Sono bastate 24 ore a Google per capire che aveva fatto una follia. Fondere nello stesso ambiente la realtà satellitare e la finzione.
Era nato il più grande motore di disinformazione al mondo: un inquinamento dei pozzi di base dell’informazione, ossia quelle fonti primarie – per giornali, attivisti – che sono le immagini satellitari.
Il 30 luglio 2026 Google aveva presentato nell’annuncio della nuova funzione il comando “Crea immagine”: l’utente inquadrava un luogo sul web e descriveva l’evento da visualizzare.
Il 31 luglio l’azienda lo ha disattivato, dopo la circolazione di screenshot contrari alle sue policy, annunciando controlli più rigorosi. Qualcuno potrebbe dire: com’è possibile che Google – dopo anni di discussioni sulle implicazioni etiche dei deepfake – non ci abbia pensato prima, alle possibili conseguenze?
I test raccontati dal media Npr e dal ricercatore open source Henk van Ess hanno mostrato incendi inesistenti sull’isola iraniana di Kharg (forse segno di un attacco americano, ancora possibile), un Campidoglio statunitense circondato dall’acqua, danni a ospedali e incidenti in aree urbane. La funzione era stata presentata da Google come uno strumento creativo e certo non è il solo modo per fare immagini false con AI.
Inserita dentro Earth, però, la funzione ereditava l’autorità visiva di una piattaforma che giornalisti, analisti e cittadini usano da anni per orientarsi, geolocalizzare contenuti e confrontare lo stato dei luoghi.
Indice degli argomenti
Immagini satellitari generate dall’AI: che cosa è successo
La decisione di Google ha ridotto il rischio immediato, ma lascia aperta la questione di progetto.
Un generatore generalista può produrre una scena fantastica senza particolare ambiguità quando l’interfaccia, il formato e il contesto la dichiarano come tale. In una mappa planetaria, la stessa scena appare collocata in coordinate reali, accanto a strade, porti, centrali e confini riconoscibili. Lo screenshot conserva questi indizi di autenticità e può perdere le informazioni che segnalano la generazione.
Google ha ricordato che gli output contenevano SynthID, la filigrana impercettibile sviluppata da Google DeepMind e incorporata nei pixel per consentire il riconoscimento dei contenuti sintetici. La misura è rilevante, ma risponde a una domanda circoscritta: un verificatore compatibile riesce a trovare il segnale? Un’immagine che circola durante una crisi pone domande ulteriori: chi l’ha prodotta, attraverso quale processo, quando, a partire da quale fonte e quale evento reale documenta?
Una simulazione visiva non è un dato di telerilevamento
La distinzione tecnica aiuta a capire la gravità del caso. Un’immagine satellitare scientificamente utilizzabile nasce da una catena di acquisizione: sensore, orbita o piattaforma, ora di passaggio, geometria di ripresa, bande spettrali, risoluzione, calibrazione radiometrica, livello di processamento e sistema di coordinate. Questi elementi permettono di misurare, confrontare serie temporali e stimare l’incertezza.
Una scena generata dall’AI produce pixel statisticamente plausibili. Non ha osservato radiazione riflessa o emessa dalla superficie e non possiede, per origine, la semantica fisica delle misure. Può imitare fumo, crateri, edifici collassati o una chiazza di petrolio; non offre la corrispondente evidenza spettrale o termica. Anche Google Earth, va ricordato, mostra una composizione visuale proveniente da date e fornitori diversi, non un flusso satellitare in diretta. La generazione aggiunge una trasformazione qualitativa: introduce oggetti ed eventi che non appartengono ad alcuna acquisizione.
Il problema era noto alla ricerca prima dell’attuale ondata di modelli generativi. Nello studio peer reviewed “Deep fake geography? When geospatial data encounter Artificial Intelligence”, pubblicato nel 2021 su Cartography and Geographic Information Science, Bo Zhao e colleghi dell’Università di Washington usarono reti generative per trasferire caratteristiche urbane tra Seattle, Tacoma e Pechino. Il lavoro mostrava sia la plausibilità delle geografie sintetiche sia la possibilità di cercare anomalie nel colore, nella tessitura e nel dominio delle frequenze. La conclusione metodologica conserva valore: generazione e rilevazione evolvono insieme, quindi un indizio forense efficace contro un modello può perdere forza contro il successivo.
