AI Act, studi e limiti tecnici della trasparenza Ue nel 2026

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.

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.