I video creati con l’intelligenza artificiale stanno rapidamente diventando difficili da distinguere da quelli reali. La mancanza di etichette adeguate, che dovrebbero consentire l’identificazione dei contenuti IA, è un problema comune.
Questi video circolano su TikTok, Instagram e Facebook, presentandosi come clip divertenti, scene emotive, falsi incidenti o appelli umanitari. Non si tratta più di un fenomeno marginale: secondo diversi centri di ricerca, i contenuti sintetici rappresentano ormai circa il 20% del traffico sociale, soprattutto nei formati brevi e virali.
Riconoscerli non è impossibile, ma richiede un cambio di approccio. I segnali utili per l’identificazione non sono più quelli superficiali di una volta, ma consistono nei dettagli di coerenza visiva, logica e contestuale. Le indicazioni che seguono derivano da recenti analisi di esperti del MIT e documenti tecnici di aziende come Google, oltre alle linee guida di istituzioni europee sulla disinformazione digitale.
Il fenomeno non solo sposta l’attenzione online da contenuti veri a intrattenimento artificiale, ma alimenta anche truffe e disinformazione, compromettendo la capacità di fidarsi delle immagini e dei video visualizzati.
Come riconoscere i video AI da mani, volti e corpi
Le mani restano un punto critico, anche se meno evidente rispetto al passato. Le dita di solito sono correttamente rappresentate, ma tendono a piegarsi in modo innaturale, fondersi o cambiare forma durante il movimento. Lo stesso vale per orecchie, denti e profili del volto, in particolare nei video con repentini cambi di espressione.
I corpi possono apparire “leggeri” o privi di peso: persone che afferrano oggetti senza applicare forza o animali che saltano senza una spinta coerente sono esempi di imperfezioni spesso difficili da notare, ma ricorrenti.
| Indizio di AI | Dove guardare | Perché conta | Test veloce |
|---|---|---|---|
| Inquadratura “troppo perfetta” | inizio video, punto di ripresa | manca un operatore reale | “Chi avrebbe avuto la camera pronta?” |
| Mani deformi in movimento | gesti, dita, prese | i modelli faticano con articolazioni | rallenta a 0,5x |
| Bocca e denti instabili | parlato, sorrisi | lip-sync e dettagli minuti | guarda senza audio |
| Ombre incoerenti | piedi, pareti, naso | simulazione luce complessa | metti pausa e confronta |
| Riflessi assenti/sbagliati | vetro, specchi, metallo | errore tipico di rendering | cerca un riflesso “doppio” |
| Fisica irreale | contatti, cadute, salti | peso/inerzia non tornano | osserva mani-oggetti |
| Sfondo che “balla” | scritte, pattern, bordi | compressione + generazione | zoom sullo sfondo |
| Camera che galleggia | pan, zoom, tracking | non c’è intenzione umana | chiediti “perché si muove?” |
| Audio troppo pulito | voce, ambiente | sintesi/denoise eccessivi | ascolta in cuffia |
| Mancanza di contesto | caption, profilo, fonte | tipico di truffe/viral fake | cerca conferme altrove |
Luci e ombre nei video AI: quando il realismo non regge
Molti modelli AI gestiscono bene una singola fonte di luce, ma faticano in scenari complessi. Ombre non coerenti con il movimento del soggetto e assenza di riflessi su superfici lucide sono segnali frequenti. Secondo analisi del MIT, l’incoerenza luminosa è tra gli indizi più stabili, poiché richiede una simulazione fisica che i modelli generativi non padroneggiano completamente.
Movimenti di camera: l’indizio di una ripresa senza operatore
Nei video autentici, un operatore effettua scelte di inquadratura. I video generati dall’IA, invece, mancano di tale intenzionalità, risultando in carrellate fluide ma prive di motivazione e zoom improvvisi. Un tipico esempio sono le scene di incidenti domestici, dove la telecamera si trova sempre nel punto ideale e non viene mai abbandonata per soccorrere.
Gli stessi chatbot AI non riconoscono i video artificiali
I chatbot di intelligenza artificiale spesso non riescono a riconoscere i video generati dalla stessa IA. Questa problematica è evidenziata in una recente ricerca di NewsGuard, che ha testato tre sistemi diffusi — Grok (xAI), ChatGPT (OpenAI) e Gemini (Google) — con video creati con Sora, un generatore di clip realistiche.
I risultati mostrano che i chatbot hanno fallito quasi sempre nell’identificazione dei contenuti senza watermark: Grok non ha riconosciuto il 95% dei video, ChatGPT il 92,5% e Gemini il 78%.
Contesti tecnici sbagliati: quando i dettagli tradiscono i video AI
I video artificiali frequentemente mostrano errori che richiedono competenze specifiche. Attrezzature mediche incomplete o montate in modo irrealistico e situazioni pericolose con equipaggiamento inadeguato sono indicatori chiave. Chiedersi se ciò che si osserva sarebbe accettabile in un dato contesto è una strategia utile.
