Deepfake, quando una foto falsa diventa virale
Una fotografia apparentemente rubata su un campo da golf, abbastanza sfocata da sembrare autentica e abbastanza ambigua da alimentare qualsiasi interpretazione. È bastato questo per generare uno dei casi più interessanti delle ultime settimane sul rapporto tra intelligenza artificiale, social network e disinformazione. L’immagine mostrava il presidente degli Stati Uniti Donald Trump mentre sembrava baciare una donna vista di spalle, identificata da molti utenti come Natalie Harp, sua assistente. Le prime tracce individuate online risalgono al pomeriggio del 14 settembre 2026. Lead Stories ha rintracciato una pubblicazione su Threads alle 16:24, seguita pochi minuti dopo da una copia su Facebook. Nessuna delle pubblicazioni indicava un fotografo, un’agenzia, un luogo preciso o una fonte verificabile. Da lì l’immagine ha iniziato a circolare su Threads, Facebook, Instagram, X e YouTube, accumulando rapidamente visualizzazioni, commenti e nuove versioni.
Il problema non è soltanto riconoscere un deepfake
Il caso mostra un limite sempre più evidente dei sistemi di verifica automatica: stabilire se un’immagine sia stata generata con AI diventa molto più difficile quando il file viene ridimensionato, compresso, ritagliato oppure nuovamente elaborato. Nel caso della foto attribuita a Trump e Harp sono circolate almeno due versioni molto diverse. Una era piccola e sfocata. Un’altra, più nitida, mostrava anomalie tipiche delle immagini sintetiche, tra cui una mano apparentemente composta da sei dita. Lead Stories ha sottoposto la versione ad alta definizione a diversi strumenti di detection. Hive Moderation l’ha classificata con una probabilità del 99,9% come contenuto generato artificialmente, mentre un sistema di verifica ha rilevato un watermark SynthID. Sulla fotografia sfocata, invece, gli stessi controlli non hanno restituito segnali sufficienti per determinarne l’origine. Ed è proprio qui che il caso diventa interessante dal punto di vista tecnologico. Una copia degradata può perdere alcune delle informazioni utilizzate dai detector, rendendo più difficile ricostruire la storia del file.
Una copia degradata della foto può perdere alcune delle informazioni utilizzate dai detector, rendendo più difficile ricostruire la storia del file.
Quando la bassa qualità aumenta la credibilità
Per anni uno dei modi più immediati per riconoscere un’immagine artificiale è stato cercare errori evidenti: mani sbagliate, dettagli incoerenti, testi illeggibili, prospettive impossibili. Ma la qualità imperfetta può produrre l’effetto opposto. Una fotografia sfocata, apparentemente scattata da lontano e attraverso degli alberi, assomiglia infatti alle immagini realizzate da un paparazzo o da qualcuno che cerca di fotografare una scena senza essere visto. Gli errori eventualmente presenti diventano quasi invisibili. La conseguenza è paradossale: migliorare artificialmente una fotografia per analizzarla può introdurre nuovi dettagli che non appartenevano all’immagine originaria. Diventa quindi difficile stabilire se un’anomalia fosse già presente oppure sia stata generata durante il processo di enhancement. Anche i detector AI possono restituire risultati differenti. Lead Stories ha ricordato che il mancato rilevamento di segnali artificiali non dimostra che una fotografia sia autentica. Allo stesso modo, la presenza di una copia sicuramente generata con AI non dimostra automaticamente che ogni versione precedente derivi dallo stesso file sintetico.
La provenienza diventa più importante dei pixel
Il caso suggerisce che il fact-checking delle immagini dovrà dipendere sempre meno dalla semplice analisi visiva e sempre più dalla provenienza del contenuto. Chi ha scattato la fotografia? Esiste un file originale? Ci sono metadati verificabili? Una testata o un’agenzia fotografica ne rivendica la paternità? Qual è stata la prima pubblicazione conosciuta? Nel caso dell’immagine circolata a settembre queste informazioni mancavano. Non risultava associato alcun fotografo e non era possibile ricostruire con certezza una catena completa delle versioni pubblicate online. I fact-checker hanno quindi dovuto combinare reverse image search, analisi dei file, strumenti di detection e ricostruzione cronologica dei post. Il problema è destinato a diventare più frequente con la diffusione di strumenti generativi in grado di produrre immagini fotografiche sempre più convincenti.
I social corrono più velocemente del fact-checking
C’è poi una questione di velocità. Una fotografia può passare da un account praticamente sconosciuto a milioni di visualizzazioni prima che giornalisti, ricercatori e piattaforme riescano a verificarne l’origine. Nel frattempo il contenuto viene copiato, ritagliato, compresso, convertito in screenshot e ripubblicato. Ogni passaggio può eliminare parte delle informazioni tecniche utili per stabilirne la provenienza. Le piattaforme cercano di intervenire con strumenti come le Community Notes di X o attraverso etichette e sistemi di moderazione, ma la distribuzione del contenuto avviene spesso molto più rapidamente della verifica. Il caso Trump-Harp non è isolato. Negli stessi giorni Lead Stories ha documentato altri contenuti artificiali riguardanti Natalie Harp, tra cui un video generato con AI e un’immagine modificata digitalmente.
Nell’era dell’AI generativa la qualità visiva di una fotografia non basta più a certificarne l’autenticità. Per sapere se un’immagine racconta davvero ciò che sembra mostrare bisogna ricostruirne fonte, provenienza e storia digitale.
La nuova sfida della disinformazione visiva
La tecnologia generativa sta spostando il problema dalla domanda “questa immagine sembra vera?” a una domanda molto più difficile: “possiamo dimostrare da dove arriva?”. In questo nuovo scenario watermark, standard di content provenance, firme crittografiche e sistemi come C2PA possono diventare componenti essenziali dell’infrastruttura informativa. Ma nessuna soluzione tecnica elimina il problema alla radice. Quando un’immagine conferma una convinzione già esistente, la velocità della condivisione tende a precedere quella della verifica. Ed è questa, probabilmente, la lezione più utile del caso: nell’era dell’AI generativa la qualità visiva di una fotografia non basta più a certificarne l’autenticità. Per sapere se un’immagine racconta davvero ciò che sembra mostrare bisogna ricostruirne fonte, provenienza e storia digitale.
