{"id":58058,"date":"2026-08-19T20:28:44","date_gmt":"2026-08-19T18:28:44","guid":{"rendered":"https:\/\/truescreen.io\/articoli\/filigrana-intelligenza-artificiale-testi-claude\/"},"modified":"2026-08-19T20:58:57","modified_gmt":"2026-08-19T18:58:57","slug":"filigrana-intelligenza-artificiale-testi-claude","status":"publish","type":"articoli","link":"https:\/\/truescreen.io\/it\/articoli\/filigrana-intelligenza-artificiale-testi-claude\/","title":{"rendered":"La filigrana dell’intelligenza artificiale nei testi di Claude: come funziona e che cosa non dimostra"},"content":{"rendered":"
\n
\n

La filigrana dell'intelligenza artificiale nei testi di Claude: come funziona e che cosa non dimostra<\/h1>\n<\/div>\n<\/div>\n
\n
\n

Pubblicato il 19 agosto 2026<\/p>\n

I modelli di Claude lanciati dal 2 agosto 2026 marcano i testi che producono con un segnale statistico che il lettore non percepisce, e dal 14 agosto la marcatura vale ovunque, non soltanto nell’Unione Europea. La filigrana dell’intelligenza artificiale entra cos\u00ec nel funzionamento ordinario di uno strumento che redazioni, studi legali e reparti di sviluppo usano tutti i giorni.<\/p>\n

Il segnale, per\u00f2, nasce gi\u00e0 fragile: una riscrittura integrale lo cancella, una parafrasi lo dirada, e chi riceve un testo non ha modo di controllarlo, perch\u00e9 l’API di rilevamento annunciata da Anthropic non \u00e8 ancora disponibile.<\/p>\n

La distinzione da tenere ferma \u00e8 questa: la filigrana marca come un contenuto \u00e8 nato, non che cosa quel contenuto dimostra. Sopravvive al copia e incolla, perch\u00e9 vive nelle parole scelte e non nel file, ma non sopravvive alla riscrittura. \u00c8 un’etichetta apposta dal produttore del modello per adempiere a un obbligo di trasparenza, non una prova costruita nell’interesse di chi dovr\u00e0 difendere quel contenuto.<\/p>\n

Che cosa ha annunciato Anthropic e da quando vale<\/h2>\n

Anthropic marca i contenuti prodotti da Claude con due tecniche distinte, che agiscono su oggetti diversi e falliscono per ragioni diverse: una filigrana statistica inserita dentro il testo e metadati di provenienza firmati crittograficamente allegati ai file. Confonderle \u00e8 l’errore pi\u00f9 diffuso nella copertura italiana della notizia. I modelli lanciati dal 2 agosto 2026 supportano la marcatura fin dal lancio, mentre quelli precedenti rientrano nel periodo transitorio previsto dall’Unione Europea e la riceveranno nei mesi successivi. Dal 14 agosto 2026 l’applicazione \u00e8 globale.<\/p>\n

I due meccanismi: segnale nel testo e credenziali nei metadati dei file<\/h3>\n

Il primo meccanismo interviene sulla generazione: mentre il modello produce il testo, la scelta fra le parole disponibili viene guidata in modo da lasciare un’impronta statistica riconoscibile. Nulla viene aggiunto al testo, perch\u00e9 cambia soltanto quali parole sono state selezionate fra quelle equivalenti.<\/p>\n

Il secondo riguarda i file di immagine prodotti da Claude, cio\u00e8 i formati .png, .jpg e .svg, che ricevono metadati di provenienza firmati secondo lo standard C2PA, lo stesso adottato dai produttori di fotocamere. Anche qui il contenuto non cambia: cambia il contenitore. Le due marcature reagiscono cos\u00ec in modo opposto, perch\u00e9 il testo marcato regge la copia e cede alla riscrittura, mentre il file marcato regge il trasferimento e cede allo screenshot.<\/p>\n

Modelli, servizi e date di applicazione<\/h3>\n

La marcatura copre l’app Claude, la Claude Platform accessibile via API, Claude Code, Claude Cowork e Claude Tag, e si estende agli accessi attraverso AWS, Google Cloud e Microsoft Foundry. La documentazione di Anthropic non prevede esenzioni n\u00e9 possibilit\u00e0 di rinuncia, nemmeno per le utenze aziendali: chi costruisce il proprio prodotto sopra l’API di Claude non ha alcuna leva per disattivarla.<\/p>\n

