SAFE analizza artefatti generativi tra canali, ma la policy sui contenuti inautentici non dichiara soglie di rilevamento.

Secondo stime riportate dal Guardian, i canali dedicati all’AI slop hanno accumulato 63 miliardi di visualizzazioni e 221 milioni di iscritti, generando circa 117 milioni di dollari di ricavi all’anno. Eppure YouTube ripete che questo tipo di contenuto «è sempre stato escluso dalla monetizzazione». Dietro la contraddizione, Google presenta SAFE, un’architettura multi-agente automatizzata per l’analisi forense scalabile di media sintetici avversariali. È il tipo di discrepanza che, in un report di analytics, farebbe scattare una revisione: numeri in crescita e una regola che nega la monetizzazione. Qualcosa non torna, e vale la pena leggerla come un test: se il traffico non era monetizzabile, perché serviva aggiornare la policy?

Il mercato fantasma da 117 milioni

Il paradosso economico è il punto di partenza. Quei 117 milioni non sono dati di bilancio verificati: sono stime, e come tali andrebbero trattate con la stessa cautela che riserviamo a un campione non dichiarato in un A/B test. Non sappiamo quanto di quella cifra dipenda da monetizzazione diretta, da accordi di sponsorizzazione o da altri flussi; la stima non fornisce una scomposizione. Ma l’ordine di grandezza basta a creare una tensione.

Il 15 luglio 2025, oltre un anno fa, YouTube ha aggiornato la policy, rinominandola da «contenuti ripetitivi» a «contenuti inautentici» e precisando che include contenuti ripetitivi o prodotti in serie. La nota ufficiale aggiunge che questo tipo di contenuto è sempre stato escluso dalla monetizzazione, perché i creator vengono premiati per contenuti originali e autentici. È qui che il ragionamento si incrina: se era già escluso, perché cambiare nome e definizione? La nota non offre un confronto tra volume di contenuti classificati e ricavi stimati, lasciando aperta la domanda su quanto la policy fosse davvero applicata.

Non è solo spam: l’anatomia dell’inautentico

La risposta tecnica di Google non si limita a classificare. SAFE, secondo il paper, impiega algoritmi proprietari che analizzano contenuti testuali e multimediali per identificare «artefatti generativi», marcatori sottili di produzione sintetica condivisi tra canali. Non si tratta di un semplice filtro anti-spam per keyword, ma di un’infrastruttura che cerca pattern condivisi tra account che, singolarmente, potrebbero apparire legittimi. In termini di test, è come passare da una segmentazione basata su regole a un modello che cerca tracce non dichiarate nei dati grezzi.

Sul piano della policy, il perimetro è più semplice. YouTube ora distingue tre tipi di video sotto la categoria più ampia di contenuti inautentici che non possono essere monetizzati. Il problema è che «tre tipi» è una classificazione di prodotto, non una soglia di rilevamento. Non dice con quale sensibilità il sistema intercetta la produzione sintetica, né quale sia il tasso di falsi positivi. In un test A/B, questo equivale a chiedere: qual è la metrica primaria? Impedire la monetizzazione o ridurre la diffusione? La policy non lo dichiara esplicitamente.

Qui la distinzione è da addetti ai lavori: un conto è la definizione normativa, un altro è il rilevamento forense. SAFE cerca artefatti condivisi tra canali; la policy esclude contenuti ripetitivi o prodotti in serie. I due piani possono convergere, ma non è automatico. In un test di conversione chiameremmo questo un problema di validità di costrutto: stai misurando la stessa cosa che la policy dichiara di colpire? La domanda aperta non è solo tecnica, ma strategica: se il sistema arriva dopo che il mercato ha già monetizzato, il suo valore dipende dalla velocità con cui riesce a coprire le nuove forme di produzione sintetica.

Chi insegue chi su TikTok e Meta

Il sistema di Google è tarato su YouTube, ma l’inautentico si muove su più piattaforme. La maggior parte dei metodi per rilevare comportamenti coordinati inautentici si concentra su piattaforme testuali, lasciando ecosistemi video-first come TikTok largamente inesplorati. C’è un framework computazionale per TikTok basato su un approccio di rete adattato alle strutture della piattaforma, ma si tratta ancora di valutazione, non di uno standard operativo. Meta, dal canto suo, usa un approccio parallelo per identificare e rimuovere intere reti avversarie, combinando indagini approfondite di esperti e rilevamento su larga scala. La domanda resta: se i metodi video-first sono ancora in via di definizione, chi copre davvero i video che sfuggono ai radar testuali?

Resta la domanda di fondo: se i canali AI slop hanno già generato 117 milioni all’anno mentre le policy dicevano «sempre esclusi», quanto vale un sistema di rilevamento che arriva dopo che il mercato ha monetizzato? Andrebbe testato se SAFE riesce a stare al passo con i generatori, o se finirà come le policy: un cartello messo davanti a un mercato già in fuga. Per chi decide con i dati, la prova non è il paper, ma il risultato su un campione dichiarato: quanti canali vengono rimossi, con quale precisione, e con quale impatto sulla monetizzazione reale.