Le immagini AI non ingannano più di quelle reali

Il test su 77 partecipanti mostra che la rappresentazione visiva conta più della provenienza dell’immagine

Un dato di benchmark ribalta un’assunzione da checklist: quando un test su 77 partecipanti mostra che un’immagine generata con ChatGPT Images 2.0 batte di 0,4 punti la stock reale sull’autenticità, il problema non è più se l’AI visiva affondi la fiducia.

È se continuiamo a misurarla sulla provenienza invece che sulla rappresentazione.

Il contesto delle pagine dei risultati di ricerca (SERP) amplifica il peso di questa prova. Il dato di Pew Research Center è netto: gli utenti che incontrano un riepilogo AI cliccano su un link di ricerca tradizionale nell’8% delle visite, mentre quelli che non lo incontrano cliccano quasi il doppio delle volte (15%), come mostra il tasso di clic dai riepiloghi AI. In parallelo, il comportamento di scelta nelle shortlist AI dice che circa tre consumatori su quattro scelgono il primo risultato, a meno che non appaia un marchio già fidato. La prima impressione visiva non è un dettaglio: è un asset competitivo.

Lo studio NN/g: 10 secondi, 6 immagini, una differenza da 0,4 punti

Il test ha confrontato sei versioni di una pagina web di una fittizia società di consulenza. Le pagine erano identiche tranne che per l’immagine hero: tre usavano immagini stock generate da AI e tre immagini stock reali. I partecipanti, senza informazione sull’uso di immagini AI, hanno visualizzato ogni pagina per 10 secondi di visualizzazione e hanno valutato l’affidabilità, la professionalità e l’autenticità dell’azienda.

Le immagini reali includevano le fotografie di Vitaly Gariev da Unsplash+ per Real 1 e Real 2, e la fotografia di Jana Murr da iStock per Real 3. Il risultato principale non lascia spazio al panico: non è stata trovata alcuna prova che le immagini generate da AI riducessero la fiducia nel sito web dell’azienda. Le pagine con immagini AI hanno ricevuto valutazioni leggermente più alte su tutte e tre le misure.

La differenza tra AI e stock era statisticamente significativa solo per l’autenticità. L’aumento stimato dovuto all’immagine AI era molto piccolo: su una scala da 1 a 7. I t-test senza differenze significative in affidabilità, autenticità o professionalità, con l’eccezione di test che coinvolgevano un’immagine, chiudono il discorso sulla presunta tossicità visiva dell’AI.

Il segnale qualitativo è più interessante. Le pagine web che utilizzavano sia immagini generate da AI sia immagini reali hanno ricevuto molti commenti positivi che le indicavano come affidabili, in gran parte per le rappresentazioni di collaborazione e lavoro di squadra. Un’immagine reale (Real Image 1) ha invece suscitato diversi commenti negativi sulla rappresentazione, la gerarchia e il linguaggio del corpo.

Il vero ranking signal è la diversità, non l’origine

La diversità razziale e di genere è stata menzionata ripetutamente quando i partecipanti spiegavano perché apprezzavano o non apprezzavano determinate immagini. Diverse immagini generate da AI nello studio hanno suscitato commenti positivi sulla diversità e l’inclusione percepita. Tra le immagini reali meglio accolte ce n’era una che raffigurava un gruppo razzialmente diversificato con una donna in un ruolo di leadership.

La lezione per chi ottimizza un sito non è “l’AI è innocua”. È che il commento sull’origine dell’immagine non era una priorità per la stragrande maggioranza dei partecipanti. Alcuni hanno condiviso i sospetti sull’uso dell’AI nelle risposte aperte, ma a volte le immagini reali classificate erroneamente come AI hanno mostrato che l’occhio umano non distingue la fonte quando l’esposizione dura 10 secondi.

Il vocabolario tecnico aiuta a separare i problemi veri dai falsi allarmi. AI Slop indica contenuto generato dall’AI di bassa qualità e prodotto in massa, plausibile in superficie ma sciatto o non verificato. AI Washing indica affermazioni false, fuorvianti o esagerate sull’uso dell’AI. L’antropomorfismo dei sistemi AI è l’attribuzione di qualità umane come sentimenti o intenzioni, mentre il bias nei dati è una distorsione sistematica che svantaggia ingiustamente gruppi o punti di vista.

Da domani: audit visivi sulla rappresentazione, non etichette di origine

Sul fronte degli strumenti per la Generative Engine Optimization (GEO), il mercato si divide. I SEO valutano l’utilità dei dati di visibilità AI con un 4,20 su 5, ma quasi un terzo dei partecipanti boccia l’investimento in piattaforme per la visibilità AI con 1 o 2 su 5. Lo stesso punteggio di 4,20 su 5 per l’utilità dei dati di visibilità AI emerge in un report dedicato alla fiducia nei dati di visibilità AI.

Chi fa SEO non deve più chiedersi se dichiarare le immagini AI. Deve trattare ogni hero image, ogni visual di landing page, come un test di posizionamento umano: la domanda è se il gruppo raffigurato appare collaborativo, se la gerarchia è leggibile, se la diversità razziale e di genere è reale e non costruita. Il test NN/g dice che la fiducia si sposta su la rappresentazione visiva di collaborazione e leadership. Chi presidia il traffico organico dovrebbe aggiungere ai propri audit tecnici una verifica qualitativa delle immagini: non per escludere l’AI, ma per escludere rappresentazioni che generano attrito.

Il dato non dice “usa immagini AI”. Dice: smetti di ottimizzare per l’origine e inizia a ottimizzare per la percezione di collaborazione e inclusione.

Domani mattina il piano è operativo: sostituisci i visual con dinamiche di squadra leggibili in 10 secondi, verifica la leadership femminile o non stereotipata, fai test ciechi su 5-6 varianti con utenti reali e misura affidabilità e autenticità, non solo clic. La SEO visiva non è una questione di algoritmo: è una questione di rappresentazione.