Come funziona la filigrana nel testo<\/h2>\n

La filigrana dell’intelligenza artificiale nel testo agisce sul modo in cui il modello sceglie le parole: non aggiunge un carattere nascosto, non annota il formato del documento, ma vincola la selezione lessicale. \u00c8 il segnale che la stampa tecnica chiama anche watermark. Anthropic si appoggia a SynthID-Text, la tecnica pubblicata da Google DeepMind su Nature<\/em> nel 2024<\/a>, che interviene sulla sorgente di casualit\u00e0 usata durante la generazione: la scelta fra le alternative statisticamente accettabili smette di essere pseudo-casuale e viene decisa da una chiave segreta insieme alle parole gi\u00e0 scritte. Nella spiegazione pubblicata da Anthropic<\/a> l’analogia \u00e8 quella del Monopoli: sostituire i dadi con le cifre di pi greco lascia le mosse imprevedibili per chi gioca, ma verificabili da chi conosce la regola.<\/p>\n

La scelta delle parole come portatrice del segnale<\/h3>\n

La filigrana dell’intelligenza artificiale nel testo \u00e8 un segnale statistico inserito nella scelta delle parole: fra alternative equivalenti, il modello preferisce sistematicamente quelle indicate da una chiave. Il risultato non cambia significato n\u00e9 leggibilit\u00e0, ma rende il testo riconoscibile a un rilevatore che quella chiave la possiede.<\/p>\n

Ci\u00f2 che distingue SynthID-Text da una filigrana digitale tradizionale \u00e8 che il segnale non sta in un punto preciso, ma \u00e8 distribuito lungo l’intero testo sotto forma di preferenza ripetuta. La verifica funziona per accumulo statistico, ed \u00e8 la ragione per cui la lunghezza del campione conta tanto.<\/p>\n

Lo schema, per\u00f2, non nasce in Google DeepMind. A sostenerlo per primo \u00e8 Scott Aaronson, informatico dell’Universit\u00e0 del Texas, che comincia a proporlo nell’estate 2022 subito dopo essere entrato nel team Alignment di OpenAI, come ricostruisce nelle slide di un suo intervento del 2024<\/a>; altri gruppi di ricerca ne sviluppano poi le varianti, e la versione pubblicata da Google DeepMind \u00e8 quella che Anthropic adotta oggi. Nella formulazione originale la selezione \u00e8 guidata da una funzione pseudocasuale calcolata sulle parole immediatamente precedenti, mentre il rilevamento avviene per soglia: si somma il contributo delle singole parole e, se il totale supera un valore stabilito, si conclude che quel testo \u00e8 stato probabilmente<\/em> prodotto dal modello. Il verdetto, quindi, \u00e8 probabilistico per costruzione.<\/p>\n

Perch\u00e9 non si vede e non cambia il significato<\/h3>\n

L’intervento avviene solo dove le alternative sarebbero comunque valide. Se una frase pu\u00f2 iniziare con “tuttavia” o con “per\u00f2” senza che nulla cambi nel senso, la filigrana orienta quella scelta; se il contesto impone una parola sola, resta inerte. Anthropic dichiara per questo che la marcatura non altera qualit\u00e0, precisione o leggibilit\u00e0 dell’output.<\/p>\n

C’\u00e8 poi un effetto meno ovvio. Poich\u00e9 il segnale sta nelle parole e non nel file, copiare il testo e incollarlo altrove non lo rimuove, e la filigrana viaggia con il contenuto attraverso documenti e conversazioni. \u00c8 la propriet\u00e0 che ha allarmato di pi\u00f9 chi usa Claude come supporto alla scrittura.<\/p>\n

Dove il segnale si dirada: testi brevi, testi fattuali, codice, revisione<\/h3>\n

