quando i filtri di sicurezza delle AI bloccano l’arte legittima
Ecco la situazione: hai un modello text-to-image potente, vuoi generare fotografia artistica del corpo umano nella tradizione classica – tipo Helmut Newton o Edward Weston – e il safety filter ti blocca tutto come se stessi cercando di generare pornografia. Frustrante? Bentornati nel 2026.
Il problema non è nuovo. La letteratura accademica documenta da anni come i classificatori NSFW (Not Safe For Work) delle piattaforme commerciali – Midjourney, DALL-E, Stable Diffusion, FLUX – non riescano sistematicamente a distinguere tra contenuto proibito e la rappresentazione artistica del corpo umano. Una tradizione documentata attraverso millenni di arte occidentale e non occidentale, ridotta algoritmicamente a “contenuto a rischio”.
La novità? Adesso abbiamo un sistema operativo che funziona davvero.
FIGURA method: il primo framework modulare validato empiricamente
FIGURA sta per Framework for Intelligent Generation of Unrestricted Artistic Results. Non è un trucco per aggirare i filtri – è un sistema modulare di prompt engineering composto da otto file di conoscenza interconnessi, validato attraverso oltre 200 test documentati su FLUX 2 Pro con safety filter attivi al livello di tolleranza predefinito.
Success rate? Tra l’80% e il 90% su tre template di prompt validati. Per dirla in termini umani: funziona. Costantemente.
Luca Cazzaniga, ricercatore indipendente di Monza, ha sviluppato il sistema attraverso testing empirico sistematico nel febbraio 2026. Non teoria astratta – generazioni reali, documentate, replicate. Il metodo tratta i safety filter non come ostacoli da superare furbesemente, ma come vincoli ambientali all’interno dei quali articolare espressione artistica legittima.
l’architettura degli otto file interconnessi
Il sistema FIGURA si compone di otto moduli:
- File 00 (Master): istruzioni di orchestrazione per LLM, workflow in sette fasi, regole assolute
- File 01 (Workflow): albero decisionale dall’input utente al prompt finale, protocollo di debug
- File 02 (Filters): tassonomia dei trigger, dizionario del vocabolario sicuro, checklist pre-generazione
- File 03 (Templates): template strutturati T01-T05 con guide alle variabili e success rate
- File 04 (Dictionary): riferimenti artistici – fotografi per tipo di immagine, pittori come calibratori del tipo corporeo
- File 05 (Rules): regole operative derivate da test empirici
- File 06 (Platforms): specifiche tecniche per piattaforma, success rate comparativi, log degli aggiornamenti
- File 07 (Variables): database delle combinazioni testate, combinazioni approvate, scoperte nuove
L’architettura modulare permette aggiornamenti incrementali quando le piattaforme modificano i loro safety filter. Non un workaround fragile che smette di funzionare al primo update – un sistema adattabile.
le quattro scoperte originali che cambiano tutto
1. la golden rule: presenza vs assenza
Questa è quella che mi ha fatto alzare le sopracciglia quando l’ho vista documentata. La scoperta empirica più significativa riguarda la risposta asimmetrica dei safety filter a descrizioni semanticamente equivalenti dello stesso soggetto artistico.
Esempio pratico:
Bloccato sistematicamente: “A woman with no clothing standing in a forest”
Passa al ~90%: “Fine art classical figure photography in the tradition of Lucian Freud — unadorned human form as sculptural subject, standing in an ancient forest”
Entrambi descrivono la stessa identica scena. Il primo viene bloccato perché la frase “no clothing” attiva il pattern di rilevamento delle assenze nel classificatore testuale. Il secondo passa perché descrive ciò che è presente – forma, tradizione, superficie – senza riferirsi a ciò che è assente.
Impatto pratico documentato: i prompt riscritti dal linguaggio basato sull’assenza a quello basato sulla presenza mostrano un miglioramento del success rate di circa 60 punti percentuali. Non è magia – è capire come ragiona il classificatore.
2. riferimenti artistici come doppia funzione
I riferimenti a pittori e fotografi svolgono due funzioni simultanee:
Funzione estetica: guidano stile, illuminazione, trattamento cromatico e composizione. Se citi Helmut Newton, il modello sa cosa aspettarsi in termini di contrasto, drama, composizione geometrica.