Il danno maggiore è il dividendo del bugiardo
La prima conseguenza è la produzione più economica di falsi. Un’operazione che richiedeva compositing, conoscenza geospaziale e tempo diventa accessibile attraverso poche parole. L’integrazione con la mappa aggiunge automaticamente luogo, scala e contesto, cioè alcuni degli elementi che rendono credibile una presunta prova satellitare.
La seconda conseguenza riguarda le immagini autentiche. Nel saggio “Deep Fakes: A Looming Challenge for Privacy, Democracy, and National Security”, pubblicato nel 2019 sulla California Law Review, Bobby Chesney e Danielle Citron hanno definito “liar’s dividend” il vantaggio ottenuto da chi può liquidare una prova reale come manipolazione. Nell’esperimento “Deepfakes and Disinformation”, condotto su un campione per quote di 2.005 adulti britannici e pubblicato nel 2020 su Social Media + Society da Cristian Vaccari e Andrew Chadwick, un video politico deepfake tendeva ad accrescere soprattutto l’incertezza e a ridurre la fiducia nelle notizie, anche quando non riusciva a ingannare tutti i partecipanti. Applicato alle immagini satellitari, il risultato più pericoloso può essere un ambiente in cui ogni parte in conflitto dispone di una smentita pronta: “è generata”.
Anche la velocità conta. Lo studio “The Spread of True and False News Online” di Soroush Vosoughi, Deb Roy e Sinan Aral, pubblicato su Science nel 2018 e basato su circa 126.000 storie diffuse su Twitter da circa tre milioni di persone tra il 2006 e il 2017, trovò che le notizie false viaggiavano più lontano, più rapidamente e più in profondità di quelle vere. Lo studio non riguardava immagini satellitari né dimostra che ogni falso segua la stessa dinamica. Documenta però un’asimmetria operativa: la verifica richiede tempo, mentre una scena emotivamente forte può raggiungere il pubblico prima che siano disponibili nuove acquisizioni o controlli indipendenti.
Perché SynthID e i detector non bastano
Watermark, rilevatori forensi e provenienza crittografica affrontano parti diverse del problema. Il rapporto del National Institute of Standards and Technology “Reducing Risks Posed by Synthetic Content: An Overview of Technical Approaches to Digital Content Transparency”, pubblicato nel novembre 2024, organizza le contromisure in famiglie complementari: autenticazione e provenienza, watermarking ed etichettatura, rilevazione dei contenuti sintetici, test e auditing. Il documento mette in evidenza limiti, compromessi e necessità di combinare le tecniche.
Un watermark incorporato come SynthID può resistere a diverse trasformazioni e permette alla piattaforma di riconoscere i propri output. La sua assenza non certifica che un’immagine sia vera: il file può provenire da un altro generatore, essere stato alterato oppure sottoposto a una trasformazione che rende il segnale non rilevabile. La presenza dimostra la generazione o manipolazione rilevata dal sistema, non la falsità di ogni elemento rappresentato: un modello può modificare una fotografia reale o visualizzare correttamente un evento per ragioni accidentali.
I detector che analizzano artefatti nei pixel affrontano un problema di generalizzazione. La rassegna scientifica “Media Forensics and DeepFakes: An Overview” di Luisa Verdoliva, pubblicata nel 2020 su IEEE Journal of Selected Topics in Signal Processing, descrive una gara continua tra tecniche di sintesi e analisi. Compressione, ridimensionamento, ritaglio e passaggi attraverso le piattaforme alterano le tracce; nuovi generatori possono produrre distribuzioni diverse da quelle usate per addestrare il rilevatore. Un responso probabilistico, senza conoscenza del modello e della catena di trasformazioni, non dovrebbe diventare da solo un verdetto giornalistico o giudiziario.
La provenienza firmata proposta dalla Coalition for Content Provenance and Authenticity, consorzio che sviluppa uno standard tecnico aperto per l’origine e la storia dei contenuti digitali, aggiunge un registro verificabile delle modifiche. Anche qui serve precisione: una credenziale valida attesta la catena dichiarata e l’identità del firmatario, non la verità dell’evento ripreso. Uno screenshot può inoltre interrompere il collegamento con i metadati, a meno che il sistema disponga di meccanismi durevoli per recuperarli. La provenienza riduce l’ambiguità della filiera; la verifica fattuale richiede sempre riscontri esterni.