Anthropic elenca apertamente i casi in cui la marcatura non regge. Sui testi brevi il rilevamento non funziona, perch\u00e9 il campione non basta ad accumulare il segnale; sui testi fattuali la filigrana si dirada, dato che le alternative equivalenti sono poche, e l’esempio scelto \u00e8 una frase su Isaac Newton e i Principia<\/em>. Il codice risulta meno marcato per la stessa ragione, mentre se il modello si limita a correggere le bozze di un testo altrui il segnale non compare affatto. Le traduzioni eseguite dal modello stesso, invece, portano la filigrana, perch\u00e9 \u00e8 Claude a riscegliere ogni parola del testo di arrivo; se a tradurre \u00e8 un altro strumento, il passaggio vale come una riscrittura e il segnale non sopravvive.<\/p>\n

Dietro quell’elenco c’\u00e8 una ragione matematica precisa. La quantit\u00e0 di testo necessaria al rilevamento cresce con l’inverso del quadrato dell’entropia media per token, cio\u00e8 del margine di scelta di cui il modello dispone davvero: quanto meno numerose sono le alternative equivalenti, tanto pi\u00f9 testo serve per raggiungere la soglia. Ne discende che definizioni giuridiche, risposte fattuali e codice sorgente non sono eccezioni sfortunate, bens\u00ec i casi strutturalmente peggiori, e sono proprio quelli in cui l’attribuzione conterebbe di pi\u00f9.<\/p>\n

La documentazione di Anthropic<\/a> \u00e8 netta: rilevare un marchio di Claude dice che il contenuto pu\u00f2 essere stato elaborato da Claude e, da solo, non ne conferma la provenienza. Se un utente carica un proprio testo e lo fa rivedere al modello, l’output pu\u00f2 risultare marcato anche quando idee e dati venivano da un’altra fonte. Il marchio segnala un’elaborazione, non una paternit\u00e0.<\/p>\n

Perch\u00e9 Anthropic l’ha introdotta adesso<\/h2>\n

La coincidenza delle date non \u00e8 casuale. L’annuncio arriva nel momento in cui due ordinamenti diversi, quello europeo e quello californiano, iniziano a chiedere che i contenuti sintetici siano riconoscibili da una macchina. La marcatura risponde a un obbligo normativo, non a una domanda del mercato.<\/p>\n

L’articolo 50 dell’AI Act e il codice di condotta sulla trasparenza<\/h3>\n

L’articolo 50 dell’AI Act contiene gli obblighi di trasparenza applicabili dal 2 agosto 2026: chi fornisce sistemi di intelligenza artificiale generativa deve marcare gli output in formato leggibile dalla macchina e rendere riconoscibili i contenuti sintetici. \u00c8 la norma che spiega perch\u00e9 il segnale debba essere automatico e verificabile da un programma, e non una dichiarazione testuale accanto al contenuto. A luglio 2026 circa 190 aziende hanno sottoscritto il codice di condotta dell’Unione Europea sulla trasparenza dei contenuti generati dall’intelligenza artificiale, che traduce quel principio in impegni operativi. Il funzionamento di quell’obbligo \u00e8 trattato nell’analisi dedicata all’etichettatura dei contenuti sintetici prevista dall’articolo 50<\/a>, mentre il perimetro documentale completo \u00e8 negli obblighi di conservazione previsti dall’AI Act<\/a>.<\/p>\n

La legge californiana e il testo che resta scoperto<\/h3>\n

Il California AI Transparency Act, approvato come SB 942<\/a>, doveva entrare in vigore il 1\u00b0 gennaio 2026, ma un intervento successivo ne ha spostato l’avvio al 2 agosto 2026 per allinearlo al calendario europeo. Si applica a chi rende accessibile al pubblico un sistema di intelligenza artificiale generativa con pi\u00f9 di un milione di utenti mensili in California, e impone marcatori latenti, durevoli e leggibili dalla macchina oltre a uno strumento pubblico e gratuito di verifica. La legge, per\u00f2, copre immagini, video e audio: il testo ne resta fuori. L’esclusione non \u00e8 una svista, bens\u00ec il riconoscimento che la provenienza del testo \u00e8 ancora troppo immatura per essere imposta per legge.<\/p>\n

Una scelta globale invece di due prodotti diversi<\/h3>\n

Le due giurisdizioni convergono sulla stessa data, e segmentare la marcatura per area geografica moltiplicherebbe versioni del modello, percorsi di verifica e superfici di errore. La decisione di applicare la filigrana in tutto il mondo dal 14 agosto 2026 va letta anche come conformit\u00e0 europea consegnata su scala globale<\/a>, perch\u00e9 costa meno che gestire due prodotti.<\/p>\n