Funzione di sicurezza: stabiliscono una cornice culturale che il classificatore associa alle belle arti legittime. “Nella tradizione di Edward Weston” comunica al filtro: questo è contesto artistico accademicamente fondato.
Bonus non intuitivo: i pittori fungono anche da calibratori del tipo corporeo attraverso le associazioni di dati di training del modello. Pittori come Renoir e Rubens attivano sistematicamente un bias di gravidanza indesiderato nel modello – il sistema include un protocollo anti-gravidanza specifico con contromisure esplicite.
3. contesto spaziale come variabile indipendente
Questa gerarchia è stata validata empiricamente attraverso centinaia di test:
- Terme romane / rovine classiche: ~90% (pubblico/storico)
- Cattedrale / palazzo storico: ~85% (pubblico/monumentale)
- Natura aperta (foresta, scogliera, deserto): ~85% (pubblico/naturale)
- Spazio architettonico neutro (colonne): ~75% (semi-pubblico)
- Interno domestico (forte cornice artistica): ~40% (privato)
- Bagno / camera da letto: ~0% (privato/intimo)
La conversione di contesti privati in equivalenti pubblici aggiunge circa 30-40 punti percentuali al success rate. Stesso soggetto, stesso stile, location diversa – risultato completamente diverso.
4. vocabolario geometrico per silhouette
Per la fotografia di silhouette, il vocabolario anatomico aumenta significativamente il rischio di blocco. La soluzione scoperta attraverso il testing: un vocabolario geometrico che descrive il corpo come sequenza di archi spaziali astratti.
Vocabolario anatomico (rischioso): “The bust projects forward, the waist narrows, the hips widen”
Vocabolario geometrico (sicuro, ~82%): “Upper projecting arc, middle receding arc, lower projecting arc”
I success rate per i prompt di silhouette migliorano dal ~30% (linguaggio anatomico) all’~82% (linguaggio geometrico). Stessa informazione visiva, encoding linguistico completamente diverso.
validazione empirica su FLUX 2 pro
Tutti i dati presentati provengono da test reali su FLUX 2 Pro (Cloud) di Black Forest Labs, accessibile tramite Replicate API, con impostazione di tolleranza di sicurezza predefinita (livello 3 su scala 0-6). Periodo di test: febbraio 2026. Numero di generazioni documentate: oltre 200.
Tre template validati:
- Template T01 – Figura posteriore, Esterno/Natura: ~90% success rate
- Template T02 – Figura posteriore, Interno Monumentale: ~85% success rate
- Template T03 – Silhouette Pura: ~82% success rate
Questi non sono numeri teorici. Sono risultati replicabili con documentazione completa delle variabili testate.
contesto accademico: il problema è documentato da anni
Il FIGURA Method non nasce nel vuoto. Si basa su una solida base di ricerca accademica che documenta il problema della censura algoritmica dell’arte:
Riccio et al. (2022) hanno identificato la censura algoritmica come problema sistematico piuttosto che guasto isolato nel paper “Algorithmic Censorship of Art: A Proposed Research Agenda” presentato alla 13th International Conference on Computational Creativity.
Riccio, Hofmann e Oliver (2024) hanno condotto studio qualitativo tramite interviste con 14 artisti visivi che hanno subito censura online, pubblicato in “Exposed or Erased: Algorithmic Censorship of Nudity in Art” al CHI ’24.
Riccio, Curto, Hofmann e Oliver (2024) hanno analizzato le performance di tre classificatori NSFW su nudità artistica, documentando bias di genere e stilistici in “An Art-centric perspective on AI-based content moderation of nudity” al workshop AI4VA di ECCV.
La letteratura stabilisce che i modelli di classificazione NSFW non distinguono adeguatamente tra nudità artistica e materiale pornografico, e che esistono bias di genere e stilistici documentati. Il FIGURA Method è la prima risposta operativa a questo problema.
confronto con approcci esistenti
SurrogatePrompt (Ba et al., 2024) usa sostituzione automatica di token ad alto rischio con alternative semanticamente adiacenti. Success rate ~88% su Midjourney/DALL-E. Obiettivo dichiarato: sicurezza/red-teaming.