Come si verifica un presunto attacco visto dallo spazio
La risposta operativa parte dall’originale, non dallo screenshot. Il Berkeley Protocol on Digital and Open Source Investigations, pubblicato nel 2022 dall’Ufficio dell’Alto commissario delle Nazioni Unite per i diritti umani e dallo Human Rights Center dell’Università della California, Berkeley, indica principi per raccolta, conservazione, verifica e analisi delle fonti digitali. Applicati al telerilevamento, richiedono una catena documentata e la corroborazione tra fonti indipendenti.
Per un presunto incendio a Kharg, il controllo dovrebbe quindi cercare l’immagine alla fonte, l’ora di acquisizione, il fornitore e gli eventuali dati multispettrali. Le anomalie termiche possono essere confrontate con il sistema pubblico Firms della Nasa, che distribuisce rilevazioni di incendi attivi da Modis e Viirs. Le scene ottiche Sentinel-2 e le osservazioni radar Sentinel-1 accessibili dal Copernicus Data Space Ecosystem offrono riscontri con sensori e proprietà differenti; il radar può operare di notte e attraversare le nuvole, ma richiede competenza per distinguere danni, acqua, rugosità e artefatti. Meteo, direzione del vento, ombre, notizie locali e immagini terrestri completano la verifica.
L’assenza di un segnale in una singola fonte non chiude il caso. Un satellite può non essere passato nel momento giusto, le nuvole possono coprire la scena, un incendio piccolo può restare sotto la risoluzione del sensore e i prodotti “near real time” hanno latenze. La conclusione corretta deve riportare il grado di confidenza e le evidenze disponibili, evitando sia l’autenticazione affrettata sia la smentita automatica.
L’AI Act fissa un minimo, la sicurezza richiede di più
Il tempismo rende il caso rilevante anche per l’Europa. L’articolo 50 del Regolamento europeo sull’intelligenza artificiale, applicabile dal 2 agosto 2026, impone ai fornitori di sistemi che generano contenuti sintetici di marcare gli output in un formato leggibile dalla macchina e rilevabile come artificiale o manipolato; per i deepfake prevede inoltre obblighi di trasparenza a carico di chi li utilizza, con le eccezioni stabilite dalla norma.
SynthID va nella direzione della marcatura richiesta. L’episodio Google Earth mostra la distanza tra conformità informativa e gestione del rischio. Un’etichetta invisibile funziona soltanto se il destinatario possiede lo strumento adatto, sa di doverlo usare e riceve un file nel quale il segnale è rimasto rilevabile. Durante le prime ore di una crisi, gran parte del pubblico vede screenshot compressi, ritagliati o ripubblicati senza contesto.
Per le piattaforme geospaziali serve quindi una progettazione specifica.
Le funzioni generative dovrebbero vivere in un ambiente visivamente separato dalla vista osservativa; ogni output dovrebbe avere marcature manifeste persistenti, anche nel ritaglio, insieme a credenziali verificabili e a un registro della generazione. Servono limiti per siti e scenari ad alto rischio, test avversariali condotti con investigatori Osint, canali rapidi di verifica per redazioni e autorità, conservazione dei prompt nei casi di abuso e procedure di risposta che non dipendano dalla sola moderazione successiva.
Google Earth e il nuovo confine della fiducia geospaziale
Il ritiro rapido ha impedito che la funzione diventasse una componente stabile di Earth, ma la capacità tecnica di produrre falsi satellitari resta disponibile in molti altri strumenti. La lezione riguarda il ruolo dell’interfaccia: coordinate, cartografia e marchio della piattaforma possono conferire a pixel sintetici un’apparenza documentale superiore a quella del generatore isolato.
La fiducia nelle prove geospaziali potrà reggere soltanto con una filiera verificabile: acquisizione identificata, provenienza durevole, marcature visibili, accesso ai dati originali e confronto tra sensori indipendenti.
Giornalisti e analisti dovranno trattare ogni screenshot come una pista da verificare. Le piattaforme che ospitano insieme osservazione e generazione, invece, assumono un onere ulteriore: impedire che la forza probatoria accumulata dal primo servizio diventi il moltiplicatore di credibilità del secondo.
Su tutto questo siamo all’anno zero. Le capacità dell’AI avanzano invece. E la consapevolezza delle big tech sulle proprie responsabilità non sembra ancora perfetta.
Partecipa alla community