Watermark nei testi generati dall'intelligenza artificiale
Come funzionano, quanto sono affidabili e quali conseguenze avranno per aziende e professionisti
Approfondimento scientifico-divulgativo
Aggiornato all'8 ottobre 2026
Come funziona un watermark invisibile
Quando un modello linguistico genera un testo, non seleziona semplicemente parole già stabilite.
A ogni passaggio calcola una distribuzione di probabilità sui possibili token successivi. Un token può corrispondere a una parola, a parte di una parola o a un altro elemento linguistico.
Le tecnologie di watermarking intervengono proprio su questo processo.
Attraverso modifiche controllate alle probabilità o alle procedure di selezione dei token, il sistema introduce una regolarità statistica nel testo prodotto.
Questa regolarità può essere successivamente cercata da un rilevatore che conosce il metodo utilizzato.
Non si tratta necessariamente di caratteri invisibili, spazi nascosti o codici inseriti nel documento. Il segnale può essere incorporato nelle scelte linguistiche del modello.
Una persona che legge normalmente il testo non dovrebbe percepire differenze evidenti.
Per approfondire il principio tecnico_
Kirchenbauer et al., A Watermark for Large Language Models (2023). https://arxiv.org/abs/2301.10226
Le principali tecnologie
Google — SynthID Text
Google DeepMind ha sviluppato SynthID Text, una tecnologia che introduce un segnale statistico durante la generazione del testo.
Il metodo utilizza una procedura chiamata Tournament sampling.
La ricerca è stata pubblicata sulla rivista scientifica Nature, fornendo una descrizione del metodo e valutazioni sperimentali.
Fonte scientifica: https://www.nature.com/articles/s41586-024-08025-4
OpenAI — textGrain
Nell'ottobre 2026 OpenAI ha documentato textGrain, una tecnologia per inserire segnali di provenienza negli output testuali.
La documentazione descrive un'introduzione progressiva per gli output idonei nell'Unione Europea e opzioni specifiche per gli sviluppatori che utilizzano le API.
È importante distinguere la disponibilità della tecnologia dalla possibilità di effettuare verifiche: gli strumenti di rilevazione non sono necessariamente accessibili a qualsiasi utente.
Le valutazioni pubblicate dal produttore costituiscono informazioni tecniche rilevanti, ma non devono essere confuse con una validazione scientifica indipendente.
Documentazione ufficiale: https://help.openai.com/en/articles/8912793-provenance-signals-in-openai-generated-content
Anthropic — Claude
Anthropic ha descritto un sistema di watermarking testuale basato su una versione della tecnologia SynthID Text.
Anche in questo caso il rilevamento richiede strumenti specifici e presenta limitazioni legate alla lunghezza, alla struttura e alle eventuali modifiche del contenuto.
Documentazione ufficiale: https://www.anthropic.com/news/claude-text-watermark
Watermark e AI detector: non sono la stessa cosa
È essenziale distinguere due approcci.
Rilevatore generico di testi AI
Analizza caratteristiche linguistiche, statistiche e stilistiche per stimare se un contenuto possa essere stato generato artificialmente.
Non richiede che il modello abbia inserito un segnale intenzionale.
Rilevatore di watermark
Cerca invece una particolare impronta statistica inserita durante la generazione.
Questo secondo approccio può offrire informazioni più specifiche sulla provenienza, ma soltanto quando il testo è stato prodotto da un sistema compatibile e il segnale è ancora sufficientemente riconoscibile.
In entrambi i casi esistono margini di errore.
Un risultato positivo non dimostra necessariamente che l'intero documento sia stato prodotto dall'AI. Un risultato negativo non dimostra che il testo sia umano.
Quanto sono affidabili questi strumenti?
L'affidabilità non può essere rappresentata da un'unica percentuale valida in qualsiasi situazione.
Le principali misure utilizzate negli studi scientifici sono:
True Positive Rate (TPR): percentuale di testi effettivamente contrassegnati che vengono riconosciuti.
False Positive Rate (FPR): percentuale di testi privi del watermark che vengono erroneamente segnalati come positivi.
