Prima regola: raramente esiste un solo segnale che prova “questa è AI”[1][2]
La domanda sembra binaria, ma il file spesso non lo è. Un'immagine può essere interamente sintetica, parzialmente generata, modificata localmente con inpainting, ritoccata con strumenti generativi oppure semplicemente ricompressa da un'app di messaggistica. Ogni scenario lascia tracce diverse.
NIST tratta il rilevamento dei contenuti sintetici come una famiglia di tecniche distinta da provenance, watermarking e metadati. La precisione dei detector dipende da compressione, qualità, stile, contenuto e da quanto il generatore analizzato assomiglia a quelli visti durante il training.
Un'analisi seria quindi non chiede un verdetto a un solo servizio: raccoglie segnali indipendenti e verifica se formano una storia tecnica coerente.
Il punteggio di un detector è un segnale. Più segnali indipendenti trasformano quel numero in evidenza utile.
1. Parti dal file originale, non dallo screenshot
Quando possibile, analizza il file ottenuto direttamente dall'autore, dalla fotocamera o dal sistema di origine. Uno screenshot modifica dimensioni e compressione e di solito elimina gran parte dei metadati. Molte piattaforme fanno lo stesso creando copie proprie.
L'originale permette di esaminare formato, profilo colore, EXIF/XMP, struttura JPEG o PNG, caratteristiche di codifica ed eventuali dati di provenance.
Nei casi contestati conviene registrare anche l'hash SHA-256. Non prova l'autenticità, ma dimostra che il file analizzato successivamente è esattamente quello conservato come evidenza.
2. Controlla provenance e Content Credentials (C2PA)[1][3]
C2PA definisce informazioni crittograficamente collegate sull'origine e la storia di un contenuto digitale. Le Content Credentials possono indicare come è nato il file, quali modifiche ha subito e se è intervenuto un algoritmo generativo.
L'assenza di C2PA non dimostra né autenticità né falsificazione: l'adozione è volontaria e alcune piattaforme trasformano o rimuovono i metadati.
Se invece un manifest è presente, valido e dichiara trained algorithmic media o un generatore specifico, si tratta di un segnale molto forte sulla provenienza di quel preciso file.
3. I metadati aiutano, ma è facile attribuire loro troppo peso[1]
EXIF può includere modello di fotocamera, esposizione, focale, data e software. Un identificatore di generatore, un campo software insolito o una contraddizione tra fotocamera dichiarata e struttura del file possono essere rilevanti.
I metadati però si possono cancellare, riscrivere o copiare. EXIF vuoto è comune dopo social, messenger o export e non è da solo una prova di AI.
4. Forensics di pixel e compressione: cercare incoerenze[1]
Si possono analizzare distribuzione del rumore, differenze locali di compressione, griglia JPEG 8×8, entropia, texture ripetute ed Error Level Analysis. Queste tecniche evidenziano aree che si comportano diversamente dal resto del file.
Un'anomalia può derivare anche da ritocco legittimo, salvataggi multipli o compositing classico. Al contrario, un'immagine totalmente generata può risultare internamente molto uniforme.
L'analisi locale vale di più quando viene combinata con provenance, metadati e detector e quando l'anomalia coincide con la zona che conta nel caso, ad esempio il presunto danno di un prodotto.
5. Detector AI: usane più di uno e guarda il consenso[1][2]
I detector usano dataset, architetture e calibrazioni differenti, perciò la stessa immagine può ricevere valori diversi. NIST conduce valutazioni dedicate degli image discriminators proprio perché nuovi generatori e scenari cross-generator sono difficili.
L'accordo tra più livelli indipendenti è normalmente più informativo del valore estremo di un singolo strumento. Se quattro metodi indicano rischio basso e uno 92/100, bisogna spiegare la discrepanza — non dichiarare automaticamente il file falso.
6. L'ispezione visiva serve ancora, ma come triage[4]
FBI cita mani, occhi, denti, gioielli, ombre, movimento e sincronizzazione anomali come possibili indizi. Sono utili per uno screening rapido.
La loro assenza però non prova l'autenticità. I generatori sono migliorati e fotografie vere elaborate con HDR, denoise o forte compressione possono apparire artificiali.
Workflow pratico per verificare un'immagine
Quando dal risultato dipendono rimborso, decisione aziendale o controversia, una procedura ripetibile è più sicura dell'intuizione.
- Conserva il file più originale possibile e non risalvarlo prima dell'analisi.
- Registra SHA-256, formato, dimensioni e peso del file.
- Controlla C2PA/Content Credentials, EXIF, XMP e tracce software.
- Esamina struttura del file e anomalie locali di pixel o compressione.
- Usa più di un detector AI/deepfake indipendente.
- Confronta i risultati con fonte, data, altre immagini e contesto del caso.
- Formula la conclusione come livello di rischio ed evidenze, non come giudizio infallibile sull'intento dell'autore.
La buona forensics non cerca di dimostrare l'AI a tutti i costi. Separa i segnali forti da ciò che il file semplicemente non può stabilire.
Che cosa significano 20/100, 60/100 o 90/100?
Un punteggio è utile solo se è trasparente la sua composizione. 20/100 da sei livelli concordi è diverso da 20/100 di un singolo classificatore; un punteggio alto basato su provenance diretta ha un peso diverso da quello di un detector isolato.
Un buon report mostra quindi score aggregato, risultati delle fonti, livelli disponibili, metadati, limiti tecnici e segnali principali. L'analisi tecnica può supportare una decisione, ma non stabilisce da sola autore, intento o responsabilità legale.