Puntata 143 — Riconoscere il “fatto da AI”

Livello: ✔️✔️ Doppie Spunte Blu · Capitolo 13 · Creatività multimodale

Watermark, C2PA, indizi forensi. Tre strumenti per provare cos’è AI e cosa no. Spoiler: nessuno è infallibile. Per ora lo sguardo allenato resta il rilevatore migliore.

una lente d’ingrandimento sopra un’immagine che mostra simultaneamente: in alto a sinistra un piccolo logo C2PA con catena di custodia, in basso a destra una serie di pixel “anomali” evidenziati in giallo, e al centro una mano umana con sei dita che cerca di nascondersi dietro un albero

Tre approcci alla detection

Distinguere contenuti AI da contenuti umani è importante per:

Giornalismo (verifica fonti).
Insegnanti / professori (compiti, tesi).
Tribunali (prove).
Social (disinformazione).
Curatori artistici (concorsi).

Le strategie disponibili nel 2026:

Approccio	Affidabilità	Limite principale
Watermark visibili / invisibili	Alta (se presenti)	Si rimuovono con post-elaborazione
Provenance metadata (C2PA)	Alta (se preservata)	Si perde nei copy-paste sui social
AI detection tools	Bassa-media	Falsi positivi/negativi rampanti
Indizi forensi visivi	Variabile	Richiede occhio allenato

Per ora nessun metodo è infallibile. Best practice: combinare più approcci.

Watermark: la prima linea

Due tipi:

Visibili

Piccoli loghi/scritte sull’immagine. MJ free tier, alcune versioni di SDXL, applicano un piccolo “MJ” o tag. Rimovibili con crop o ritocco (puntata 136).

Invisibili (steganografici)

Pattern statistici inseriti nei pixel/audio/video, non visibili ma rilevabili con tool dedicati. Esempi:

SynthID (Google DeepMind, 2023): watermark su immagini Imagen, video Veo, audio. Rilevabile da Google.
C2PA Content Credentials: standard aperto (vedi sotto).
Adobe Firefly watermark: presente in tutti gli output Firefly.
OpenAI tools: hanno annunciato (2023) un detector per testo GPT, poi ritirato (false positive troppi). Su immagini DALL-E: meta-marker presente.

Robustezza variabile: SynthID resiste a screenshot, compressione JPEG, leggera modifica. Ma una trasformazione aggressiva (ricompressione massiccia, ritocco pesante) può eliminarli.

C2PA: lo standard di provenance

C2PA (Coalition for Content Provenance and Authenticity) è un consorzio fondato da Adobe, Microsoft, BBC, Intel, Sony, Truepic (2021). Standardizza un formato di metadati firmati crittograficamente che accompagnano un file durante tutto il suo ciclo di vita.

Cosa contiene un file con C2PA:

Chi ha creato (camera, software, persona).
Quando è stato creato.
Come è stato creato (es. “Adobe Firefly, prompt: X”).
Cosa è stato modificato (catena di edit: tutti i tool intermedi).
Firma digitale del creator (verificabile).

Visivamente: nelle implementazioni 2026 i file C2PA mostrano un piccolo icon “i” che, cliccato, espone la catena. Vedi un’immagine sul New York Times o BBC e ti dice “Photo: Reuters, scattata il [data], non modificata”.

Implementazioni:

Photoshop: include C2PA come opzione di export.
Adobe Firefly: incluso di default.
Leica M11-P (camera): primo body con C2PA hardware (2024).
Microsoft Designer: incluso.
OpenAI DALL-E: incluso.

Sfida principale: i social network e i CMS spesso eliminano i metadata all’upload (compressione, stripping). Sta entrando ora il supporto preservato.

I tool di AI detection (lo stato 2026)

Sui testi:

GPTZero: il più noto. Affidabilità ~70-80%. Tanti falsi positivi su testi non-nativi.
Originality.ai: commerciale, usato in editoria.
Turnitin AI Detection: usato in università. Controverso per accuracy.

Sulle immagini:

AI or Not (aiornot.com): rapido, gratuito. Accuracy 60-85%.
Hive AI: API commerciale, usato da forum gaming, fact-checker.
Truepic: focused su prove legali.

Sulle voci:

Resemblyzer / pyannote: tecnici, per audio engineer.
AI Voice Detector: consumer, beta.

⚠️ L’avvertenza importante: tutti questi tool hanno accuracy < 90% in condizioni reali. Falsi positivi (umani classificati come AI) e falsi negativi (AI classificate come umane) sono comuni. Mai usare come unica prova in contesti dove la decisione conta (espulsione studente, licenziamento, sentenza).

