L'IA ha finalmente imparato a scrivere correttamente: perché la svolta nel rendering del testo è importante

Per gran parte dell'era delle immagini generate dall'IA, c'era un modo affidabile per riconoscere un'immagine sintetica. Bastava guardare qualsiasi testo nell'inquadratura. Un cartello stradale poteva riportare «PHARNACY». L'insegna di un negozio diceva «CLSOED». La copertina di una rivista era piena di lettere che da lontano sembravano inglese e da vicino si dissolvevano in parole senza senso.

Quell'era sta finendo. Nel corso del 2026 i principali modelli di generazione di immagini hanno risolto il rendering del testo e la reazione della community è stata più rumorosa di qualsiasi risultato di benchmark.

Cosa è cambiato

Il testo dentro le immagini è difficile per un motivo preciso. Un modello di diffusione non «sa» cosa significano le lettere. Impara schemi visivi e una parola è solo un insieme di tratti. Per molto tempo i modelli sono riusciti ad approssimare la forma di una parola senza comprendere la sequenza dei caratteri, ed è per questo che si otteneva spazzatura dall'aspetto convincente.

I nuovi modelli affrontano la questione in modo diverso. GPT Image 2, Nano Banana Pro di Google e i modelli open source più recenti trattano il testo come qualcosa da comprendere e non solo da approssimare. Il risultato è che oggi un modello può generare un titolo, un'etichetta, un'insegna o l'intero screenshot di un'interfaccia con le lettere nell'ordine giusto e l'ortografia corretta.

Il miglioramento è arrivato in fretta. Quando nel 2026 @PlayingGodAGI ha pubblicato due immagini di prova, la community ha reagito con forza. Una era un diagramma anatomico in cui ogni etichetta di muscoli, ossa e nervi era accurata quanto un libro di testo. L'altra era lo screenshot della home page di YouTube in cui elementi dell'interfaccia, miniature dei video e testo dei titoli apparivano senza distorsioni. Il suo riassunto: «Questo elimina l'ultimo difetto delle immagini generate dall'IA».

Cosa rende possibile

Le conseguenze pratiche vanno ben oltre il fatto che «le immagini ora sono più belle».

La prima riguarda insegne e branding. Un modello che scrive correttamente può produrre il mockup di una vetrina, l'etichetta di un prodotto o un'immagine di marketing con il nome del marchio incluso. In passato serviva un designer per correggere il testo a mano. Ora fa parte della generazione.

La seconda è il design delle interfacce. Generare un'interfaccia credibile, con etichette e layout corretti, è una capacità davvero utile per la prototipazione. Il test dello screenshot di YouTube è importante perché dimostra che un modello può ricostruire un'interfaccia reale e ricca di testo senza distorcerla.

La terza è il lavoro multilingue. Quando il blogger giapponese @masahirochaen ha provato GPT Image 2 con testo giapponese e ha scoperto che kana e kanji venivano riprodotti correttamente, è cambiato il significato di «rendering del testo». Non si tratta solo dell'ortografia inglese. È composizione tipografica multilingue, e apre mercati in cui i modelli precedenti erano sostanzialmente inutili.

Su Reddit hanno notato proprio l'aspetto multilingue. Un utente ha fatto notare che «i kanji e i katakana sono entrambi validi», una frase che due anni fa sarebbe stata assurda.

Come ci sono riusciti i modelli

Vale la pena capire perché il testo era difficile, perché spiega come mai la soluzione sia arrivata tutta insieme.

Un modello di diffusione genera pixel a partire dal rumore, guidato da un prompt testuale. Per molto tempo non ha avuto una vera rappresentazione delle «lettere» come unità discrete. Ha imparato che certi insiemi di tratti assomigliano a parole e ha riprodotto la forma senza seguire la sequenza. Ecco perché il vecchio testo generato dall'IA sembrava giusto da lontano e sbagliato da vicino.

Il cambiamento è arrivato da due direzioni. I modelli sono migliorati nel trattare il testo come un concetto di primo livello e non come una texture, e sono stati addestrati su molti più esempi di testo reale nel suo contesto. Insegne, etichette, screenshot, copertine di libri. Una volta che i dati di addestramento hanno incluso abbastanza esempi reali, i modelli hanno smesso di tirare a indovinare e hanno iniziato a scrivere correttamente.

Il risultato non è una singola svolta, ma una soglia superata. Il testo è passato da «irrisolto» a «in gran parte risolto» nel giro di circa un anno, e la community ha notato esattamente il momento in cui è successo.

Il problema del rilevamento diventa più difficile

C'è un rovescio della medaglia che non riceve abbastanza attenzione. La svolta sul testo rende le immagini generate dall'IA più difficili da identificare, e questo ha conseguenze reali.

Per anni il modo più semplice per smascherare un falso era leggere il testo al suo interno. Un documento contraffatto, uno screenshot artefatto, l'etichetta di un prodotto inventata: le lettere lo tradivano. Quella scorciatoia ora non funziona più con i modelli di frontiera, e questo significa che il rilevamento deve spostarsi su segnali più sottili: incongruenze di illuminazione, impossibilità fisiche oppure i metadati e la filigrana incorporati dalle piattaforme.

I modelli stessi continuano a fallire nella logica fisica. Il riflesso su un cubo di Rubik, la traiettoria balistica di un cannone di TNT, una mappa che non diventa più nitida quando la ingrandisci. Sono questi i nuovi indizi, ed è più difficile notarli per un osservatore occasionale rispetto a una parola scritta male.

È anche il motivo per cui filigrana e provenienza contano più che mai. Se non puoi riconoscere un'immagine generata leggendola, serve che sia la piattaforma a dirti che è stata generata. SynthID di Google e sistemi simili sono l'ultima barriera, e la svolta sul testo li rende più importanti, non meno.

Cosa non è ancora risolto

Alcuni onesti avvertimenti.

Il testo breve è quasi risolto, ma il testo denso è ancora la frontiera. In un test del settembre 2026, tutti gli otto principali modelli hanno scritto correttamente l'etichetta di un prodotto di due parole e il titolo di una promozione. Le differenze ora riguardano il layout e le stringhe lunghe. Un menu o un'infografica con un paragrafo di testo sono ancora i punti in cui compaiono gli errori, e il consiglio di rileggere ogni risorsa destinata al pubblico resta valido.

Midjourney, in particolare, è ancora debole con le stringhe di testo lunghe. Le singole parole stilizzate vanno bene. Un titolo con diverse parole inizia a sfaldarsi. Se il tuo lavoro è ricco di elementi tipografici, Midjourney non è lo strumento giusto.

E c'è un problema di secondo ordine di cui si inizia a parlare: il testo troppo ben fatto. Un modello in grado di generare un'interfaccia realistica o una grafica giornalistica convincente rende anche più facile fabbricare qualcosa che sembri autorevole. La svolta sul testo è un'arma a doppio taglio e arriva nel bel mezzo di un dibattito ancora aperto su rilevamento, filigrana e provenienza.

In conclusione

La formula «l'IA non sa fare le mani, l'IA non sa fare il testo» è morta. Prima sono state sistemate le mani. Il testo era il problema più difficile, e oggi è in gran parte risolto nei casi quotidiani che un tempo mettevano in imbarazzo.

Questo non significa che ogni immagine generata sia affidabile. Significa che gli indizi si sono spostati su dettagli più sottili, e chi contava su «guarda l'ortografia» come trucco di riconoscimento ha bisogno di un nuovo metodo. Per tutti gli altri significa semplicemente che le immagini sono migliorate e che una gran quantità di lavoro manuale di pulizia è silenziosamente scomparsa.