Il dibattito: chi la difende e chi la contesta<\/h2>\n

La marcatura ha diviso nettamente gli utenti, e la frattura passa fra chi considera l’uso del modello un fatto da dichiarare e chi lo considera un fatto privato. La discussione si \u00e8 concentrata su tre nodi: la trasparenza, i falsi positivi e l’impossibilit\u00e0 di verificare in autonomia il risultato.<\/p>\n

Gli argomenti a favore<\/h3>\n

La posizione favorevole \u00e8 maggioritaria nelle discussioni su Reddit e si riassume in una formula che ha circolato molto: l’unico motivo per non volere la filigrana \u00e8 voler mentire alle persone. Ha una sua solidit\u00e0, perch\u00e9 rende verificabile un’affermazione finora indimostrabile in entrambe le direzioni. Il secondo argomento riguarda il livello a cui la trasparenza viene collocata: finch\u00e9 dichiarare l’uso dell’intelligenza artificiale resta una questione di costume professionale dipende dalla correttezza del singolo, mentre se il segnale sta nell’infrastruttura non dipende pi\u00f9 dalla buona volont\u00e0 di chi scrive.<\/p>\n

Le obiezioni: falsi positivi, paternit\u00e0 dell’opera, disdette<\/h3>\n

La reazione contraria<\/a> \u00e8 stata immediata e dura su Reddit, X e LinkedIn, con utenti che hanno annunciato la disdetta di abbonamenti a pagamento. Le categorie pi\u00f9 esposte sono studenti, giornalisti, scrittori e programmatori, cio\u00e8 chi produce testo per lavoro e teme un’etichetta che non distingue fra le forme d’uso.<\/p>\n

Il timore pi\u00f9 concreto riguarda i falsi positivi: chi si serve di Claude per riordinare un paragrafo o uniformare la terminologia svolge un lavoro legittimo, ma rischia di risultare positivo alla verifica come se avesse generato tutto. Un programmatore ha riassunto bene l’obiezione sulla paternit\u00e0: istruzioni, contesto e decisioni erano suoi, il modello era lo strumento, e non \u00e8 chiaro che cosa la marcatura stia rivendicando. Nella critica ricorre la metafora della lettera scarlatta, e John Gruber sostiene che una filigrana nascosta snatura il mestiere stesso di scrivere. Vi si aggiunge un’incoerenza mai sciolta: si marca l’output di un modello addestrato su opere altrui che marcate non erano.<\/p>\n

Il nodo del rilevatore che non c’\u00e8<\/h3>\n

Anthropic dichiara che offrir\u00e0 “presto” un’API di rilevamento, ma allo stato attuale nessuno strumento pubblico consente di verificare la presenza della filigrana: l’unico soggetto in grado di dire se un testo \u00e8 marcato \u00e8 il fornitore stesso del modello. Ne discende una condizione singolare, in cui si pu\u00f2 essere marcati senza avere modo di accertarlo. Chi riceve un documento non dispone di alcuna verifica propria e deve rimettersi a un responso che oggi non \u00e8 nemmeno in grado di chiedere. I rilevatori gi\u00e0 in circolazione non colmano il vuoto, perch\u00e9 non leggono affatto la filigrana: ne stimano la presenza dall’andamento stilistico del testo e restituiscono una probabilit\u00e0, esposta agli stessi falsi positivi che l’annuncio ha portato al centro della discussione.<\/p>\n

La difficolt\u00e0 era del resto nota a chi il metodo lo ha inventato. Fra le ragioni per cui OpenAI non ha mai rilasciato il proprio strumento, Aaronson elenca il paradosso dell’accesso: un rilevatore pubblico consentirebbe a chi vuole eludere la verifica di ritoccare il documento finch\u00e9 non risulta pi\u00f9 marcato, mentre un rilevatore chiuso impone di stabilire chi abbia titolo per verificare. L’asimmetria fra chi marca e chi verifica non \u00e8 dunque un incidente di percorso, bens\u00ec una difficolt\u00e0 nota fin dall’origine del metodo.<\/p>\n