Esempi di video finti AI sui social
Gli animali domestici spesso appaiono in video generati dall’IA, poiché evocano empatia immediata e riducono il livello di attenzione critica. Segnali da osservare includono comportamenti poco realistici e interazioni fisiche che ignorano peso e spazio. Anche i video emotivi, come appelli per donazioni, possono presentare immagini credibili ma dettagli incoerenti.
I “conigli sul trampolino” ripresi da una finta videocamera di sorveglianza (TikTok, estate 2025)
Questo video è diventato virale come un filmato di sorveglianza, mostrando dei conigli saltare su un trampolino. Diversi fact-check hanno determinato che si trattava di un video interamente generato, segnalando glitch di continuità e dettagli incoerenti.
La “bodycam” con anziana che dà da mangiare a un orso sul portico (TikTok, ottobre 2025)
Un video apparentemente autentico mostra un’anziana interagire con un orso, ma si rileva che si tratta di un video AI, con elementi ambientali che non si allineano e comportamenti fisici innaturali.
I “quasi cloni” dello stesso incontro con l’orso (repliche seriali, 2025)
Successivamente, sono emersi video simili con variazioni minime, tipici del “ai slop”, dove un format di successo viene replicato per generare engagement senza reale contenuto informativo.
Zelensky che “invita alla resa” (2022)
Un esempio significativo di disinformazione è stato un deepfake di Volodymyr Zelensky, in cui si chiedeva ai militari ucraini di deporre le armi, un caso di utilizzo ostile dei video sintetici.
Finta “NVIDIA Live”: deepfake di Jensen Huang per truffa crypto (2025)
Su YouTube è apparso uno stream falso con un Jensen Huang generato dall’IA, coinvolto in una truffa di investimento crypto che ha generato un vasto pubblico e ha superato lo stream reale in visualizzazioni.
Inserzioni su Meta con finto Rishi Sunak e rimando a “BBC” fasulla (2024)
Più di cento video-ads deepfake con il primo ministro britannico sono stati distribuiti su Facebook, con endorsement che rimandavano a una pagina che imitava la BBC, portando a una truffa d’investimento.
Il “Tom Cruise” di TikTok (2021)
Una serie di clip ultra realistiche ha ingannato molti utenti, dimostrando quanto la tecnologia IA possa apparire credibile in contesti social.
Etichette e watermark: cosa promettono le piattaforme e cosa manca
Le piattaforme si sono impegnate a etichettare con watermark i contenuti generati dall’IA, secondo il regolamento noto come AI Act. TikTok e Meta hanno già policy in questo senso. Tuttavia, l’onere dell’etichettatura spesso ricade sui creatori e mancano controlli sistematici.
I watermark tecnici sono attualmente parziali. Soluzioni come firme digitali integrate in pixel sono sperimentate, ma funzionano solo all’interno dei rispettivi ecosistemi. Non esiste, ad oggi, un sistema universale di verifica accessibile agli utenti.
Come riconoscere i video AI con il criterio più affidabile: il contesto
Le istituzioni europee hanno sottolineato che la tecnologia da sola non basta per combattere la disinformazione. Il giudizio umano rimane il filtro più efficace. È cruciale chiedersi chi ha prodotto il video e con quale obiettivo e contesto. Seguire creatori riconoscibili e con storie verificabili può ridurre l’esposizione ai contenuti artificiali.
Cosa aspettarsi nei prossimi mesi dai video AI
I modelli video continueranno a migliorare. Gli errori visivi diminuiranno, ma non scompariranno. La distinzione tra reale e sintetico non sarà più solo una questione tecnica, ma diventerà una competenza culturale.
La domanda da porsi non è “sembra vero?”, ma “ha senso che qualcuno abbia davvero ripreso questa scena?”. Spesso, la risposta sarà evidente prima dell’intervento degli algoritmi.
Bibliografia essenziale
Parlamento europeo – EPRS (2025). Children and deepfakes.
Lim, M.; Chang, A.; Intagliata, C. (2025). Simple tricks to spot AI-generated videos in your social media feed.
TikTok (s.d.). About AI-generated content.
TikTok Newsroom (2023). New labels for disclosing AI-generated content.
Meta – About (2024). Our approach to labeling AI-generated content and manipulated media.
Google DeepMind (s.d.). SynthID.
C2PA – Coalition for Content Provenance and Authenticity (version 2.3). C2PA Specifications.
NIST – National Institute of Standards and Technology (s.d.). Open Media Forensics Challenge (OpenMFC).
Unione europea – Commissione europea (2025). Media literacy | Shaping Europe’s digital future.
Unione europea – Commissione europea (2024). AI Act – Regulatory framework on AI.