Precision: quota dei risultati positivi che corrisponde effettivamente a testi contrassegnati.
Robustezza: capacità di rilevare il segnale dopo modifiche del testo.
Un aspetto spesso trascurato è che l'affidabilità percepita dipende anche dalla frequenza dei testi realmente contrassegnati.
Per esempio, ipotizziamo di esaminare 10.000 documenti, dei quali soltanto l'1% contiene un determinato watermark.
Se il rilevatore riconoscesse il 90% dei documenti contrassegnati e producesse l'1% di falsi positivi, otterremmo approssimativamente 90 risultati positivi corretti e 99 falsi positivi.
In questa situazione, meno della metà dei documenti segnalati positivamente conterrebbe davvero quel watermark.
Si tratta di un esempio matematico, non delle prestazioni dichiarate di un prodotto specifico. Mostra perché la precisione dei risultati dipende anche dal contesto in cui viene utilizzato il rilevatore.
Cosa succede quando un testo viene modificato?
Uno dei principali limiti del watermarking testuale riguarda le trasformazioni successive alla generazione.
Un documento può essere:
corretto manualmente;
abbreviato;
tradotto;
riformulato;
integrato con parti scritte da persone;
sottoposto a una riscrittura automatica.
Queste operazioni possono modificare o eliminare parte del segnale statistico.
Il benchmark indipendente Watermark under Fire, pubblicato nei Findings of EMNLP 2025, ha valutato diversi sistemi di watermarking in presenza di manipolazioni.
In una specifica configurazione sperimentale, con tasso di falsi positivi fissato all'1%, sono stati osservati i seguenti risultati per SynthID Text:
Condizione sperimentale | Tasso di rilevamento |
Testo originale | 99,8% |
Sostituzione con sinonimi | 91,9% |
Introduzione di refusi | 32,1% |
Parafrasi DIPPER-40 | 49,8% |
Traduzione e retro-traduzione | 23,2% |
Questi numeri non rappresentano l'affidabilità universale di SynthID Text. Descrivono una specifica implementazione, un determinato modello e particolari condizioni di test.
Dimostrano tuttavia che la robustezza alle modifiche è un problema concreto.
Fonte: Watermark under Fire: A Robustness Evaluation of LLM Watermarking, Findings of EMNLP 2025. https://aclanthology.org/2025.findings-emnlp.1148/
Un altro studio rilevante è:
Krishna et al., Paraphrasing evades detectors of AI-generated text, but retrieval is an effective defense (2023). https://arxiv.org/abs/2303.13408
Quali conseguenze per le imprese?
La diffusione di queste tecnologie potrebbe modificare il modo in cui le organizzazioni gestiscono la produzione e la verifica dei contenuti.
Comunicazione e marketing
Un watermark può fornire informazioni sulla provenienza tecnica di un testo, ma non stabilisce se i contenuti siano corretti, originali o appropriati.
La responsabilità editoriale rimane centrale.
Risorse umane
Utilizzare il risultato di un rilevatore come unica prova per contestare un curriculum, una lettera motivazionale o una prova scritta sarebbe metodologicamente rischioso.
I falsi positivi e le differenze fra sistemi impongono verifiche ulteriori.
Editoria e informazione
Il watermark può contribuire alla trasparenza, ma non sostituisce la verifica delle fonti e dei fatti.
Un contenuto generato dall'intelligenza artificiale può essere accurato oppure contenere errori, indipendentemente dalla presenza di un watermark.
Governance aziendale
Le organizzazioni dovrebbero documentare quali strumenti AI vengono utilizzati, quali contenuti vengono generati, chi effettua le revisioni e chi autorizza la pubblicazione.
Questi controlli sono particolarmente importanti quando i documenti hanno valore contrattuale, reputazionale o regolatorio.
Il quadro normativo europeo
L'AI Act europeo introduce obblighi di trasparenza relativi a determinate categorie di contenuti generati o manipolati artificialmente.
L'articolo 50 prevede disposizioni rivolte ai fornitori di sistemi AI e, in specifiche circostanze, ai soggetti che utilizzano tali sistemi.
