Dal 2 agosto 2026 le imprese che producono o utilizzano contenuti generati dall’intelligenza artificiale devono affrontare uno dei passaggi più visibili dell’AI Act. L’articolo 50 del Regolamento europeo impone di informare gli utenti quando interagiscono con determinati sistemi di AI e di rendere riconoscibili immagini, video, audio e testi sintetici o manipolati.
L’obiettivo dell’Unione europea è rendere tracciabile l’origine dei contenuti senza bloccare l’adozione dell’intelligenza artificiale. Gli studi tecnici e giuridici pubblicati negli ultimi due anni descrivono però una distanza rilevante tra la norma e gli strumenti disponibili. Watermark, metadati, firme crittografiche e rilevatori automatici funzionano in condizioni specifiche, ma nessuna soluzione garantisce da sola affidabilità, resistenza alle modifiche e compatibilità tra piattaforme.
Per le aziende il problema non consiste quindi nell’aggiungere una semplice etichetta. La trasparenza deve entrare nei processi produttivi, nei contratti con i fornitori, nei sistemi informatici e nelle procedure di controllo. I costi riguardano sviluppo, conservazione dei dati, verifiche, formazione del personale e gestione delle responsabilità lungo la filiera.
Indice degli argomenti:
L’articolo 50 e la doppia trasparenza
Le linee guida pubblicate dalla Commissione europea il 20 luglio 2026 chiariscono il campo di applicazione dell’articolo 50. I fornitori di sistemi che generano contenuti sintetici devono produrre output marcati in un formato leggibile dalle macchine. Chi utilizza tali sistemi per pubblicare deepfake o testi di interesse pubblico deve inoltre mostrare un’informazione comprensibile alle persone.
La norma introduce così due livelli distinti. Il primo serve agli utenti, che devono sapere quando stanno osservando o ascoltando un contenuto artificiale. Il secondo è rivolto alle piattaforme e agli strumenti automatici, che dovrebbero poter riconoscere l’origine del file anche dopo la sua diffusione.
L’articolo 50 richiede che le marcature siano efficaci, interoperabili, robuste e affidabili. Questi criteri hanno conseguenze economiche dirette. Un sistema efficace deve riconoscere la provenienza con un margine di errore contenuto. L’interoperabilità richiede standard comuni. La robustezza presuppone che il segnale sopravviva a compressioni, ritagli, traduzioni o modifiche. L’affidabilità impone di limitare falsi positivi e falsi negativi.
La Commissione ha affiancato alle linee guida un codice volontario di buone pratiche. Alla fine di luglio 2026 avevano aderito circa 190 imprese e organizzazioni. I firmatari possono utilizzare le misure previste dal codice per dimostrare la conformità; chi adotta soluzioni differenti dovrà provarne l’adeguatezza alle autorità di vigilanza.
La trasparenza deve partire dall’architettura
Lo studio più direttamente legato alla scadenza europea è Transparency as Architecture: Structural Compliance Gaps in EU AI Act Article 50 II, depositato su arXiv il 27 marzo 2026 da Vera Schmitt, Niklas Kruse, Premtim Sahitaj e Julius Schöning.
Gli autori sostengono che la conformità non possa essere ridotta a un’etichettatura applicata alla fine del processo. La tracciabilità deve essere progettata nell’architettura del sistema e mantenuta lungo l’intero ciclo di vita del contenuto. Il gruppo individua tre lacune: l’assenza di formati comuni per i prodotti che mescolano contributi umani e artificiali, la difficoltà di applicare il concetto giuridico di affidabilità a modelli probabilistici e la mancanza di criteri per adeguare le informazioni alle competenze degli utenti.
Il caso dei contenuti ibridi interessa direttamente editori, agenzie pubblicitarie, società di consulenza e produttori audiovisivi. Un testo può partire da una bozza generata da un modello, essere riscritto da una persona, tradotto da un altro sistema e corretto da un terzo software. Un’immagine può includere uno scatto reale, elementi sintetici e ritocchi automatici.
In questi processi non è semplice stabilire quale passaggio debba essere registrato, chi debba conservare la prova e quale soggetto debba rispondere della marcatura finale. Un metadato applicato all’origine può essere eliminato durante l’esportazione. Una dichiarazione visibile può perdere il collegamento con il contenuto quando il file viene copiato o pubblicato su un’altra piattaforma.