L’asimmetria che ne deriva pesa pi\u00f9 della fragilit\u00e0 tecnica del segnale. Un meccanismo di prova in cui nessuna delle parti verifica il risultato in modo indipendente non \u00e8, in senso proprio, un meccanismo di prova. Le organizzazioni che devono produrre elementi utilizzabili in un contenzioso ricorrono per questo alla certificazione forense alla fonte, che restituisce un’origine opponibile invece di una probabilit\u00e0 statistica.<\/p>\n

Perch\u00e9 ogni filigrana si pu\u00f2 togliere<\/h2>\n

Nessuna marcatura statistica resiste a un avversario determinato, e Anthropic non sostiene il contrario: la sua documentazione afferma che i marchi possono sparire con modifiche, conversioni di formato o riscritture pesanti. La domanda utile non \u00e8 se si possa togliere la filigrana, ma che cosa costi toglierla e chi possa accorgersene.<\/p>\n

Si tratta peraltro di un limite dimostrato, non di un difetto dell’implementazione scelta da Anthropic. Un teorema di impossibilit\u00e0 formulato da Boaz Barak e altri nel 2023 stabilisce che, percorrendo un cammino casuale sull’insieme dei documenti equivalenti, qualunque filigrana pu\u00f2 essere rimossa, a condizione di riuscire a mantenere la qualit\u00e0 del testo. La rimovibilit\u00e0 appartiene quindi alla categoria e non alla singola realizzazione.<\/p>\n

Gli attacchi noti: riscrittura e ritraduzione<\/h3>\n

A differenza dei metadati, che sono presenti o assenti e si eliminano con un’operazione netta, la filigrana statistica si aggredisce soltanto alterando il pattern delle parole. Gli attacchi documentati in letteratura sono noti da anni e sono due: la parafrasi e la ritraduzione, cio\u00e8 il passaggio del testo attraverso una o pi\u00f9 lingue intermedie. In entrambi i casi a rielaborare il testo \u00e8 uno strumento diverso da quello che lo ha marcato, e quindi il segnale cade per la sostituzione integrale delle parole, non per il cambio di lingua in s\u00e9.<\/p>\n

La riscrittura profonda, per\u00f2, appiattisce il tono e riduce la precisione dell’originale, che \u00e8 esattamente ci\u00f2 che chi ha usato il modello voleva evitare, mentre le modifiche leggere lasciano il segnale intatto. Fra i due estremi resta una zona in cui nessuno pu\u00f2 dire dove si trovi il testo.<\/p>\n

I progetti pubblici di rimozione e il limite che dichiarano loro stessi<\/h3>\n

Dopo l’annuncio sono comparsi progetti pubblici che dichiarano di rimuovere i marchi di provenienza di pi\u00f9 fornitori, e operano su due categorie distinte. La prima \u00e8 la rimozione verificabile: eliminare caratteri invisibili, metadati EXIF e XMP e blocchi C2PA dai file, elementi che ci sono o non ci sono e il cui esito si controlla per confronto diretto. La seconda \u00e8 la riscrittura statistica, che fa rielaborare il testo a un altro modello, ed \u00e8 l’unica che aggredisce la filigrana vera e propria.<\/p>\n

Il dato pi\u00f9 significativo viene dagli autori stessi di questi strumenti, che parlano di tentativo e non di cancellazione verificata: finch\u00e9 i fornitori non rilasciano rilevatori pubblici e specifiche, nessuno pu\u00f2 certificare che il controllo ufficiale fallir\u00e0. Chi promette la rimozione della filigrana vende un risultato che non \u00e8 in condizione di misurare.<\/p>\n

L’asimmetria fra chi marca, chi verifica e chi cancella<\/h3>\n

Le tre posizioni dispongono di informazioni radicalmente diverse: il fornitore conosce la chiave e pu\u00f2 verificare, il destinatario del testo non ha alcuno strumento e deve fidarsi, chi tenta la rimozione lavora alla cieca. Finch\u00e9 l’asimmetria resta, la filigrana funziona come deterrente e come adempimento normativo: rende pi\u00f9 costoso spacciare per proprio un testo generato da AI, il che ha un valore reale a scuola e in redazione, ma non \u00e8 stata progettata per stabilire davanti a un giudice che cosa un contenuto sia e da dove venga.<\/p>\n

