La foto resta una prova — ma non dovrebbe essere l'unica[2]
Nell'e-commerce le immagini documentano stato del prodotto, danno, imballaggio e variante e permettono di chiudere molti casi senza esame fisico.
Il costo della manipolazione però è crollato. Gli strumenti generativi possono aggiungere localmente una crepa, una macchia, una parte mancante o creare un'intera scena senza competenze professionali di ritocco.
FBI documenta l'uso di immagini generate per profili, documenti identificativi e altri materiali fraudolenti. Non dimostra che i reclami e-commerce vengano falsificati in massa, ma è un motivo serio per non trattare un singolo JPEG come verità neutrale per definizione.
Che cosa può essere falsificato in una foto di reclamo[3][4]
La manipolazione locale può aggiungere graffi, crepe, macchie, strappi o deformazioni. Interventi più avanzati possono sostituire parti del prodotto, etichette, numeri di serie o lo sfondo; è possibile anche generare l'intera fotografia.
Per il processo conta meno se sia stata usata AI generativa, Photoshop o compositing tradizionale. La domanda è se l'immagine rappresenti in modo affidabile lo stato dell'oggetto nel momento dichiarato.
Per questo il solo detector “AI-generated” non basta: servono segnali di manipolazione locale, provenance, metadati e contesto della pratica.
NIST usa un principio simile nella verifica remota dell'identità[1]
NIST SP 800-63A tratta digital injection e forged media. L'AI generativa può creare o modificare foto, video e documenti per ingannare validazione automatica, biometria o revisori umani.
NIST raccomanda analisi dei media per segni di manipolazione, test su materiale genuino e falso e revisione umana accanto alle decisioni automatiche a causa di false positive e false negative.
Applicato ai reclami: il detector deve segnalare rischio e cambiare il percorso del caso, non dichiarare colpevole il cliente.
Un rischio elevato di manipolazione dovrebbe attivare verifica aggiuntiva, non un'accusa automatica.
La gestione della prova inizia prima dell'analisi AI
Se il supporto conserva solo uno screenshot ridimensionato, metadati, struttura di codifica e provenance possono essere già persi. Quando possibile conserva upload originale, nome file, orario di ricezione, dimensione e SHA-256.
Più foto vanno trattate come un insieme e confrontate con SKU, variante, immagini di magazzino, peso del pacco, dati di packing, seriale e storico del caso. L'analisi tecnica aggiunge informazione a questo contesto, non lo sostituisce.
Sei livelli sono più utili di un singolo AI score[3][4]
Un sistema pratico combina provenance/C2PA, EXIF/XMP e struttura del file, forensics locale di pixel e compressione, più detector indipendenti, coerenza tra immagini e contesto di business.
L'assenza di una fonte non deve trasformare le altre in zero. Allo stesso tempo le fonti mancanti devono essere visibili: un report basato su quattro livelli non dovrebbe fingere di averne usati sei.
Costruisci una regola decisionale, non una soglia unica
La policy “AI > 50% = rifiuto” è debole perché un detector non misura la probabilità che il cliente sia colpevole.
- Rischio basso: nessun forte segnale di manipolazione e contesto coerente — processo standard.
- Incerto: anomalie isolate o disaccordo tra detector — richiedere originale, altre foto o reso fisico.
- Rischio alto: più livelli indipendenti o provenance diretta indicano manipolazione — fermare l'automatismo e revisionare manualmente.
- Controversia formale: conservare file, hash, report e storico completo; non attribuire intenzioni che la tecnica non dimostra.
Perché foto aggiuntive sono così utili
Una singola immagine può essere modificata in modo convincente. Più angoli richiedono coerenza di geometria, luce, texture e danno tra viste diverse, aumentando molto le informazioni comparabili.
Richiedi immagini precise: prodotto intero, dettaglio del problema, etichetta o seriale e un'inquadratura con altro angolo o illuminazione.
Il limite tecnico e giuridico[1][3]
Un report può mostrare forti segnali di origine sintetica, manipolazione locale o provenance diretta. Non stabilisce da solo chi abbia effettuato la modifica, quando o con quale intenzione.
Dire “il file presenta anomalie tecniche e richiede ulteriore verifica” è molto diverso da accusare il cliente di falsificazione. Un buon sistema antifrode riduce sia i reclami falsi sia il rischio di respingere ingiustamente clienti onesti.
Uno standard minimo ragionevole per il 2026[1][3][4][5]
Non serve un laboratorio forense a ogni negozio. Conservare gli originali, chiedere materiale aggiuntivo nei casi ambigui, usare più segnali tecnici e documentare il ragionamento migliora già molto la qualità delle decisioni.
Con la diffusione delle Content Credentials più file porteranno una storia verificabile, mentre i generatori continueranno a migliorare. Il processo deve quindi essere multilivello e non dipendere da un singolo detector.