Gli autori analizzano anche i dati sintetici usati per addestrare altri modelli. Una marcatura abbastanza evidente da resistere alle trasformazioni può diventare una caratteristica appresa dal sistema, alterando il dataset e i risultati. Una marcatura meno invasiva rischia invece di scomparire durante le normali operazioni di elaborazione.
Watermark presenti solo in una minoranza dei sistemi
Un quadro empirico emerge dallo studio di Bram Rijsbosch, Gijs van Dijck e Konrad Kollnig, aggiornato nell’ottobre 2025. I ricercatori hanno analizzato 50 sistemi diffusi per la generazione di immagini, confrontando le pratiche dei fornitori con gli obblighi previsti dall’AI Act.
Il risultato mostra una preparazione ancora limitata. Solo il 38 per cento dei sistemi esaminati adottava pratiche di watermarking giudicate adeguate, mentre appena il 18 per cento disponeva di forme adeguate di etichettatura dei deepfake. Gli autori precisano che il lavoro è un preprint e non è stato pubblicato in una rivista sottoposta a revisione paritaria. I dati segnalano comunque che, alla vigilia dell’applicazione delle regole, la marcatura non rappresentava ancora uno standard industriale.
.
Il dato ha conseguenze diverse lungo la filiera. I grandi fornitori possono sviluppare tecnologie proprietarie, sostenere test e partecipare alla definizione degli standard. Le aziende che integrano modelli di terzi dipendono invece dalle informazioni e dagli strumenti messi a disposizione dal produttore.
Un’impresa che acquista servizi attraverso un’interfaccia Api potrebbe non controllare il meccanismo usato per generare il file. Deve però verificare se la marcatura resiste alle successive lavorazioni e se le informazioni necessarie vengono trasferite agli utenti finali. Questo aumenta il peso dei contratti, delle clausole di audit e della documentazione tecnica.
Nessun watermark soddisfa tutti i requisiti
Thomas Souverain, nello studio Watermarking Large Language Models in Europe, pubblicato su arXiv nel novembre 2025, ha confrontato le tecniche disponibili con i quattro criteri dell’AI Act: affidabilità, interoperabilità, efficacia e robustezza.
Il lavoro distingue i sistemi in base alla fase in cui viene inserita la marcatura: prima o durante l’addestramento, nella distribuzione delle probabilità del modello, nella selezione delle parole oppure dopo la generazione. La conclusione è che nessun metodo soddisfa contemporaneamente tutti i requisiti europei.
I watermark applicati ai testi possono essere indeboliti da una parafrasi, da una traduzione o da una riscrittura parziale. Le marcature inserite nelle immagini possono scomparire dopo un ritaglio, una compressione o una ricostruzione del file. I metadati sono più facili da gestire, ma possono essere rimossi durante il caricamento sui social network o attraverso comuni strumenti di editing.
L’interoperabilità resta il punto meno sviluppato. Un sistema può riconoscere la propria marcatura senza riuscire a interpretare quella prodotta da un concorrente. Per le imprese europee questa frammentazione può tradursi nella necessità di utilizzare più rilevatori, conservare informazioni in formati diversi e aggiornare continuamente i sistemi.
Per i deepfake serve una difesa a più livelli
Max-Paul Förster, Luca Deck, Raimund Weidlich e Niklas Kühl propongono un approccio differente. Nel lavoro A Multi-Level Strategy for Deepfake Content Moderation under EU Regulation, pubblicato nel luglio 2025, esaminano watermark, sistemi di provenienza, rilevatori automatici ed etichette visibili.
La loro conclusione è che ogni tecnica copre una parte del problema. I watermark possono fornire una prova positiva della generazione artificiale, ma non tutti i contenuti ne possiedono uno. I rilevatori possono individuare anomalie anche in file privi di marcatura, ma producono errori e diventano meno efficaci quando cambiano i modelli generativi. Le etichette aiutano gli utenti, ma possono essere separate dal contenuto.
Gli studiosi propongono un sistema a più livelli. Una prima verifica cerca marcature positive o credenziali che attestino l’autenticità. I contenuti privi di segnali vengono sottoposti a controlli più complessi, graduati in base al rischio e al contesto di pubblicazione.
Il modello potrebbe ridurre i costi concentrando le analisi più onerose sui casi dubbi. Gli stessi autori precisano, tuttavia, che la proposta non è stata ancora verificata in applicazioni reali né sottoposta a una valutazione esterna. La sua adozione richiederebbe investimenti delle piattaforme e competenze tecniche anche presso le autorità incaricate degli audit.
