a volte si fa riferimento nelle discussioni pubbliche). AI Writing Report di Turnitin e Similarity Report a confronto ha la distinzione completa se hai entrambi i numeri davanti.

Le FAQ sono esplicite su cosa viene analizzato:

«This qualifying text includes only prose sentences, meaning that we only analyze blocks of text that are written in standard grammatical sentences and do not include other types of writing such as lists, bullet points (short non-sentence structures), or other non-sentence structures.» (Questo testo idoneo comprende solo frasi in prosa, il che significa che analizziamo unicamente blocchi di testo scritti in frasi grammaticali standard e non includiamo altri tipi di scrittura come elenchi, punti elenco (strutture brevi che non sono frasi) o altre strutture che non sono frasi.)

E su cosa calcola la percentuale:

«As noted previously, this percentage is not necessarily the percentage of the entire submission. If text within the submission is not considered long-form prose text, it will not be included.» (Come già indicato, questa percentuale non è necessariamente la percentuale dell’intera consegna. Se il testo all’interno della consegna non è considerato testo in prosa di forma lunga, non verrà incluso.)

Ora ripercorriamo un normale case report di un MBA e segniamo cosa sopravvive a questa definizione.

Questa tabella ha due conseguenze, e il numero sul tuo schermo non te ne mostra nessuna.

La tua percentuale e quella del tuo compagno non sono confrontabili se avete strutturato la stessa analisi in modo diverso. Stesso contenuto PESTEL, uno con elenchi puntati e uno con frasi complete dentro una tabella, e venite valutati su quantità di testo diverse.

E la prosa idonea rimasta in un report pieno di griglie può essere poca. Questo conta per ciò che le FAQ dicono sulle quantità ridotte di testo: «In shorter documents where there are only a few hundred words, the prediction will be mostly 'all or nothing' because we're predicting on a single segment without the opportunity to overlap.» (Nei documenti più brevi, dove ci sono solo poche centinaia di parole, la previsione sarà per lo più «tutto o niente», perché prevediamo su un singolo segmento senza la possibilità di sovrapposizione.) Sotto le 300 parole di testo in prosa non viene prodotto alcun report di scrittura IA. Se il tuo case study di 3.000 parole è fatto soprattutto di exhibit ed elenchi, la percentuale che stai guardando potrebbe essere stata calcolata sui commenti di raccordo e poco altro. Quali contenuti l’IA di Turnitin salta? tratta le esclusioni in generale; il punto qui è che le impostazioni per framework cambiano il denominatore più di quasi ogni altro formato di elaborato.

Turnitin pubblica una descrizione del testo su cui cadono i falsi positivi:

«Sometimes false positives (incorrectly flagging human-written text as AI-generated), can include content without a lot of structural variation, text that literally repeats itself, or text that has been paraphrased without developing new ideas.» (A volte i falsi positivi, cioè il segnalare erroneamente come generato dall’IA un testo scritto da una persona, possono riguardare contenuti senza molta variazione strutturale, testo che si ripete letteralmente, o testo parafrasato senza sviluppare nuove idee.)

La prosa da framework rientra in questa descrizione onestamente, e per ragioni che non hanno nulla a che fare con chi scrive.

Il vocabolario è fissato dalla fonte. L’Institute for Strategy and Competitiveness della Harvard Business School pubblica le cinque forze esattamente con questi nomi: Threat of New Entrants, Bargaining Power of Suppliers, Bargaining Power of Buyers, Threat of Substitute Products or Services, Rivalry Among Existing Competitors. Michael Porter le ha esposte per la prima volta in un articolo del 1979 su Harvard Business Review. Queste stringhe non puoi variarle, e nessun valutatore vuole che tu lo faccia.

L’ordine è convenzione, non dottrina. La stessa pagina dell’ISC le elenca con i sostituti per primi e i nuovi entranti al quarto posto, che non è l’ordine del paragrafo qui sopra. Ciò che è fisso è la frase con cui finisce ogni blocco. La mossa caratteristica è un verdetto in una cornice fissa: forza, valutazione, una frase di giustificazione. Fallo cinque volte e avrai scritto cinque frasi con struttura identica e sostantivi scambiati, che è una descrizione piuttosto calzante di «content without a lot of structural variation» (contenuto senza molta variazione strutturale).

Ho anche verificato se qualcosa di tutto questo sia documentato come caso speciale.

