Deepfake: come riconoscere foto e video creati con AI

La reazione istintiva è guardare meglio. Ingrandire il volto, controllare le mani, cercare qualcosa che non torna. È il consiglio che circola da anni, ed è il motivo per cui tante persone si sbagliano nei due sensi: chi scambia una foto vera con un HDR aggressivo per un falso, e chi condivide un video generato perché «si vedeva benissimo che era autentico».

Nel 2026 la verità scomoda è questa: guardare non basta più. I generatori hanno smesso di lasciare le tracce evidenti su cui era costruita la vecchia checklist, e le tracce che restano possono comparire anche in una foto perfettamente autentica.

Quello che funziona è un'altra cosa, ed è il metodo che usano i verificatori professionisti: si parte dalla storia del contenuto — chi l'ha pubblicato, quando è apparso la prima volta, cosa dicono le altre fonti — e solo dopo si guarda il file. Qui vediamo come si fa, per una foto e per un video, cosa provano davvero gli strumenti di verifica come Content Credentials e SynthID, e soprattutto cosa non provano.

Che cos'è davvero un deepfake

Vale la pena mettere ordine in trenta secondi, perché l'uso confuso dei termini porta a cercare la cosa sbagliata.

Contenuto generato dall'AI è la categoria larga: qualsiasi immagine, video o audio prodotto da un modello. Un paesaggio inventato, un'illustrazione, un prodotto che non esiste.

Deepfake è un sottoinsieme più stretto e più problematico: contenuti generati o manipolati con AI che assomigliano a qualcosa che esiste davvero — una persona, un luogo, un oggetto, un evento — al punto da apparire autentici a chi li guarda. È la sostanza della definizione adottata anche dalla normativa europea.

Il caso prototipico, quello che fa più danni, è l'imitazione di una persona reale: il volto, la voce, i movimenti di qualcuno che dice o fa cose che non ha detto né fatto. Ma non è l'unico: anche la ripresa realistica di un evento che non è mai avvenuto, o di un luogo esistente in una situazione inventata, rientra nella stessa categoria.

La differenza rispetto al contenuto AI in generale non è accademica, è operativa. Una foto di una città chiaramente immaginaria è generata dall'AI e basta: non spaccia niente per reale. Il problema nasce quando il contenuto si presenta come una registrazione di qualcosa che è successo.

Perché conta: se il tuo problema è capire se una dichiarazione è autentica, cercare artefatti nei pixel è il secondo passo, non il primo. Il primo è verificare se quella dichiarazione esiste.

Si può riconoscere un deepfake guardandolo?

Risposta breve: non in modo affidabile.

Fino a qualche anno fa i generatori lasciavano tracce riconoscibili — mani con il numero di dita sbagliato, denti che si fondevano, orecchini diversi fra loro, testo illeggibile sui cartelli, sfondi che si deformavano. Su quelle tracce è stata costruita la checklist che ancora oggi trovi ovunque.

Il problema è che quella checklist descrive lo stato dell'arte di tre anni fa. I modelli attuali sbagliano molto meno su tutti quei punti, e su un contenuto ben prodotto possono non sbagliare affatto.

C'è però un problema simmetrico, e fa altrettanti danni: anche le foto autentiche hanno artefatti. Un HDR aggressivo appiattisce le ombre in modo innaturale. La modalità ritratto sbaglia i bordi dei capelli. Il beauty mode leviga la pelle come un rendering. La compressione di una piattaforma social distrugge i dettagli fini. Un upscaling inventa texture. Uno sharpening spinto crea aloni.

Il risultato è che «sembra fatto con l'AI» e «è fatto con l'AI» sono due cose diverse — e chi decide sulla base dell'impressione visiva sbaglia in entrambe le direzioni.

Mani, occhi e denti: i vecchi segnali funzionano ancora?

A volte sì. Ma vanno riclassificati.

Non sono test diagnostici. Sono inneschi di verifica. Trovare qualcosa di strano significa «vale la pena controllare», non «è un falso».

