Rilevatore immagini IA: come funzionano e perché falliscono

Hai un'immagine sullo schermo e ti fai una domanda: rilevatore immagini IA o reale? Un rilevatore di immagini generata ti darà una percentuale in tre secondi, e quel numero è corretto meno spesso di quanto l'interfaccia ti faccia credere. Ecco cosa funziona, cosa no, e la routine che un art director può eseguire prima che un'immagine entri in una presentazione client.

Versione breve: tratta un rilevatore come un allarme antincendio, non come un giudice.

Cosa guarda realmente un rilevatore di immagini IA?

La maggior parte dei rilevatori sono classificatori allenati su due pile: foto da fotocamera e output da generatori come Midjourney, Stable Diffusion e DALL-E. Imparano abitudini statistiche. Pattern di rumore, artefatti di frequenza, il modo in cui la texture fine si ripete quando un modello riempie i dettagli.

È tutto qui. Niente magia, solo un modello che ha visto molti degli uni e degli altri. Questo spiega anche il difetto principale. Un rilevatore è buono solo quanto i generatori su cui è stato allenato, e i generatori cambiano ogni pochi mesi.

Alcuni strumenti aggiungono un secondo strato: leggono dati di provenienza e watermark. Quelli sono un animale diverso, e li affrontiamo più avanti.

Che accuratezza hanno, davvero?

Dipende da chi ha il metro. Un roundup che ha eseguito otto strumenti su un piccolo set di foto reali più output da Midjourney v6, DALL-E 3 e Stable Diffusion riporta Hive Moderation a circa il 94% e Illuminarty a circa il 91%. Sono numeri decenti su file puliti e non compressi.

Ora leggi le note a piè di pagina. La stessa analisi ammette che l'accuratezza nel mondo reale cambia con la post-editing e con la compressione al caricamento. I vendor pubblicano anche i loro stessi benchmark, il che è un po' come uno chef che critica il suo proprio ristorante.

Ecco il test che potremmo fare, e quello che puoi fare in dieci minuti. Prendi tre gruppi di file di cui conosci l'origine:

• output diretti da Midjourney v7 e Flux

• gli stessi file dopo uno screenshot e un ri-salvataggio in JPEG

• foto reali e scansioni, incluse vecchie pellicole

Aspettati tre cose. Le generazioni pulite vengono catturate il più delle volte. Le copie ri-salvate vengono catturate notevolmente meno. E alcune foto reali, soprattutto quelle morbide o pesantemente ritoccate, vengono segnalate come IA. Quest'ultimo gruppo è quello che nessuno mette sulla pagina di destinazione.

I vendor pubblicano numeri sui falsi positivi. Uno strumento cita un tasso di segnalazione dello 0,16% su 10.000 immagini realizzate da uomini pre-2022, il che è impressionante, ma è il benchmark proprietario del vendor su un dataset specifico. La tua foto client ritoccata e iperofficinale non è quel dataset.

Salta qualsiasi strumento che mostri una singola percentuale sicura senza spiegazione. Vale la pena usare: strumenti che mostrano quale regione dell'immagine sembra strana, e che ammettono quando non sono sicuri.

Perché screenshot e ri-salvataggi distruggono il risultato?

Perché le prove vivono in posti fragili. Le impronte digitali a livello di pixel su cui si basano i classificatori vengono cancellate da ridimensionamento, ricompressione e filtri. Instagram, X e la maggior parte delle app di chat fanno tutti e tre nel momento in cui carichi.

Stessa storia per i metadati. Le credenziali di contenuto e i campi EXIF si trovano nel contenitore del file, e le piattaforme le rimuovono regolarmente. Una credenziale mancante non prova nulla. Non significa che l'immagine sia falsa, e non significa che sia reale.

È la parte che la gente perde. L'assenza di un segnale non è un segnale.

Watermark e credenziali di contenuto: segnale migliore, copertura più piccola

Due sistemi contano nel 2026. Le credenziali di contenuto dallo standard C2PA allegano un record firmato dello strumento e delle modifiche al file. I watermark nello stile di SynthID incorporano un segnale invisibile nei pixel al momento della generazione. Questo spiegone su C2PA vs SynthID espone bene la divisione: le credenziali ti raccontano la storia di un file, il watermark ti dice quale generatore lo ha creato, e nessuno dei due funziona senza che il generatore collabori.

Quando sono presenti, battono qualsiasi classificatore. Una firma valida è una prova, non un'ipotesi.

Il trucco è la copertura. I modelli open-weight girati in locale, quindi nessuno deve allegare nulla. Se il tuo riferimento è uscito da una pipeline Flux o SD3.5 fatta in casa, non aspettarti nulla. Ruba questa regola: un risultato di provenienza positiva è forte, uno negativo è silenzio.

La routine dell'art director: cinque controlli prima di fidarti di un risultato

I rilevatori sono un input. Questo è l'ordine in cui lavoriamo.

1. Guarda l'immagine al 200% per primo. Mani, denti, gioielli, testo su insegne, la cucitura dove i capelli incontrano lo sfondo. Vecchie tracce, ma catturano comunque le cose pigre.