Il confine incerto tra fotografia e deepfake
L’AI Act deve inoltre distinguere la manipolazione ingannevole dalle funzioni ordinarie ormai presenti in smartphone e programmi fotografici. Kristof Meding e Christoph Sorge hanno affrontato il problema nello studio What Constitutes a Deep Fake?, aggiornato nel febbraio 2025 e accettato alla conferenza ACM CS&Law.
Gli autori analizzano il percorso di una fotografia dal sensore della fotocamera alle funzioni di elaborazione. Tecnologie come la selezione del volto migliore, la ricostruzione di dettagli o la combinazione di più scatti possono modificare l’immagine senza creare un contenuto interamente artificiale.
Secondo lo studio, la definizione europea lascia margini interpretativi su che cosa debba essere considerato un deepfake e su quali interventi rientrino nelle eccezioni per le modifiche assistive. Un’interpretazione ampia può imporre etichette a normali fotografie elaborate dal software. Una lettura restrittiva può escludere alterazioni capaci di modificare la percezione di un evento.
Questa incertezza interessa produttori di smartphone, sviluppatori di applicazioni, editori e inserzionisti. Le imprese devono classificare funzioni che cambiano rapidamente e possono avere effetti diversi a seconda dell’uso. La stessa tecnologia può correggere un difetto tecnico oppure costruire una scena mai avvenuta.
La conformità non può essere affidata interamente all’AI
Un altro studio pubblicato nel maggio 2026 sposta l’attenzione sull’organizzazione aziendale. T.Y. Emmy Lai, Sven Giesselbach, Matthias Koch e Héctor Allende-Cid hanno intervistato dieci esperti e raccolto le risposte di 15 professionisti impiegati nella ricerca, nella consulenza, nell’informatica e nell’industria.
Il campione è limitato e non consente generalizzazioni statistiche, ma evidenzia problemi ricorrenti. Molte organizzazioni non dispongono di meccanismi strutturati per trasformare gli obblighi giuridici in requisiti tecnici verificabili, aggiornare i progetti quando cambia la normativa e conservare prove lungo il ciclo di vita del sistema.
da essi attribuita al regolamento, rappresentati come percentuali sovrapposte su una scala di Likert con indicazione delle mediane
I partecipanti considerano utili gli strumenti basati su modelli linguistici per individuare modifiche normative, associare gli obblighi ai progetti e organizzare la documentazione. Escludono però una conformità interamente automatizzata. Chiedono registri delle operazioni, revisione umana, controlli sugli accessi e, nei casi più sensibili, installazioni interne all’azienda.
Il paradosso economico è che le imprese possono usare l’intelligenza artificiale per ridurre i costi della conformità, ma devono costruire ulteriori controlli per verificare l’AI impiegata nel controllo. La gestione normativa diventa così un processo continuo, non una certificazione ottenuta una volta per tutte.
Il rischio di una nuova “fatica da etichetta”
Le prime cronache successive alla scadenza del 2 agosto hanno paragonato gli avvisi sull’intelligenza artificiale ai banner sui cookie introdotti con la normativa sulla protezione dei dati. Il Financial Times ha raccolto le preoccupazioni di imprese e associazioni commerciali sulla possibilità che etichette troppo frequenti perdano efficacia e aumentino i costi di adeguamento.
Il problema non riguarda soltanto la quantità degli avvisi. Un’etichetta generica può comunicare che è stata usata l’AI senza spiegare quali elementi siano artificiali, quale sistema li abbia prodotti e quanto sia intervenuto un operatore umano.
La ricerca suggerisce che la trasparenza utile richiede informazioni graduate, collegate al file e comprensibili nel contesto in cui vengono mostrate. Per ottenere questo risultato occorrono standard condivisi, sistemi di provenienza, audit e responsabilità contrattuali definite.
Il 2 agosto 2026 segna quindi l’avvio di un mercato della conformità che comprende software di marcatura, servizi di verifica, consulenza legale, certificazione e gestione dei dati. Le imprese che hanno trattato l’etichettatura come un intervento grafico dovranno rivedere i propri processi. Gli studi disponibili convergono su un punto: senza un’infrastruttura capace di seguire il contenuto dalla generazione alla pubblicazione, l’etichetta rischia di sopravvivere meno del file che dovrebbe rendere trasparente.
Partecipa alla community