La guida completa al rilevamento delle immagini generate dall'intelligenza artificiale nel 2026

Nel 2026 la generazione di immagini tramite IA ha raggiunto un punto in cui i risultati migliori sono davvero indistinguibili da fotografie reali per un osservatore occasionale. Midjourney v7, DALL-E 4, Stable Diffusion XL e Adobe Firefly possono tutti produrre immagini fotorealistiche praticamente di qualsiasi scena, persona reale o evento, in modo rapido, economico e su larga scala. Questa guida raccoglie tutto ciò che si sa attualmente sul rilevamento delle immagini generate dall'IA: cosa cercare visivamente, come usare l'analisi dei metadati, come funzionano gli strumenti di rilevamento automatizzati e dove tutti questi metodi trovano i propri limiti.

Perché il rilevamento è importante

Le immagini generate dall'IA vengono usate in un'ampia gamma di contesti, come progetti creativi, marketing, illustrazione, in cui la loro origine sintetica è innocua o irrilevante. Ma vengono anche usate per fabbricare prove di eventi mai accaduti, per creare immagini intime non consensuali sfruttando le sembianze di persone reali, per impersonare individui reali e per alimentare campagne di disinformazione. Il rilevamento serve scopi diversi a seconda del contesto: verificare immagini di cronaca, proteggere le persone dall'uso non consensuale delle loro sembianze, mantenere l'integrità nei concorsi creativi e filtrare i contenuti sulle piattaforme. Le tecniche sono le stesse; la posta in gioco varia.

Ispezione visiva: cosa cercare

L'ispezione visiva è il punto di partenza, ma è meno affidabile di quanto lo fosse due anni fa. I seguenti indizi restano rilevanti ma vanno trattati come segnali per un'indagine più approfondita, non come prove definitive.

Mani e dita. I modelli di generazione di immagini IA sono migliorati notevolmente sulle mani, ma restano un punto debole. Cerca: un numero sbagliato di dita; dita disposte o fuse in modo innaturale; dita che si fondono nel palmo; lunghezza delle dita incoerente; e mani che sembrano corrette a un primo sguardo ma sbagliate a un esame ravvicinato. Il problema è anatomico: le mani sono complesse, variabili e compaiono in molte configurazioni, il che le rende statisticamente difficili da imparare perfettamente per i modelli.

Testo nelle immagini. I modelli IA generano il testo carattere per carattere come pattern visivi, non come linguaggio dotato di significato. Il testo sullo sfondo nelle immagini IA è spesso privo di senso, usa caratteri inventati o è una versione confusa di parole reali. Cartelli, etichette, libri, schermi e qualsiasi elemento che contenga testo dovrebbero essere esaminati attentamente. Questo è uno degli indizi più affidabili nelle immagini che includono elementi testuali.

Sfondi e dettagli periferici. I modelli IA concentrano le risorse computazionali sul soggetto principale e spesso producono sfondi meno coerenti. Cerca: figure sullo sfondo con anatomia distorta; elementi architettonici che non rispettano correttamente la prospettiva; oggetti che esistono solo parzialmente; e pattern (carta da parati, piastrelle, tessuti) che si ripetono in modo scorretto o si interrompono ai bordi.

Illuminazione e ombre. Un'illuminazione coerente è difficile da generare correttamente. Cerca: ombre che non corrispondono alla direzione apparente della fonte di luce; ombre multiple da un singolo oggetto, che suggeriscono più fonti di luce incoerenti tra loro; riflessi negli occhi, nelle finestre o su superfici lucide che non corrispondono alla scena; e riflessi di luce negli occhi incoerenti tra i due occhi.

Texture della pelle. Le immagini IA della generazione attuale producono spesso una pelle sottilmente artificiale. Cerca: una texture della pelle innaturalmente uniforme che manca delle variazioni specifiche della pelle reale (pori, linee sottili, lievi variazioni di colore); un aspetto eccessivamente liscio o ceroso; e capelli troppo perfetti o che si fondono in modo scorretto con il cuoio capelluto e lo sfondo.