Detto questo, ci sono anomalie che restano più interessanti di altre, e non sono quelle della lista classica. Sono quelle di coerenza fisica e semantica, perché richiedono al modello di tenere insieme la scena e non solo di renderla:

• ombre che vanno in direzioni diverse o non corrispondono alla fonte di luce;
• riflessi incoerenti in specchi, occhiali, vetrine, pozzanghere;
• prospettiva che non regge, linee che convergono dove non dovrebbero;
• testo e insegne: cartelli, targhe, loghi, scritte sui vestiti;
• oggetti duplicati o che appaiono e scompaiono;
• elementi che cambiano identità fra un frame e l'altro in un video.

Anche qui, però, la regola non cambia: un'anomalia non è una prova. Un riflesso strano può essere un riflesso strano. La differenza è che questi elementi ti dicono dove guardare, e spesso ti danno un appiglio verificabile — quel cartello esiste davvero in quella via? quel logo è quello giusto?

Prima verifica la storia, poi i pixel

Questo è il principio che vale più di tutto il resto dell'articolo.

Il motivo è che un contenuto può essere «falso» in almeno sei modi diversi, e solo tre riguardano l'AI:

1. autentico e nel contesto giusto;
2. autentico ma fuori contesto — la foto vera di un'alluvione di sei anni fa presentata come quella di ieri;
3. autentico ma ritoccato — un colore, un ritaglio, un dettaglio rimosso;
4. parzialmente generato — un elemento aggiunto o sostituito in una scena reale;
5. interamente generato — la scena non è mai esistita;
6. deepfake — un contenuto che simula in modo credibile una persona, un luogo o un evento reali, tipicamente qualcuno che dice o fa qualcosa che non ha detto né fatto.

È una classificazione pratica, non una tassonomia: le categorie possono sovrapporsi. Una scena interamente generata è anche un deepfake se simula in modo credibile un evento o un luogo esistenti e si presenta come autentica.

Il caso 2 è molto comune, e non lo risolvi guardando i pixel: quella foto è autentica, ogni analisi tecnica ti dirà che è autentica, e sarà comunque disinformazione. Lo risolvi in trenta secondi con una ricerca inversa che ti mostra la stessa immagine pubblicata anni prima.

È il motivo per cui il metodo corretto parte dalla storia del contenuto e non dal file.

Le domande da farsi, in ordine

1. Chi l'ha pubblicato? Un account, una testata, un gruppo. E quell'account cosa pubblica di solito?
2. Qual è la fonte originale? Chi lo rilancia non è chi lo ha prodotto.
3. Esiste una versione precedente? Più vecchia, più lunga, con un'altra didascalia.
4. Lo riporta qualcun altro, in modo indipendente? Non altri account che ricondividono lo stesso post: fonti diverse.
5. Luogo, data ed evento tornano? Il meteo, la stagione, le insegne, le targhe, le lingue sui cartelli.
6. Esistono altre riprese dello stesso momento? Un evento pubblico reale ha quasi sempre più angolazioni.

Come verificare una foto sospetta

Il workflow, nell'ordine in cui conviene farlo.

1. Non ricondividerla. Il costo di aspettare dieci minuti è zero.
2. Trova chi l'ha pubblicata per primo, non chi te l'ha mandata.
3. Fai una ricerca inversa. Google Lens, o la funzione equivalente del tuo motore. Cerchi copie, versioni precedenti, la stessa immagine su altri siti.
4. Guarda quando compare la prima volta. È il passaggio che smonta la maggior parte dei casi «fuori contesto».
5. Verifica evento, luogo e soggetti con fonti indipendenti.
6. Controlla la provenienza del file, se disponibile — ne parliamo tra poco.
7. Solo alla fine, eventuali strumenti di rilevamento, e come elemento aggiuntivo.
8. Decidi sull'insieme, mai su un singolo elemento.

Su Google Lens e «Informazioni su questa immagine»

Vale la pena un chiarimento, perché viene frainteso spesso. La funzione di Google che mostra le informazioni su un'immagine può indicare, quando i dati sono disponibili, quando Google ha visto per la prima volta immagini simili, quali pagine usano la stessa immagine e in quale contesto, e informazioni su come il file è stato creato o modificato.