Cosa ho contato. Il 27 agosto 2026 ho letto il testo renderizzato delle tre pagine Turnitin che definiscono l’AI Writing Report: Using the AI Writing Report (6.492 caratteri), le FAQ sulle capacità di rilevamento della scrittura IA (30.987) e le note di rilascio dell’AI writing detection model (9.233). Cercato in tutte e tre: `SWOT` 0 · `PESTEL` 0 · `PESTLE` 0 · `Porter` 0 · `case study` 0 · `business` 0 · `marketing` 0 · `discipline` 0 · `genre` 0. L’unico risultato per `framework` è il fornitore che descrive il proprio framework di test. Controllo di sensibilità sullo stesso testo: `prose` 13 · `qualifying` 15 · `bibliograph` 4. `subject area` torna tre volte, tutte nella pagina delle FAQ e tutte a descrivere il campione di addestramento: una volta come «academic writing across geographies and subject areas» (scrittura accademica tra diverse aree geografiche e discipline), poi due volte in un elenco ripetuto di «less common subject areas such as anthropology, geology, sociology, and others» (discipline meno comuni come antropologia, geologia, sociologia e altre).

Non esiste quindi alcuna eccezione per le business school, in nessuna delle due direzioni. Il modello non distingue un case study da una relazione di laboratorio, e la documentazione non sostiene di farlo.

La parte di framework di un case study dovrebbe essere intercambiabile. È questo tutto il senso di un framework. L’analisi dovrebbe essere la parte che solo tu avresti potuto scrivere, e nella maggior parte dei report le due stanno nello stesso paragrafo, nello stesso registro, ed è questo che rende uniforme il documento.

Mosse concrete che le separano:

1. Metti verdetto e ragionamento in forme di frase diverse. Se la frase di valutazione è una cornice fissa, lascia che lo sia, e poi non scrivere anche la frase successiva in una cornice fissa. Una breve riga di valutazione piatta seguita da un paragrafo argomentativo più lungo si legge in modo diverso da cinque ibridi identici.
2. Indica il numero, la data e la fonte. Una frase che lega il potere dei fornitori ai due produttori su contratto che citi nel tuo Exhibit 4, e all’anno in cui il secondo è stato acquisito, porta un’informazione che «il potere dei fornitori è alto a causa della concentrazione del settore» non porta. La seconda frase può scriverla su qualsiasi settore chiunque non abbia letto nulla.
3. Di’ dove il framework fallisce con questa azienda. Un paragrafo che spiega che la forza dei sostituti è quasi priva di senso in un mercato regolato con un monopolio per legge è analisi. Valutarla «bassa» e passare oltre è compilare un modulo.
4. Togli una casella e giustifica l’omissione in una frase. Trattare con la stessa lunghezza forze che non sono ugualmente importanti è esattamente la struttura piatta che il fornitore descrive, e spende le stesse parole per una forza che vale una frase e per una che vale una pagina.
5. Scrivi la raccomandazione prima dei framework, poi controlla se la sostengono. I report costruiti partendo dal framework tendono a finire con una conclusione che ripete le caselle. Una nota di rilascio di Turnitin del 2023 ha osservato falsi positivi concentrati nella prima e nell’ultima frase dei documenti, «written in a generic way» (scritte in modo generico), e la logica di rilevamento è stata modificata per ridurre il fenomeno; l’abitudine di scrittura sottostante non è sparita. Perché introduzioni e conclusioni vengono segnalate come IA contiene la nota di rilascio per intero.

Non ti dico cosa fa poi una percentuale, e nessuno onesto lo farà. Ciò che descrive l’elenco qui sopra è quali paragrafi di un case study sono tuoi e quali appartengono al framework, e quella linea vale la pena tracciarla, che ci sia o no un rilevatore di mezzo.

Supponiamo che il report sia tornato e che qualcosa debba cambiare. L’ordine conta, perché un case study è uno dei documenti più facili da danneggiare riscrivendolo.