Gli indizi forensi visivi (immagini)

Cosa cerca un occhio allenato in un’immagine sospetta:

Mani e dita

Storico tallone d’Achille dei diffusion model. Cerca:

Dita extra (6+).
Dita fuse, doppi pollici.
Anatomia bizzarra (es. dita più lunghe del braccio).
Mani che “fluttuano” senza appoggio chiaro.

Modelli 2025-26 (Flux 1.1, MJ V7) sono molto migliorati ma errori residui esistono.

Occhi e simmetrie

Pupille asimmetriche.
Iridi con pattern strani.
Orecchini singoli (uno solo dove ce ne dovrebbero essere due).
Occhiali con stanghette che spariscono.

Testo

Scritte su cartelli, magliette, libri che non si leggono o sono geroglifici.
Lettere distorte o duplicate.
(Flux ha risolto al 80%, MJ ancora lascia errori.)

Sfondi e oggetti secondari

Oggetti nello sfondo “strani” (es. una sedia che ha 3 gambe).
Linee architettoniche non parallele dove dovrebbero esserlo.
Riflessi che non corrispondono alla scena.
Ombre proiettate in direzioni incoerenti.

Pelle e capelli

Pelle troppo perfetta, “di plastica”.
Capelli singoli che si “fondono” tra loro (manca la struttura singola).
Sopracciglia simmetriche perfette.

Composizione generale

Iperdettaglio uniforme: la foto reale ha profondità di campo (parti a fuoco, parti sfocate). L’AI tende a essere uniformemente nitida ovunque.
“Vibe Midjourney”: luce dorata + bokeh + centratura simmetrica → quasi sicuramente MJ.

Indizi forensi nei video

In più rispetto alle immagini:

Coerenza frame-to-frame: oggetti che cambiano (numero di bottoni, gioielli che spariscono).
Movimento delle mani: troppo lento o “scivoloso”.
Bocca/labbra: micro-incoerenze nel labiale, “morphing” tra fonemi.
Sfondi statici: che “respirano” leggermente o oscillano.
Capelli al vento: spesso troppo rigidi o troppo “ondulati uniformemente”.

Indizi audio

Respirazione assente o piatta.
Pause innaturali tra frasi (regolari come metronomo).
Dinamica compressa: la voce non scende mai in sussurro né sale mai in grido.
Mancanza di “rumori parassiti”: niente schiocchi di lingua, niente “uhm-ah”, niente colpi di tosse occasionali.
Pronuncia parole rare: dove un umano esita o sbaglia, l’AI pronuncia perfettamente.

Il futuro (2026-2028)

Convergenza in atto:

AI Act EU (2025-27): obbligo di etichettatura per contenuti generati AI in molti contesti.
Standard C2PA preservato su social principali (X, Meta, TikTok stanno aggiungendo).
Hardware photography con C2PA built-in (Leica, Sony, Canon prossimi modelli).
Detection rimarrà imperfetta (è un gatto-topo): meglio investire in provenance che in detection.

TEST pratico (15 minuti)

Vai su aiornot.com (gratis, no signup).
Carica 3 immagini dal tuo rullino: foto vere tue.
Vedi come le classifica. Aspettatevi qualche falso positivo.
Ora carica 3 immagini AI (genera in MJ o usa esempi famosi: il Papa col piumino bianco del 2023, Trump arrested di Eliot Higgins).
Confronta accuracy: dove sbaglia? Quali bias ha il detector?
Bonus: vai su contentcredentials.org, carica un’immagine. Se ha C2PA, vedrai la catena di provenance. Le immagini DALL-E sì, le immagini MJ generalmente no.
Bonus 2: scarica un’immagine random da X/Twitter. Apri exiftool o un visualizzatore EXIF. Vedi se ci sono ancora metadata. Quasi mai. I social fanno strip per default.

Glossario lampo

Steganografia: nascondere informazione dentro un’immagine/audio in modo impercettibile.
C2PA: standard di provenance dei contenuti digitali. content credentials.
SynthID: watermark proprietario Google per output Imagen/Veo/Lyria.
Provenance: la “storia” di un file (chi/quando/come). Distinta da detection (che indovina ex-post).
EXIF: metadata standard delle foto (data, GPS, camera). Spesso strippati dai social.

Take-away in una riga

Per riconoscere AI nel 2026: 1) cerca C2PA/watermark se presenti, 2) controlla i tool di detection senza fidartene ciecamente, 3) allena l’occhio sui dettagli (mani, testo, sfondi). La detection perfetta non esiste — la provenance verificata sì.

➡️ Prossima puntata: TEST mini-spot AI end-to-end — un progetto completo di 30 secondi usando 5 tool diversi.