Simmetria. I volti reali hanno lievi asimmetrie: un occhio è leggermente più alto, il naso è leggermente inclinato, l'attaccatura dei capelli varia. I volti generati dall'IA tendono verso una bellezza più perfetta e simmetrica che, osservata da vicino, risulta leggermente disumana. È un indizio sottile e dipende dal modello generativo usato.

Analisi dei metadati

Le fotografie digitali autentiche portano metadati, cioè dati incorporati nel file dell'immagine che descrivono come è stata catturata. I metadati EXIF includono: marca e modello della fotocamera; informazioni sull'obiettivo; impostazioni di scatto (ISO, apertura, tempo di posa); coordinate GPS; e timestamp. Le immagini generate dall'IA in genere non hanno dati EXIF, oppure hanno metadati che non corrispondono al contesto dichiarato.

Per esaminare i metadati puoi usare: strumenti online gratuiti come Jeffrey's Exif Viewer (exifdata.com) o ExifTool (exiftool.org); l'opzione "Ottieni informazioni" in Anteprima su macOS; oppure software di editing come Photoshop o GIMP, che mostrano i metadati nel pannello Informazioni file. Controlla: ci sono dati EXIF? Il modello della fotocamera corrisponde a quello che ti aspetteresti per questo tipo di immagine? Il timestamp è coerente con il momento in cui l'immagine sarebbe stata scattata? Sono presenti coordinate GPS, e corrispondono alla località dichiarata?

Avvertenze importanti: i dati EXIF possono essere rimossi (tutte le principali piattaforme social rimuovono i dati EXIF quando le immagini vengono caricate, quindi uno screenshot o un'immagine ripubblicata non avrà dati EXIF anche se l'originale era autentico). I dati EXIF possono anche essere fabbricati e aggiunti alle immagini generate dall'IA. L'assenza di dati EXIF non è prova di generazione tramite IA; la presenza di dati EXIF incoerenti è prova di manipolazione.

Ricerca inversa delle immagini

Prima di qualsiasi altro controllo, sottoponi un'immagine sospetta a Google Immagini (images.google.com), TinEye (tineye.com) e Yandex Images. Questo ti dice: se l'immagine è già apparsa prima della data dichiarata degli eventi che raffigura (segno di riutilizzo o fabbricazione); se compare in contesti incoerenti con il contesto dichiarato; e se si tratta di un'immagine stock nota, di una fotografia d'archivio o di un'immagine confermata come generata dall'IA.

La ricerca inversa delle immagini è particolarmente potente per individuare vecchie immagini usate con un falso contesto, cioè una fotografia reale di un'altra epoca e luogo presentata come se documentasse un evento attuale. Questo è più comune delle immagini interamente sintetiche in molti contesti di disinformazione.

Content Credentials C2PA

La Coalition for Content Provenance and Authenticity (C2PA) ha sviluppato uno standard tecnico, le "Content Credentials", che registra crittograficamente l'origine e la cronologia di modifica dei media digitali. Quando un generatore IA che supporta il C2PA crea un'immagine, incorpora nel file un registro a prova di manomissione della generazione. Quando una fotocamera che supporta il C2PA scatta una fotografia, incorpora un registro dello scatto. Anche le modifiche successive vengono registrate.

Nel 2026 il supporto C2PA è disponibile in: Adobe Photoshop e Lightroom (per la provenienza delle modifiche); diversi importanti generatori IA, tra cui DALL-E e Adobe Firefly; le fotocamere Leica (il primo grande produttore di fotocamere a implementare il C2PA direttamente nel dispositivo); e un numero crescente di modelli di smartphone tramite aggiornamenti firmware. Puoi verificare le Content Credentials usando lo strumento gratuito su contentcredentials.org. Se un'immagine dichiara di essere la fotografia di un evento reale ma porta credenziali C2PA che indicano che è stata generata da un modello IA, questa è una prova definitiva di fabbricazione. L'assenza di credenziali C2PA non dimostra che un'immagine sia generata dall'IA, dato che la maggior parte delle fotocamere e degli strumenti IA più datati non le incorpora ancora.

