Introduzione

Nel panorama digitale attuale, la questione della fiducia nei contenuti online è più pressante che mai. Dalla nascita del World Wide Web, autori, editori e ricercatori hanno discusso di autenticità, credibilità, affidabilità, trasparenza e tracciabilità dei materiali digitali. L’avvento dei modelli generativi di intelligenza artificiale (IA) ha intensificato la necessità di strumenti capaci di distinguere il “vero” dal “creato” da macchine, spingendo verso nuove forme di etichettatura.

Il contesto normativo

L’articolo 50 del Regolamento europeo sull’intelligenza artificiale (AI Act) stabilisce obblighi di trasparenza per i fornitori e gli operatori di sistemi IA ad alto rischio. In pratica, chi mette a disposizione o utilizza tali sistemi deve informare gli utenti sulla natura algoritmica dei risultati prodotti. Questa disposizione legislativa fornisce la base giuridica per le iniziative di etichettatura, ma da sola non risolve le problematiche più profonde legate alla percezione e all’uso dei contenuti generati.

Il documento di iRights.Lab

Nel giugno 2026, il progetto di ricerca “Generative KI – Innovation und Recht in Arbeitsprozessen” (GenKI‑IR), coordinato da iRights.Lab, ha pubblicato un nuovo paper intitolato “GenKI Thesenpapier Kennzeichnung”. Scritto da Solvejg Gunkel, il documento elenca dieci tesi che spiegano perché l’etichettatura da sola non è sufficiente a garantire la fiducia nei media digitali. Il paper è rilasciato sotto licenza Creative Commons BY 4.0 ed è liberamente scaricabile dal sito di iRights.Lab.

Le dieci tesi

1. Etichettatura come informazione minima: l’indicazione che un contenuto è stato generato da IA fornisce solo un dato di base, senza contestualizzare le intenzioni o i limiti del modello.
2. Capacità di inganno: una semplice etichetta può essere ignorata o manipolata, consentendo a soggetti malevoli di sfruttare la credibilità percepita dei media.
3. Varietà dei modelli: esistono numerosi tipi di IA (LLM, GAN, diffusion models) con caratteristiche diverse; un’unica etichetta non può descrivere la loro diversità tecnicamente.
4. Contesto di produzione: la provenienza del dato di input, le impostazioni di training e le modifiche successive influiscono sulla qualità del risultato, ma non sono visibili nell’etichetta.
5. Responsabilità legale: la sola segnalazione non attribuisce responsabilità; è necessario definire chi è responsabile dell’output errato o dannoso.
6. Educazione dell’utente: senza un adeguato alfabetismo digitale, gli utenti non comprendono il valore informativo dell’etichetta e ne sottovalutano l’importanza.
7. Interoperabilità tra piattaforme: le etichette devono essere standardizzate e leggibili da diversi sistemi per evitare fragmentazione.
8. Aggiornamento continuo: i modelli IA evolvono rapidamente; le regole di etichettatura devono essere riviste periodicamente.
9. Trasparenza dei dati di addestramento: conoscere le fonti dei dati di training è fondamentale per valutare bias e limitazioni, ma raramente è incluso nell’etichetta.
10. Meccanismi di verifica: è indispensabile sviluppare strumenti di auditing e verifica indipendente per convalidare le affermazioni riportate nell’etichetta.

Perché l’etichettatura da sola non basta

Le tesi evidenziano un punto cruciale: la fiducia non nasce solo dall’informazione ma dal contesto, dalla comprensione e dalla responsabilità condivisa. Un’etichetta può segnalare la presenza di IA, ma non spiega se il contenuto è stato revisionato da un esperto umano, se rispetta norme etiche o se è stato addestrato su dati problematici. Senza questi elementi aggiuntivi, il pubblico resta vulnerabile a disinformazione, manipolazione e perdita di credibilità dei media.

Implicazioni per editori e piattaforme

Per i professionisti del settore, il documento suggerisce una serie di azioni concrete:

Implementare standard di etichettatura riconosciuti a livello europeo, garantendo coerenza tra piattaforme.
Integrarsi con sistemi di verifica indipendenti che possano certificare la conformità dei contenuti alle linee guida etiche.
Investire in programmi di alfabetizzazione digitale per il pubblico, spiegando il significato e i limiti delle etichette IA.
Sviluppare politiche di responsabilità che definiscano chiaramente chi è il soggetto legale per eventuali danni causati da contenuti generati.

Il ruolo di iRights.Lab e della comunità

iRights.Lab, oltre a pubblicare il documento, offre risorse informative su diritto d’autore e creatività digitale attraverso iRights.info. Tutti i contenuti sono gratuiti e open‑source, e il progetto si sostiene tramite donazioni sulla piattaforma Betterplace, con possibilità di ottenere ricevute fiscali. La comunità è invitata a contribuire, sia finanziariamente sia partecipando al dibattito sulle future normative e pratiche di etichettatura.

Conclusioni

Il nuovo paper di iRights.Lab rappresenta un importante contributo al dibattito su come garantire fiducia e trasparenza nei media dell’era dell’IA generativa. Le dieci tesi proposte mostrano che l’etichettatura, sebbene fondamentale, deve essere accompagnata da standard condivisi, verifica indipendente, educazione dell’utente e responsabilità legale. Solo attraverso un approccio integrato sarà possibile preservare l’autenticità e la credibilità dei contenuti digitali in un futuro sempre più dominato dalle macchine.