Gli obblighi di trasparenza previsti dall'articolo 50 sono applicabili dal 2 agosto 2026.
La disciplina distingue tra la marcatura tecnica dei contenuti e la comunicazione al pubblico della loro natura artificiale.
Non è quindi corretto affermare che ogni testo aziendale redatto con l'assistenza dell'AI debba automaticamente essere accompagnato dalla stessa dichiarazione.
Occorre considerare la tipologia di contenuto, il soggetto coinvolto, le eventuali eccezioni e la responsabilità editoriale.
Riferimenti istituzionali:
Regolamento europeo sull'intelligenza artificiale: https://eur-lex.europa.eu/eli/reg/2024/1689/oj
Commissione Europea — Codice di buone pratiche sulla trasparenza: https://digital-strategy.ec.europa.eu/en/policies/code-practice-ai-generated-content
Come dovrebbero comportarsi le aziende?
L'approccio più prudente non consiste nel delegare la valutazione di un documento a un singolo strumento automatico.
È preferibile costruire un processo di verifica articolato.
Cinque misure operative:
Definire una policy interna sull'utilizzo dell'intelligenza artificiale nella produzione dei contenuti.
Conservare, quando opportuno, le versioni originali e la cronologia delle revisioni.
Prevedere la verifica umana dei contenuti destinati alla pubblicazione o a decisioni rilevanti.
Non utilizzare i risultati dei detector come prova conclusiva senza riscontri indipendenti.
Valutare periodicamente i nuovi strumenti di provenance e le evoluzioni normative.
Il watermarking può diventare una componente importante dei sistemi di controllo, ma deve essere integrato con procedure organizzative e responsabilità chiaramente definite.
Conclusioni
I watermark invisibili rappresentano un progresso significativo nella ricerca sulla provenienza dei contenuti generati dall'intelligenza artificiale.
La loro utilità è concreta: possono fornire un segnale tecnico che aiuta a riconoscere l'intervento di determinati sistemi generativi.
La ricerca scientifica dimostra però che la rilevazione dipende da numerosi fattori: lunghezza del testo, lingua, modello utilizzato, configurazione del sistema e modifiche successive.
Non esiste, allo stato attuale delle evidenze considerate, una tecnologia capace di stabilire infallibilmente se qualsiasi testo sia stato scritto da una persona o da un'intelligenza artificiale.
Soprattutto, il watermark non permette di giudicare automaticamente la veridicità, la qualità o la responsabilità editoriale di un documento.
La questione non è soltanto riconoscere l'intelligenza artificiale. È capire quali conclusioni possiamo legittimamente trarre dagli strumenti che utilizziamo per riconoscerla.
Bibliografia essenziale
Kirchenbauer et al. (2023), A Watermark for Large Language Models. https://arxiv.org/abs/2301.10226
Dathathri et al. (2024), Scalable watermarking for identifying large language model outputs, Nature. https://www.nature.com/articles/s41586-024-08025-4
Watermark under Fire: A Robustness Evaluation of LLM Watermarking, Findings of EMNLP (2025). https://aclanthology.org/2025.findings-emnlp.1148/
Krishna et al. (2023), Paraphrasing evades detectors of AI-generated text, but retrieval is an effective defense. https://arxiv.org/abs/2303.13408
Google DeepMind, documentazione SynthID. https://deepmind.google/blog/watermarking-ai-generated-text-and-video-with-synthid/
OpenAI, documentazione sulla provenienza dei contenuti. https://help.openai.com/en/articles/8912793-provenance-signals-in-openai-generated-content
Anthropic, documentazione sul watermarking testuale. https://www.anthropic.com/news/claude-text-watermark
Parlamento Europeo e Consiglio, Regolamento (UE) 2024/1689. https://eur-lex.europa.eu/eli/reg/2024/1689/oj
Commissione Europea, Code of Practice on Transparency of AI-generated Content. https://digital-strategy.ec.europa.eu/en/policies/code-practice-ai-generated-content
Nota metodologica: i risultati sperimentali citati sono riferiti alle condizioni specifiche degli studi. Le informazioni dichiarate dai produttori non sono automaticamente equivalenti a verifiche indipendenti.