1. Leggi le evidenziazioni, non la percentuale. Dove cadono le evidenziazioni ti dice se il modello ha reagito ai tuoi commenti di raccordo o alla tua raccomandazione. Il numero no.
2. Lascia in pace le etichette del framework. Sono termini tecnici. Chi controlla se hai applicato Porter correttamente vuole vedere i cinque nomi.
3. Lascia in pace exhibit, ratio e cifre. Non sono prosa idonea e sono la parte del documento in cui un errore è fatale.
4. Parti dai paragrafi di analisi. Sono la parte che una riscrittura può toccare legittimamente, e se il report è venuto uniforme sono anche la parte che era debole fin dall’inizio.
5. Rileggi tutto ciò che hai toccato. Ogni paragrafo che cambia è un paragrafo che ora devi controllare contro i numeri dei tuoi exhibit. È questo costo, non la riscrittura, a rendere costose le passate sull’intero documento.

Il punto cinque è il motivo per cui l’estensione conta più di qualsiasi altra cosa in uno strumento. Lo strumento HumanPen lavora sul file e non su un estratto incollato: carichi un DOCX e torna un DOCX modificabile, con struttura, terminologia, citazioni, impaginazione e stili lasciati come erano. Per un report pieno di tabelle ed exhibit è la differenza tra un lavoro e un pomeriggio di riformattazione. O marchi tu i passaggi, oppure lo punti sul report IA che hai già da Turnitin o iThenticate e lo lasci scegliere quelli segnalati; in entrambi i casi riscrive solo quelli e lascia in pace tutto il resto. Un paragrafo è la cosa più piccola che tocca, e la selezione ampliata ti viene messa davanti per approvarla prima, così sai esattamente quanti paragrafi hai accettato di rileggere. I passaggi idonei possono essere rielaborati gratuitamente.

Trenta di noi hanno scritto la stessa SWOT. Risulterà come IA? Non attraverso quel meccanismo. La percentuale di scrittura IA è descritta come una classificazione per singola consegna del tuo testo in segmenti sovrapposti, non come un confronto con altre consegne, e le FAQ affermano che non esiste «no separate repository for AI writing detection» (nessun archivio separato per il rilevamento della scrittura IA). Il testo condiviso con altri lavori è il lato della similarità, che è un numero diverso con i propri filtri.

La griglia SWOT stessa viene valutata? Elenchi puntati e altre strutture che non sono frasi sono documentati come fuori dall’analisi. Le frasi in prosa complete dentro una tabella sono un altro caso: una nota di rilascio dell’agosto 2023 dice che la prosa di forma lunga nelle tabelle ora viene elaborata, e che le consegne esistenti vanno inviate di nuovo per essere rielaborate. Lo stesso PESTEL quindi può entrare o meno nel denominatore a seconda di come l’hai impaginato.

Il mio case study è tornato al 100%. Sono solo 900 parole di prosa effettiva. Questa combinazione va letta insieme alla stessa avvertenza delle FAQ sul testo breve: «In shorter documents where there are only a few hundred words, the prediction will be mostly 'all or nothing' because we're predicting on a single segment without the opportunity to overlap.» (Nei documenti più brevi, dove ci sono solo poche centinaia di parole, la previsione sarà per lo più «tutto o niente», perché prevediamo su un singolo segmento senza la possibilità di sovrapposizione.) Un report pieno di griglie può contenere molta meno prosa idonea di quanto suggerisca il conteggio totale delle parole. Documenti brevi e il problema del tutto o niente in Turnitin spiega la meccanica dei segmenti.

Dovrei smettere di usare i framework? No, e i tuoi criteri di valutazione probabilmente li richiedono. Quello che puoi cambiare è la proporzione: meno spazio per etichettare le caselle, più per il giudizio che le caselle dovevano sostenere. È un report migliore e anche meno uniforme.

Posso semplicemente portare la percentuale al mio tutor e sostenere che è un falso positivo? Puoi sollevare la questione, e le parole dello stesso fornitore ti aiutano. La guida all’uso del report di scrittura IA dice che l’indicatore «may not always be accurate» (potrebbe non essere sempre accurato) e «should not be used as the sole basis for adverse actions against a student» (non dovrebbe essere usato come unica base per provvedimenti sfavorevoli a uno studente). Le FAQ sul rilevamento, nel passaggio sui falsi positivi, consigliano di prendere il testo strutturalmente uniforme «into consideration when looking at the percentage indicated» (in considerazione quando si guarda la percentuale indicata). Nulla di tutto questo dimostra chi ha scritto il documento. Cosa significa un tasso di falsi positivi dell’1% quando un’università consegna 75.000 elaborati è la versione onesta dell’aritmetica.