Strumenti automatizzati di rilevamento IA

Gli strumenti di rilevamento automatizzati analizzano le immagini usando computer vision e modelli di machine learning addestrati a identificare le firme della generazione IA. Questi strumenti esaminano: le caratteristiche nel dominio delle frequenze (le immagini generate dall'IA hanno pattern caratteristici nelle loro trasformate di Fourier che differiscono da quelle delle immagini catturate con fotocamera); gli artefatti di sintesi delle texture (i generatori IA producono pattern di rumore caratteristici); e le impronte di generazione specifiche del modello (pattern propri di determinati modelli generativi, anche se cambiano tra le diverse versioni dei modelli).

La pipeline di rilevamento immagini di SUS IT esamina queste caratteristiche e fornisce un punteggio di probabilità insieme a un'analisi dettagliata dei segnali specifici che hanno determinato il verdetto. Lo strumento è particolarmente efficace su immagini pulite e non compresse; l'accuratezza diminuisce leggermente per immagini pesantemente compresse, ritagliate o post-elaborate, poiché queste operazioni possono oscurare gli artefatti di generazione.

Altri strumenti disponibili includono SynthID di Google (disponibile sulle piattaforme che lo supportano), l'API di rilevamento IA di Hive Moderation (usata da molte piattaforme) e strumenti open source come Grover e vari vision transformer messi a punto specificamente per questo scopo. Ognuno ha dati di addestramento diversi e punti di forza diversi: quando una decisione ad alto rischio dipende dal risultato, usare più strumenti offre più sicurezza di un singolo risultato.

I limiti del rilevamento

Nessun metodo di rilevamento attuale è perfetto, e capire i limiti è essenziale per usare correttamente gli strumenti di rilevamento. La compressione sconfigge molti rilevatori: la forte compressione JPEG, applicata dalla maggior parte delle piattaforme social quando le immagini vengono caricate e dai processi di screenshot, distrugge molti degli artefatti nel dominio delle frequenze che i rilevatori cercano. Un'immagine IA caricata su Instagram e poi catturata con uno screenshot è molto più difficile da rilevare rispetto al file originale. Post-elaborazione avversariale: esistono tecniche per modificare specificamente le immagini generate dall'IA in modo da sconfiggere il rilevamento pur preservando la qualità visiva. Sono usate in operazioni di disinformazione sofisticate. Aggiornamenti dei modelli: i modelli di rilevamento addestrati su una versione di un generatore potrebbero non generalizzare bene su versioni più recenti con caratteristiche di generazione diverse. Il settore richiede un riaddestramento costante. Falsi positivi: alcuni tipi di fotografie reali pesantemente elaborate, come quelle con una forte elaborazione HDR, filtri pittorici o un'estesa ritoccatura, possono ottenere punteggi da immagine generata dall'IA. I risultati del rilevamento andrebbero sempre contestualizzati con altre prove.

Un flusso di verifica pratico

Per qualsiasi immagine la cui autenticità conti davvero, applica questi passaggi in ordine: 1) Fermati e prendi nota della tua reazione iniziale: un'alta intensità emotiva è un motivo per un esame più attento, non meno. 2) Esegui una ricerca inversa dell'immagine su più motori. 3) Esamina i metadati con un visualizzatore EXIF. 4) Controlla la presenza di Content Credentials C2PA. 5) Ispezione visiva di mani, testo, sfondi e illuminazione. 6) Passa l'immagine attraverso uno strumento di rilevamento automatizzato. 7) Considera la fonte: da dove proviene questa immagine, e chi sta facendo l'affermazione che essa documenterebbe? Applica ogni passaggio prima di condividere, specialmente in contesti ad alto rischio. Per il consumo occasionale sui social media, iniziare con una ricerca inversa dell'immagine e un controllo dei metadati copre i tipi di manipolazione più comuni con il minimo sforzo.