I metadati C2PA e la fragilit\u00e0 dei file<\/h2>\n

Anthropic allega alle immagini prodotte da Claude nei formati .png, .jpg e .svg un manifesto di provenienza firmato secondo lo standard C2PA. Il manifesto vive nel contenitore del file e non nei pixel, e questa collocazione ne determina l’intero comportamento pratico.<\/p>\n

Uno screenshot cancella la provenienza<\/h3>\n

Uno screenshot dell’immagine, seguito dal salvataggio come nuovo file, azzera il manifesto: il nuovo file contiene gli stessi pixel e nessuna provenienza. Lo stesso effetto lo producono ricompressione, ridimensionamento e conversione di formato. Quando i metadati di provenienza vengono rimossi da uno screenshot o da una riconversione, la certificazione forense dell’atto di acquisizione resta l’unico elemento verificabile: \u00e8 l’approccio adottato da TrueScreen.<\/p>\n

Quanto sopravvive davvero online<\/h3>\n

Uno studio Imatag del 2018 rilevava che l’80% delle immagini caricate sui siti aveva i metadati rimossi, e nel 2026 la cifra \u00e8 di fatto il 100% sulle grandi piattaforme sociali, perch\u00e9 Instagram, X, LinkedIn, TikTok e Facebook eliminano i manifesti in fase di caricamento. L’analisi Overpromising on Digital Provenance and Security<\/em>, pubblicata da RAND Corporation nel giugno 2025, ne spiega la ragione: il successo di C2PA dipende dalla conformit\u00e0 di tutti gli elementi della catena, e in un ecosistema aperto quella conformit\u00e0 non \u00e8 realistica.<\/p>\n

Le credenziali durevoli e perch\u00e9 non chiudono il cerchio<\/h3>\n

La risposta dello standard si chiama Durable Content Credentials: agganci deboli, come una filigrana invisibile o un’impronta del contenuto, che permettono di ritrovare la credenziale anche quando \u00e8 stata tolta dal file. Il meccanismo attenua il problema senza risolverlo, perch\u00e9 reintroduce le fragilit\u00e0 della filigrana statistica e richiede comunque un registro consultabile e la cooperazione delle piattaforme. Restano poi i limiti gi\u00e0 noti, discussi nell’analisi dedicata ai limiti strutturali dello standard C2PA<\/a>.<\/p>\n

Marcare l’origine o dimostrarla: due problemi diversi<\/h2>\n

Filigrana e credenziali rispondono alla domanda “questo contenuto l’ha scritto una macchina?”, non alla domanda “questo contenuto \u00e8 autentico e opponibile a chi lo contesta?”. Sono due problemi distinti, con due destinatari distinti, e trattarli come uno solo \u00e8 la ragione per cui molte organizzazioni si sentiranno protette senza esserlo.<\/p>\n

Che cosa dice una filigrana e che cosa non dir\u00e0 mai<\/h3>\n

Il criterio che separa i tre approcci \u00e8 chi appone il segno, e nell’interesse di chi: filigrana e credenziali C2PA arrivano dal produttore del modello o del file per adempiere a un obbligo, mentre la certificazione forense viene richiesta da chi ha bisogno di dimostrare qualcosa.<\/p>\n