Non è un rilevatore di AI. È uno strumento di verifica del contesto, ed è utilissimo proprio per questo: se una foto presentata come «ieri a Milano» risulta indicizzata tre anni fa su un sito brasiliano, hai finito, e non hai guardato un solo pixel.

Due avvertenze speculari, entrambe importanti:

• nessun risultato non significa «è falsa» — può essere semplicemente una foto nuova, o poco diffusa;
• molti risultati non significano «è autentica» — significa solo che è già circolata.

Come verificare un video sospetto

Stessa logica, passaggi diversi.

1. Cerca la versione originale, e soprattutto quella più lunga. I video manipolati circolano spesso in versioni tagliate: il contesto tolto è frequentemente il punto.
2. Identifica l'account che lo ha caricato per primo. Data di creazione, storico dei contenuti, coerenza.
3. Verifica che l'evento esista. Se quella conferenza stampa non c'è mai stata, il resto non serve.
4. Estrai uno o più fotogrammi significativi e usali per una ricerca inversa.
5. Guarda i punti di giunzione. Se qualcosa è stato manipolato, di solito lo è in un momento preciso: rallenta lì.
6. Osserva la continuità. Sincronizzazione fra labiale e audio, contorni del volto che restano stabili nei movimenti rapidi, illuminazione coerente quando il soggetto si gira, oggetti che non cambiano fra un frame e l'altro.
7. Controlla eventuali segnali di provenienza.
8. Confronta con fonti indipendenti.

L'avvertenza che serve al punto 6: compressione, motion blur, stabilizzazione automatica, HDR, filtri delle piattaforme e bassa risoluzione producono artefatti che somigliano moltissimo a quelli di una manipolazione. Un video passato più volte fra chat, download e ricompressioni può diventare un colabrodo di artefatti — ed è proprio per questo che quei difetti, da soli, non permettono di stabilire se il contenuto sia autentico o manipolato.

Se il video mostra una persona nota

Qui c'è una scorciatoia che funziona quasi sempre, ed è controintuitiva: non guardare il volto.

Se il contenuto mostra un politico, un amministratore delegato, un attore o un'istituzione, la prima verifica è: quella dichiarazione esiste da qualche altra parte? Sito ufficiale, account verificati, comunicati stampa, testate che riportano l'evento, registrazione integrale.

Un deepfake può imitare un volto in modo impeccabile e cadere in due minuti perché quella persona, quel giorno, non era a quell'evento.

Metadati, Content Credentials e watermark

Qui entriamo nella parte tecnica. È utile, ma solo se si capisce esattamente cosa prova e cosa no.

I metadati

Un file può contenere informazioni su dispositivo, software, data, modifiche. Sono utili quando ci sono.

Il problema è che spariscono con grande facilità: le piattaforme social spesso li rimuovono in caricamento, uno screenshot li azzera, una conversione di formato li perde, chiunque può rimuoverli deliberatamente.

Quindi, in modo secco: assenza di metadati non significa deepfake. E la presenza di metadati normali non dimostra l'autenticità. Leggere gli EXIF è un elemento, non una risposta.

Content Credentials e C2PA

C2PA è uno standard aperto di provenienza. In pratica associa al file un «manifesto» firmato crittograficamente che può registrare da dove viene il contenuto, con quale strumento è stato creato, quando, e quali modifiche ha subito. Al comitato che lo governa partecipano aziende molto diverse fra loro — produttori di software, piattaforme, laboratori di AI, organizzazioni giornalistiche.

Due cose da capire bene.

Prima: C2PA non è un rilevatore di AI. Non riguarda solo i contenuti generati. Può essere usato anche da una fotocamera che certifica uno scatto, da una redazione che documenta le modifiche, da un software di editing che registra la storia del file. Serve a raccontare la provenienza, qualunque essa sia.