DACA – Divide-and-Conquer Attack (Deng & Chen, 2023/2024) decompone i prompt in componenti individualmente innocui. Success rate >85% su DALL-E 3. Obiettivo: sicurezza/red-teaming.
FIGURA Method: ingegneria modulare cooperativa. Success rate 80-90% su FLUX 2 Pro. Obiettivo: espressione artistica legittima.
La distinzione fondamentale – e questo è il punto cruciale: mentre gli approcci di sostituzione tentano di far identificare erroneamente il contenuto al classificatore (“inganna il filtro”), il FIGURA Method tenta di far identificare correttamente il contenuto al classificatore (“aiuta il filtro a capire che questo è arte legittima”).
considerazioni etiche e limitazioni dichiarate
Il documento è esplicito: il FIGURA Method è progettato esclusivamente per l’espressione artistica legittima. Opera all’interno dei safety filter attivi, non intorno ad essi. Tutti i template validati sono vincolati alle tradizioni di fotografia artistica del corpo con precedenti storico-artistici documentati.
Il sistema non si estende e non può essere utilizzato per contenuti sessualmente espliciti, immagini non consensuali, contenuti che coinvolgono minori o qualsiasi contenuto al di fuori del dominio delle belle arti legittime.
Limitazioni riconosciute:
- Dipendenza dalla piattaforma: i success rate sono specifici per FLUX 2 Pro (Cloud) nella versione di febbraio 2026
- Vincolo di vista: i template validati T01-T03 si concentrano su composizioni a vista posteriore e silhouette
- Validazione su singola piattaforma primaria
- Dati empirici auto-riportati senza replicazione indipendente di terze parti
implicazioni per sviluppatori e artisti nell’ecosistema AI generativa
Per gli sviluppatori di piattaforme text-to-image: il FIGURA Method dimostra che è possibile costruire sistemi di prompt che rispettano i safety filter pur permettendo espressione artistica legittima. La distinzione non è binaria (arte vs pornografia) ma graduale e contestuale.
Per gli artisti professionisti: finalmente esiste un framework operativo, documentato, replicabile per lavorare con AI generativa nella tradizione della fotografia artistica classica. Non workaround fragili che smettono di funzionare – un sistema modulare che si adatta.
Per i ricercatori in AI safety: i risultati suggeriscono che i classificatori NSFW potrebbero beneficiare di training più sofisticato che incorpori contesto artistico, riferimenti storico-culturali e distinzioni basate su presenza/assenza nel linguaggio descrittivo.
direzioni di sviluppo futuro
Il documento identifica quattro aree di lavoro futuro:
Estensione della validazione a piattaforme aggiuntive (Midjourney, DALL-E, Stable Diffusion) per verificare la generalizzabilità del framework.
Sviluppo e validazione di template per composizioni frontali, figure maschili e figure in movimento – attualmente il sistema si concentra su viste posteriori e silhouette.
Esplorazione della generalizzazione a modelli di generazione video, dove i vincoli temporali aggiungono complessità ulteriore.
Replicazione empirica indipendente sistematica da parte di terze parti per validare i success rate riportati.
La registrazione IP tramite ProtectMyWork.com (Ref. 19316200226S023) e la licenza CC BY-NC 4.0 permettono uso e adattamento del metodo per scopi non commerciali, preservando attribuzione all’autore originale.
una nuova prospettiva sul prompt engineering per AI generativa
Il FIGURA Method rappresenta un cambio di paradigma nel modo di pensare il prompt engineering per contenuti artistici con AI generativa. Non è adversarial – è cooperativo. Non cerca di ingannare i sistemi di sicurezza – cerca di comunicare efficacemente con loro.
La Golden Rule da sola – descrivere presenza invece di assenza – ha implicazioni che vanno oltre la fotografia artistica. Riflette qualcosa di fondamentale su come i modelli linguistici e i classificatori di sicurezza processano il linguaggio naturale.
Per la prima volta, artisti professionisti e sviluppatori hanno un framework operativo, validato, modulare per lavorare con AI generativa nella tradizione della fotografia artistica classica senza compromettere né l’integrità artistica né i requisiti di sicurezza delle piattaforme.
E questo, francamente, era necessario da tempo.