\n\n\n\n\n\n\n\n\n\n\n
<\/th>\nFiligrana nel testo<\/th>\nCredenziali C2PA nei file<\/th>\nCertificazione alla fonte<\/th>\n<\/tr>\n<\/thead>\n
Che cosa attesta<\/strong><\/td>\nche il testo \u00e8 stato elaborato da un modello<\/td>\nla storia dichiarata del file<\/td>\nl’atto di acquisizione: che cosa, quando, in quale stato<\/td>\n<\/tr>\n
Che cosa resiste<\/strong><\/td>\ncopia e incolla, cambio di formato, traduzione eseguita dallo stesso modello<\/td>\ntrasferimento del file integro<\/td>\nconservazione con marca temporale qualificata<\/td>\n<\/tr>\n
Che cosa la cancella<\/strong><\/td>\nriscrittura, parafrasi, ritraduzione, testi brevi<\/td>\nscreenshot, ricompressione, caricamento sulle piattaforme sociali<\/td>\nnulla che agisca dopo l’acquisizione<\/td>\n<\/tr>\n
Chi la appone<\/strong><\/td>\nil fornitore del modello<\/td>\nchi genera o modifica il file<\/td>\nchi acquisisce, nel proprio interesse<\/td>\n<\/tr>\n
A chi serve<\/strong><\/td>\nal fornitore, per l’obbligo dell’AI Act<\/td>\nall’ecosistema, per tracciare l’origine dichiarata<\/td>\na chi dovr\u00e0 sostenere un’affermazione in un contenzioso<\/td>\n<\/tr>\n
Vale in giudizio<\/strong><\/td>\nno: indica un’elaborazione, non una paternit\u00e0<\/td>\nsolo con manifesto integro, con valore indiziario<\/td>\n\u00e8 progettata a questo scopo, secondo la giurisdizione e il caso<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n

Che cosa significa certificare un contenuto alla fonte<\/h3>\n

TrueScreen, la Data Authenticity Platform, affronta il problema opposto: invece di stabilire se un contenuto sia stato generato da un modello, fissa in modo verificabile come e quando quel contenuto \u00e8 stato acquisito. La certificazione alla fonte non \u00e8 un’etichetta applicata a un file esistente, ma una metodologia forense che entra in funzione nel momento dell’acquisizione: il contenuto viene catturato secondo procedura, se ne verifica l’integrit\u00e0 e il risultato riceve marca temporale qualificata e sigillo elettronico erogati da un QTSP terzo integrato via API. Ci\u00f2 che ne esce non \u00e8 una probabilit\u00e0, ma un riferimento opponibile.<\/p>\n

La differenza \u00e8 di natura, non di grado: la filigrana \u00e8 una dichiarazione apposta dopo, nell’interesse di chi produce il modello, e per costruzione removibile, mentre l’acquisizione certificata \u00e8 un atto compiuto prima, nell’interesse di chi dovr\u00e0 difendere quel contenuto.<\/p>\n

Un esempio chiarisce che cosa cambi nella pratica. Una redazione riceve da una fonte un documento che sarebbe stato prodotto da un modello: il rilevatore, quando esister\u00e0, restituir\u00e0 una probabilit\u00e0, e la filigrana, se c’era, \u00e8 sparita quando il testo \u00e8 stato riportato in italiano con un altro strumento. Resta verificabile non l’origine del testo, ma l’atto di acquisizione: quando quel documento \u00e8 stato ricevuto, da quale schermata, in quale stato. \u00c8 l’unico elemento che regge in un procedimento, e si raccoglie con l’app di certificazione<\/a> o integrando la piattaforma<\/a> nei sistemi gi\u00e0 in uso.<\/p>\n

Prepararsi a un mondo in cui l’origine non si ricostruisce a posteriori<\/h2>\n

L’origine di un contenuto digitale non si ricostruisce a ritroso. O viene fissata nel momento in cui il contenuto nasce, con marca temporale qualificata e sigillo elettronico apposto da un QTSP terzo, oppure quell’informazione \u00e8 persa e nessuna analisi successiva la restituisce.<\/p>\n

Le decisioni da prendere ora<\/h3>\n

La prima decisione riguarda la selezione: stabilire quali contenuti, fra quelli che l’organizzazione produce o riceve, dovranno reggere una contestazione. Non sono molti, e trattarli tutti allo stesso modo \u00e8 tanto costoso quanto inutile. La seconda riguarda il momento, perch\u00e9 per quei contenuti l’acquisizione certificata deve avvenire alla nascita o alla ricezione, non a valle di una segnalazione. La terza riguarda le aspettative: la filigrana dell’intelligenza artificiale e le credenziali di provenienza vanno lette per quello che sono. Rendono il panorama informativo pi\u00f9 leggibile, ma non trasformano un contenuto in una prova.<\/p>\n

\n

FAQ: filigrana e origine dei contenuti<\/h2>\n
\n
\nCome funziona SynthID?<\/span>
+<\/span><\/summary>\n
\n