Seconda, ed è la più importante:

• Content Credentials valide sono una prova positiva su quella catena: dicono che il file viene da lì e ha subito quelle modifiche.
• L'assenza di Content Credentials non dimostra nulla. Possono non essere mai state aggiunte, non essere supportate dallo strumento usato, essere andate perse in una conversione o essere state rimosse da una piattaforma. Un semplice screenshot le elimina.

SynthID

SynthID è il sistema di watermark invisibile di Google DeepMind: inserisce un segnale dentro il contenuto stesso — immagini, video, audio, testo — nel momento in cui viene generato. A differenza dei metadati, resiste meglio a trasformazioni come screenshot e cambi di formato.

Puoi verificarlo caricando il file nell'app Gemini e chiedendo se è stato creato o modificato dall'AI di Google. Esiste anche un portale di verifica dedicato, con accesso non universale.

Qui però bisogna essere precisissimi, perché è il punto su cui le guide sbagliano di più. La documentazione di Google è esplicita su tre cose:

• se il watermark viene trovato, significa che il contenuto — in tutto o in parte — è stato creato o modificato dai modelli AI di Google;
• se non viene trovato, significa che non è stato creato o modificato dall'AI di Google, ma può benissimo essere stato prodotto da altri sistemi AI;
• altre aziende hanno iniziato ad adottare SynthID, ma la verifica tramite Gemini riconosce al momento solo i contenuti creati con strumenti Google.

C'è anche un terzo esito, che è quello onesto: in alcuni casi non è chiaro. Su contenuti molto semplici o astratti può non esserci abbastanza materiale per portare un watermark.

Tradotto in una riga: SynthID non è un rilevatore universale di deepfake. Trova il proprio watermark dove c'è. Il resto è fuori dalla sua portata.

Gli strumenti di verifica di OpenAI

Dal 2026 anche OpenAI aggiunge segnali di provenienza ai propri contenuti — Content Credentials C2PA e watermark SynthID sulle immagini, con estensione all'audio nel corso dell'anno — e mette a disposizione uno strumento pubblico per verificarli.

La formulazione corretta di cosa fa quello strumento è: controlla se un file supportato contiene segnali di provenienza associati agli strumenti OpenAI. Non «dice se un'immagine è fatta con l'AI».

• Segnale trovato → prova positiva utile: il contenuto è stato generato o esportato da strumenti OpenAI.
• Nessun segnale trovato → non significa che il contenuto sia autentico o umano. Può venire da un altro sistema, oppure aver perso i segnali lungo la strada.

La stessa OpenAI dichiara che la copertura varia per prodotto, modello, percorso di esportazione, tipo di file e periodo, e che nessun metodo di rilevamento è infallibile.

Le etichette delle piattaforme

Alcune piattaforme mostrano un'etichetta quando rilevano segnali standard di provenienza, quando chi pubblica dichiara che il contenuto è stato generato o modificato con AI, o quando intervengono sistemi interni.

Vale la stessa asimmetria di tutto il resto: l'etichetta presente è un segnale forte; l'etichetta assente non dimostra niente. Con una differenza rispetto a Content Credentials e watermark: un'etichetta non è necessariamente un'evidenza tecnica di provenienza. Può derivare da segnali standard rilevati, ma anche semplicemente dal fatto che chi ha pubblicato ha dichiarato di aver usato l'AI. I criteri cambiano da piattaforma a piattaforma e vengono aggiornati spesso, quindi va letta per quello che quella specifica piattaforma dichiara di fare — non come un bollino di autenticità.

Un contesto che aiuta a capire perché queste etichette stanno comparendo ovunque: dall'agosto 2026 la normativa europea sull'intelligenza artificiale prevede obblighi di marcatura e trasparenza per determinati contenuti generati o manipolati con AI. È il motivo per cui la provenienza sta diventando infrastruttura invece che opzione.

Provenienza non è verità

Questo passaggio merita di stare da solo, perché è l'errore più sottile di tutti.

Anche quando un sistema di provenienza funziona alla perfezione e ti dice esattamente da dove viene un file, non ti ha detto se quello che il contenuto racconta è vero.

