Quanto sono precisi davvero i rilevatori di IA? (Cosa significano i numeri)

La pagina marketing di ogni rilevatore di IA recita qualcosa come “99% di precisione”. E ogni utente frustrato ha una storia: una foto vera marchiata come IA, o un falso evidente passato liscio. Entrambe le cose sono vere allo stesso tempo — e capire il perché è la differenza tra usare bene il rilevamento ed esserne ingannati.

Noi un rilevatore lo costruiamo, quindi prendete questo come la versione onesta del produttore nella conversazione sulla precisione: cosa misurano davvero i numeri, cosa li rompe e come leggere i risultati da analisti anziché da credenti.

Cosa misura davvero quel “99% di precisione”

Una cifra di precisione è un numero da laboratorio: dice che il modello ha separato un certo set di test di media reali e IA così bene, nelle condizioni di quel test. Ne seguono subito tre cose:

È legata al set di test. Un rilevatore al 99% contro i generatori dell’anno scorso può inciampare su quelli di questo mese — il rilevamento è un bersaglio mobile per definizione.
La precisione nasconde la direzione dell’errore. Il 99% su un set bilanciato significa comunque falsi negativi e falsi allarmi; quale dei due domina conta enormemente nella pratica.
Le condizioni di laboratorio sono generose. File puliti, non compressi, a piena risoluzione — esattamente ciò che internet non ti dà.

Le valutazioni indipendenti dei rilevatori di immagini nel 2025–2026 collocano i buoni strumenti tipicamente nella fascia 85–94% su media puliti, con cali sensibili su contenuti compressi o degradati. Qualunque cifra superiore merita la domanda: misurata su cosa?

Perché le foto vere vengono segnalate (falsi positivi)

Il falso positivo — una foto autentica chiamata IA — è la modalità di errore che erode la fiducia più in fretta, e ha cause banali:

L’elaborazione pesante sembra sintetica. Filtri di bellezza, fotografia computazionale degli smartphone, fusione HDR e riduzione del rumore aggressiva levigano le texture proprio come i generatori.
La ricompressione distrugge la texture. Ogni ricondivisione appiattisce il rumore naturale su cui i rilevatori si basano; un inoltro WhatsApp di quinta generazione ha perso quasi tutto il suo segnale di “realtà”.
La perfezione da studio somiglia ai dati di addestramento dei generatori. Luce impeccabile su soggetto impeccabile è, statisticamente, l’aspetto delle immagini IA.

L’immagine speculare — il falso negativo — nasce dalla corsa agli armamenti stessa: ogni versione di generatore è in parte addestrata a sembrare statisticamente naturale, e gli avversari possono post-elaborare i falsi (aggiungere rumore, ricomprimere) proprio per ripulire le impronte.

Cosa rompe davvero i rilevatori

In ordine di impatto:

Compressione e ricondivisioni — il primo killer della precisione nell’uso reale.
Screenshot — lo screenshot di un’immagine IA è uno scatto reale di un falso, e intorbida sia i metadati sia la statistica dei pixel.
Generatori nuovi — un’architettura contro cui il rilevatore non si è mai addestrato.
Media misti — una foto vera con una sola regione modificata dall’IA; i verdetti sull’immagine intera si sfocano quando solo il 10% dei pixel è sintetico.
Input minuscoli — miniature e ritagli estremi semplicemente non contengono abbastanza segnale.

Perché il rilevamento multi-segnale regge meglio

Tutto quanto sopra descrive la fragilità del modello singolo: un classificatore neurale, un unico punto di guasto. L’approccio forense fonde famiglie di segnali indipendenti — credenziali di provenienza, forense di metadati e codifica, analisi neurale dei volti, coerenza del movimento nei video, impronte nel dominio delle frequenze — e ciascuna fallisce in modo diverso. La compressione danneggia l’analisi delle frequenze ma non la provenienza; un generatore inedito elude il classificatore ma lascia anomalie di codifica; uno screenshot uccide i metadati ma non gli artefatti facciali.

È il progetto dietro Verifyco: cinque segnali fusi in un punteggio di fiducia 0–100, calcolato sul dispositivo sul tuo iPhone, con la scomposizione per livelli visibile — così vedi quale evidenza ha guidato il verdetto invece di fidarti di una scatola nera. (L’elenco completo di ciò che ogni livello cattura: immagini · video.)

Come leggere un punteggio di fiducia da analista

Tratta i punteggi come peso dell’evidenza, non come verità. 90+ significa che i segnali concordano con forza; non significa 90% di probabilità che il file sia reale. Combinalo con fonte, contesto e movente — chi ci guadagna se ci credi?
“Non conclusivo” è informazione. Di solito significa che il file è stato degradato oltre l’analisi affidabile — il che ti dice già che quel media ha viaggiato lontano dalla sua origine. Uno strumento onesto lo dice; uno che non lo dice mai sta indovinando in silenzio. (È il criterio n. 4 della nostra guida alla scelta di un rilevatore.)
Pesa i livelli. Un punteggio basso guidato da metadati assenti è evidenza debole (tutto ciò che gira sui social è senza metadati); uno guidato da impronte di frequenza più artefatti facciali è forte.
Mai agire su un solo controllo quando la posta è alta. Per denaro, reputazione o sicurezza, l’output del rilevatore è un input accanto alla provenienza e alla verifica su un altro canale — la stessa logica di fusione che il rilevatore usa al suo interno.

Domande frequenti

I rilevatori di IA possono essere precisi al 100%? No, e non lo saranno mai — il rilevamento è inferenza statistica in una corsa agli armamenti avversariale. Chi afferma certezza descrive un prodotto che non può esistere. L’obiettivo realistico è evidenza forte e spiegata, che migliora nel tempo.

Perché un rilevatore ha marchiato la mia foto vera come IA? Molto probabilmente: filtri intensi o fotografia computazionale l’hanno levigata fino a un aspetto sintetico, oppure la compressione ripetuta ha distrutto il suo rumore naturale. Prova con il file originale (non la copia inoltrata/ricondivisa) e leggi la scomposizione per livelli se il tuo strumento la offre.

L’output di un rilevatore vale come prova in tribunale? In genere è trattato come supporto investigativo, non prova conclusiva — tribunali e fact-checker lo pesano insieme a provenienza, perizie e testimonianze. La sua forza pratica è la velocità: dice in pochi secondi dove vale la pena scavare più a fondo.

I rilevatori migliorano o peggiorano col tempo? Entrambi, a dente di sega: ogni nuovo generatore degrada il rilevamento, ogni aggiornamento del rilevatore recupera terreno. Ecco perché la cadenza di aggiornamento di uno strumento conta più della sua cifra del giorno di lancio — e perché gli standard di provenienza come C2PA vengono costruiti in parallelo: le etichette non decadono come il rilevamento statistico.

Conclusione

I rilevatori di IA sono genuinamente utili e genuinamente fallibili — come ogni test diagnostico che gli umani usano. Il difetto non è negli strumenti; è nel leggerli come oracoli. Usa l’analisi multi-segnale, leggi la scomposizione, rispetta il “non conclusivo” e integra il risultato nel contesto. Non è un modo più debole di usare il rilevamento — è l’unico che sopravvive al contatto con l’internet reale.