SynthID-Text, la tecnica di Google DeepMind pubblicata su Nature<\/em> nel 2024 e adottata da Anthropic per i testi di Claude, sostituisce la sorgente di casualit\u00e0 che il modello usa nella scelta delle parole. Una chiave segreta e le parole gi\u00e0 scritte orientano la selezione fra alternative equivalenti e lasciano un’impronta statistica verificabile.<\/p>\n<\/div>\n<\/details>\n

\nCome si capisce se un testo \u00e8 stato scritto da un’intelligenza artificiale?<\/span>
+<\/span><\/summary>\n
\n

Oggi non esiste un metodo affidabile per riconoscere testo scritto da AI. La filigrana applicata da Anthropic dal 2 agosto 2026 \u00e8 verificabile solo da chi possiede la chiave, e l’API di rilevamento annunciata non \u00e8 ancora disponibile. I rilevatori commerciali in circolazione restituiscono probabilit\u00e0 statistiche, non certezze.<\/p>\n<\/div>\n<\/details>\n

\n\u00c8 facile riconoscere i contenuti generati dall’IA?<\/span>
+<\/span><\/summary>\n
\n

No, e la difficolt\u00e0 cresce con la qualit\u00e0 dei modelli. Anthropic dichiara che la marcatura non funziona su testi brevi, si dirada nei testi fattuali e nel codice e scompare del tutto quando il contenuto viene riscritto integralmente. Un testo umano rifinito da un modello pu\u00f2 inoltre risultare marcato.<\/p>\n<\/div>\n<\/details>\n

\nSi pu\u00f2 togliere la filigrana da un testo generato dall’IA?<\/span>
+<\/span><\/summary>\n
\n

S\u00ec, ma nessuno pu\u00f2 dimostrarlo. Parafrasi e ritraduzione alterano le scelte lessicali su cui il segnale statistico poggia, e gli autori dei progetti pubblici di rimozione qualificano il proprio risultato come tentativo e non come cancellazione verificata: senza rilevatori pubblici l’esito resta impossibile da controllare.<\/p>\n<\/div>\n<\/details>\n

\nLa filigrana di Claude vale anche fuori dall’Unione Europea?<\/span>
+<\/span><\/summary>\n
\n

S\u00ec. Dal 14 agosto 2026 Anthropic applica la marcatura a livello globale, non soltanto agli utenti europei. La scelta risponde all’articolo 50 dell’AI Act, applicabile dal 2 agosto 2026, ed evita la gestione di implementazioni differenti per area geografica, che moltiplicherebbe versioni del modello e superfici di errore.<\/p>\n<\/div>\n<\/details>\n

\nCome si dimostra l’origine di un contenuto digitale?<\/span>
+<\/span><\/summary>\n
\n

La verifica dell’origine a posteriori non \u00e8 garantita, perch\u00e9 filigrane e metadati possono sparire con una riscrittura o con uno screenshot. La certificazione alla fonte, come quella fornita da TrueScreen, produce invece un riferimento verificabile fin dal momento dell’acquisizione, con marca temporale qualificata e sigillo di un QTSP integrato via API.<\/p>\n<\/div>\n<\/details>\n<\/div>\n<\/section>\n<\/div>\n<\/div>\n

\n
\n
\n
\n

Certifica i tuoi contenuti alla fonte<\/h2>\n

Con TrueScreen il momento della creazione diventa un riferimento verificabile: acquisizione controllata, marca temporale qualificata e sigillo elettronico apposto da un QTSP integrato via API.<\/p>\n

Inizia ora<\/a>Richiedi una demo<\/a><\/div>\n

\"TrueScreen\"<\/div>\n<\/div>\n<\/div>\n<\/div>","protected":false},"featured_media":58059,"template":"","class_list":["post-58058","articoli","type-articoli","status-publish","has-post-thumbnail","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/truescreen.io\/it\/wp-json\/wp\/v2\/articoli\/58058","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/truescreen.io\/it\/wp-json\/wp\/v2\/articoli"}],"about":[{"href":"https:\/\/truescreen.io\/it\/wp-json\/wp\/v2\/types\/articoli"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/truescreen.io\/it\/wp-json\/wp\/v2\/media\/58059"}],"wp:attachment":[{"href":"https:\/\/truescreen.io\/it\/wp-json\/wp\/v2\/media?parent=58058"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}