2. Chiedi il file originale. Un RAW da fotocamera o un PSD stratificato vale più di qualsiasi punteggio.

3. Esegui due rilevatori, non uno. Se non sono d'accordo, quel disaccordo è la tua scoperta.

4. Ricerca inversa di immagini. Una foto reale di solito ha una storia. Una generazione fresca di solito no.

5. Controlla i dati di provenienza se il file ne ha ancora.

Niente di questo è veloce. Non deve esserlo. Lo esegui solo quando l'immagine conta: un brief client, un'entrata di concorso, una fonte che intendi accreditare.

Cosa significa un punteggio di rilevatore quando dice 60%?

Non molto. Un output di classificatore è una confidenza da un modello, non una probabilità che l'immagine sia falsa nel mondo reale. I diversi strumenti si calibrano diversamente, quindi il 60% in un prodotto può significare la stessa cosa dell'85% in un altro.

Due regole ti mantengono onesto. Primo, ignora la fascia centrale. Qualsiasi cosa tra circa il 30% e il 70% è lo strumento che scrolla le spalle. Secondo, non confrontare mai i punteggi tra prodotti. Confronta i verdetti sulla stessa immagine, e guarda dove non sono d'accordo.

Il disaccordo è dove va il lavoro interessante. Se uno strumento dice 92% IA e un altro dice 8%, uno di loro non è mai stato allenato su quel generatore, o il file è stato rovinato in transito. Torna alla fonte, chiedi l'originale, e controlla di nuovo i metadati.

Quali immagini ingannano i rilevatori più spesso?

Alcune categorie sono costantemente difficili, e vale la pena sapere prima di mettere fiducia in un punteggio.

Lavoro altamente stilizzato. Stile stampa Riso, illustrazione piatta, emulazione di film granuloso: più lo stile si allontana da una fotocamera, meno un classificatore allenato su foto ha su cui aggrapparsi.

File upscalati e affilati. I dettagli aggiunti dopo la generazione offuscano l'impronta digitale del modello originale.

Ritagli piccoli. Una miniatura da 400 px contiene meno segnale di una cornice intera.

Immagini ibride. Una foto reale con un cielo generato da IA, o un ritratto generato con ritocco reale, si trova nella zona grigia per progettazione. La maggior parte degli strumenti restituisce un punteggio per l'intero file, quindi la risposta onesta è spesso "parzialmente".

Modelli freschi. Qualsiasi generatore rilasciato dopo l'ultimo esecuzione di allenamento del rilevatore è un punto cieco finché il vendor non si aggiorna. Quel gap è poche settimane al meglio e pochi mesi al peggio.

Se il tuo lavoro quotidiano comporta riferimenti da bacheche Are.na, librerie di stock e feed sociali, assumi che un pezzo di quello che raccogli sia già ibrido. Etichettalo nella tua moodboard, nota la fonte, e vai avanti.

Cosa stanno facendo i generatori stessi al riguardo

I modelli che usi già sono il motivo per cui questo problema esiste, quindi vediamo dove ogni uno si trova nell'etichettare il suo output.

Gli output di Midjourney sono notoriamente lucidati, il che rende il racconto "troppo pulito" più debole con ogni versione.

Adobe Firefly si basa sulle credenziali di contenuto per impostazione predefinita, il che rende i suoi file i più facili da verificare, purché nessuno spoglia i metadati per arrivarti.

Krea è dove molti di noi iterano in tempo reale. Loop veloci, molta stilizzazione, e nessuna promessa che qualsiasi cosa a valle possa dire da dove viene un'immagine.

Gli upscaler contano qui anche. Eseguire una generazione attraverso Magnific aggiunge texture reale, e quella texture è esattamente quello che confonde un classificatore allenato su output grezzi di modelli. Se intendi testare un rilevatore, testalo anche su file upscalati.

Dire crudo: nessuno di questi strumenti è costruito per rendere la tua vita più facile come verificatore. Quel lavoro è tuo.

Dovresti affidarti a un rilevatore per il lavoro client?

Vale la pena se lo usi come triage. Un'immagine segnalata riceve uno sguardo più attento. Un punteggio pulito non compra nulla al di là di "nessun allarme è scattato".

Saltalo se sei tentato di usare un punteggio come prova in una controversia, un takedown o una sentenza di concorso. I falsi positivi su arte reale sono la brutta parte. Fotografi e illustratori sono stati accusati sulla base dell'output di un solo strumento, e una percentuale piatta è una cosa debole su cui stare in piedi.

Quello che faremmo davvero: annotare il processo. Quali strumenti, quale versione, quale data, quali file. Una nota datata batte uno screenshot di un punteggio.

E se sei tu quello che crea le immagini, mantieni i file di lavoro. Strati, seed, note di prompt, le bruttezze dei primi bozzetti. È l'assicurazione più economica che un art director può comprare, ed è anche buona igiene della moodboard.

Dove andare dopo

Scegli cinque immagini di cui conosci l'origine, tre reali e due generate, eseguile attraverso due rilevatori, poi screenshotta e ri-esegui. Imparerai più su questi strumenti in quella sessione di quanto qualsiasi landing page ti dirà.

Quindi rimescola l'esperimento con il tuo stack. Quale dei tuoi modelli preferiti viene catturato per primo? Quale scivola via?