L’offerta è allettante: semi di fiori dai petali cangianti che sbocciano a forma di uccelli, farfalle o teste di gatto. Peccato che quelle piante non esistano e le immagini mozzafiato che le ritraggono siano state create con l’intelligenza artificiale generativa. È l’ennesima evoluzione di una truffa che sfrutta la distanza tra il desiderio del collezionista e la realtà biologica, potenziata oggi da strumenti capaci di produrre in pochi secondi illustrazioni fotorealistiche.

Il meccanismo è semplice e ha radici che precedono l’accesso di massa ai generatori di immagini. Da anni i venditori disonesti caricano su marketplace generalisti semi di piante rare o dai colori improbabili, accompagnandoli con foto ritoccate o rubate. La novità è la scala: servizi come Midjourney, Stable Diffusion o DALL·E hanno abbassato la barriera tecnica quasi a zero, permettendo a chiunque di creare cataloghi botanici del tutto fittizi. Il risultato è un diluvio di inserzioni ingannevoli che piattaforme da miliardi di utenti – eBay, Amazon, Etsy – non riescono a moderare in modo efficace, nonostante policy sempre più severe sui contenuti generati artificialmente.

Oltre la truffa: la commoditizzazione della finzione visiva

Il caso dei semi-fake è la punta di un iceberg più ampio che riguarda la facilità con cui oggi si può produrre disinformazione visiva credibile. Non servono più competenze di fotoritocco: bastano un prompt ben scritto e qualche credito su un servizio cloud. Questa democratizzazione porta con sé un rovesciamento del rapporto costo-beneficio per i truffatori: l’investimento è prossimo allo zero, il guadagno potenziale resta alto grazie alla curiosità di acquirenti che sperano nell’affare botanico.

Dal punto di vista di chi si occupa di infrastrutture di intelligenza artificiale, la vicenda segnala un problema di governance che va oltre il giardinaggio. La stessa tecnicia che consente di generare un fiore inesistente è in grado di produrre documenti, volti, voci e testi ingannevoli. In un contesto enterprise, dove l’adozione di Large Language Models e sistemi generativi avviene spesso su stack on-premise per ragioni di sovranità sui dati e conformità, la sfida non è solo prevenire l’uso illecito, ma anche costruire filtri e strumenti di verifica che non dipendano da servizi esterni. Chi gestisce modelli in locale sa che un’architettura di validazione interna – che combini analisi forense delle immagini, watermarking e auditing automatizzato – diventa un tassello imprescindibile di una strategia di AI affidabile.

Quando l’AI si mangia la fiducia

Per le piattaforme di e-commerce, la proliferazione di annunci fasulli innesca una crisi di fiducia difficile da arginare con i soli sistemi automatici. I modelli di rilevamento di immagini AI-generated sono ancora in fase di maturazione e soffrono di tassi di errore elevati quando devono operare su volumi enormi e su contenuti eterogenei. La corsa agli armamenti tra generatori e rilevatori ricorda quella tra spammer e filtri antispam di vent’anni fa, con la differenza che oggi il materiale sintetico può essere indistinguibile dalla realtà anche per un occhio allenato.

Per chi valuta un deployment on-premise di tecnicie generative, il caso dei semi fasulli offre una lezione trasversale: ogni volta che un’organizzazione espone all’esterno un output generato (che sia un report, una risposta automatica o una campagna creativa), deve poter certificare la provenienza e la non artificiosità del contenuto, oppure accettare il rischio reputazionale della manipolazione. In ambienti regolamentati, dal finance alla sanità, la capacità di eseguire verifiche di autenticità sul perimetro aziendale – senza inviare dati a servizi cloud – non è un lusso, ma un requisito di compliance. AI-RADAR segue questi sviluppi proprio per mappare i trade-off tra performance, costo e controllo quando si decide di portare l’AI dentro i propri cancelli.

Oltre il fiore finto

La notizia dei semi generati con l’AI non è solo una curiosità virale: è un indicatore della velocità con cui le capacità generative si traducono in comportamenti opportunistici. Mentre i legislatori discutono di watermark obbligatori e le big tech investono in sistemi di content authenticity, il mercato nero delle illusioni digitali si allarga a ogni rilascio di un modello più potente. Per le aziende che scelgono la via dell’AI self-hosted, l’occasione è duplice: da un lato proteggere i propri dati e i propri clienti dalle stesse derive, dall’altro costruire pipeline di verifica che diventino un vantaggio competitivo, trasformando l’affidabilità in un asset misurabile.