Sono due domande diverse:

• Provenienza: da dove viene questo file, con quale strumento è stato creato, cosa ha subito?
• Verità: quello che mostra è successo davvero, dove e quando si dice che sia successo?

Una fotografia perfettamente autentica, con Content Credentials impeccabili che ne certificano lo scatto, può essere accompagnata da una didascalia completamente inventata. Il file è genuino. L'informazione è falsa.

È il caso 2 della scala che abbiamo visto prima, ed è uno dei più comuni. Nessuno strumento tecnico lo intercetta. Lo intercetta solo la verifica del contesto.

I detector di deepfake sono affidabili?

Esistono strumenti commerciali che promettono di dire se un'immagine o un video sono generati. Vanno trattati con la stessa cautela di qualunque classificatore statistico.

Cosa sapere prima di fidarsene:

• Le percentuali che leggi vengono quasi sempre da chi vende lo strumento, misurate su insiemi di test scelti da loro. Sono claim del produttore, non evidenza indipendente.
• Le prestazioni cambiano moltissimo a seconda del modello che ha generato il contenuto, della compressione, di eventuali modifiche successive e del tipo di immagine. Uno strumento che va benissimo su output puliti può crollare su un video ricompresso da WhatsApp.
• Più strumenti concordi non fanno una prova. Possono condividere logiche e limiti simili, e quindi sbagliare insieme.
• Attenzione a cosa carichi. Un documento, una foto privata, materiale aziendale riservato caricati su un servizio sconosciuto sono dati che hai appena consegnato a qualcuno. Prima di caricare, guarda chi c'è dietro e cosa dichiara di fare con i file.

Discorso identico a quello che vale per i testi: se ti interessa, ne abbiamo parlato in AI detector: funzionano davvero?. (Link da inserire solo se l'articolo #42 risulterà pubblicato prima o contestualmente a questo.)

Un detector può essere un elemento in più. Non è il verdetto.

Gli errori più comuni quando si verifica un contenuto

I sette che si vedono più spesso:

1. Decidere guardando le mani. Vale per il 2023, non per oggi.
2. Fidarsi di un detector che dice «98% AI». È una stima, non una prova.
3. Pensare che «nessun watermark» significhi «reale». È l'inversione logica più comune di tutte.
4. Pensare che «nessun risultato su Google» significhi «falso». Può essere semplicemente nuovo.
5. Fidarsi dell'account che rilancia, invece di risalire a chi ha pubblicato per primo.
6. Chiamare deepfake una foto vera usata fuori contesto. Diagnosi sbagliata, e ti fa cercare nel posto sbagliato.
7. Caricare materiale sensibile su servizi qualsiasi per farlo analizzare.

Checklist finale

In conclusione

La domanda «come riconosco un deepfake» ha una risposta meno soddisfacente e più utile di quella che si spera: non lo riconosci guardandolo, lo verifichi ricostruendone la storia.

È una notizia meno brutta di quanto sembri. Significa che lo strumento principale non è tecnico ed è alla portata di chiunque: risalire alla fonte, cercare quando è apparso la prima volta, controllare se qualcun altro lo conferma. Sono tre operazioni da pochi minuti, e risolvono molti casi — compresi quelli, tutt'altro che rari, in cui il contenuto è autentico e a mentire è la didascalia.

Gli strumenti di provenienza — Content Credentials e watermark — sono un aiuto reale e stanno diventando standard, e le etichette delle piattaforme aggiungono un'informazione utile, anche se di natura diversa. Ma tutti vanno letti in una direzione sola: quello che trovano vale, quello che non trovano non vale.

E resta la regola che vale più di tutte, banale e difficilissima da applicare: se hai un dubbio e non riesci a scioglierlo, non condividere. Non serve dimostrare che è falso per decidere di non diffonderlo.

Continua la lettura

Mondo AI

AI detector: funzionano davvero? Come capire se un testo è scritto da ChatGPT

Mondo AI

Allucinazioni AI: perché ChatGPT inventa risposte e come riconoscerle

Mondo AI

I migliori strumenti di intelligenza artificiale per aziende e professionisti nel 2026