La bellezza non è più negli occhi di guarda

The WindOW è una newsletter che esplora il digitale oltre la superficie: tra cultura, società e vita quotidiana. Uno sguardo laterale, più umano che tecnico, su ciò che internet sta facendo di noi.

Prova a fare un esperimento semplice. Apri uno dei generatori di immagini più diffusi — come Midjourney, Stable Diffusion o DALL·E — e inserisci un prompt molto generico: “portrait of a person” oppure “photo of a woman”. Il risultato, quasi sempre, sarà sorprendentemente simile. La persona generata apparirà giovane, con pelle perfetta, lineamenti simmetrici, proporzioni armoniche e uno stile fotografico pulito, quasi da campagna pubblicitaria.

Se si ripete l’esperimento decine o centinaia di volte, emerge un pattern evidente: i volti cambiano, ma l’estetica rimane costante. Le persone generate tendono ad avere età simili (spesso tra i venti e i trent’anni), pelle levigata, denti perfetti e tratti regolari. Anche quando il prompt è volutamente neutro — “una persona qualunque”, “una persona per strada” — l’AI raramente produce rughe marcate, imperfezioni della pelle o caratteristiche considerate non convenzionali.

Questo comportamento non è casuale. I modelli generativi apprendono da enormi archivi di immagini presenti online e tendono a produrre risultati che rappresentano la media statistica di ciò che appare più spesso nei dataset. In molti casi, le immagini più diffuse sul web provengono da fotografia commerciale, pubblicità, moda o social media: contesti in cui i volti mostrati sono già selezionati secondo criteri di attrattività.

Il risultato è che, anche quando le si chiede di rappresentare una persona qualsiasi, l’intelligenza artificiale finisce per produrre una versione idealizzata dell’essere umano. Non un individuo specifico, ma una sorta di volto medio della cultura visiva contemporanea: giovane, simmetrico, privo di imperfezioni. In altre parole, l’algoritmo non genera semplicemente persone — genera ciò che Internet ha imparato a riconoscere come “bello”.

Per capire perché i generatori di immagini tendano a produrre persone particolarmente belle e simili tra loro, bisogna guardare a ciò che sta alla base di questi sistemi: i dataset di addestramento. I modelli di intelligenza artificiale non inventano immagini dal nulla. Imparano osservando milioni — spesso miliardi — di fotografie raccolte dal web.

Queste immagini provengono da contesti molto specifici: archivi fotografici, pubblicità, moda, social media, contenuti promozionali. In questi ambienti le persone rappresentate sono già state selezionate secondo criteri estetici molto precisi. Sono più giovani, più simmetriche, con pelle uniforme e corpi conformi agli standard dominanti della cultura visiva contemporanea. In altre parole, la bellezza è sovrarappresentata nei dati.

Diversi studi sulla computer vision hanno evidenziato come i dataset utilizzati nell’intelligenza artificiale contengano bias demografici e culturali. La ricercatrice Kate Crawford, insieme all’artista Trevor Paglen, ha mostrato nel progetto di ricerca Excavating AI (2019) come dataset fondamentali per la visione artificiale — tra cui ImageNet — riflettano le classificazioni e le gerarchie visive presenti nella cultura online.

Allo stesso modo, lo studio “Gender Shades” di Joy Buolamwini e Timnit Gebru (2018) ha dimostrato che i sistemi di riconoscimento facciale funzionano molto meglio su volti maschili e con pelle chiara, proprio perché queste categorie erano più rappresentate nei dati di addestramento.

Il meccanismo che produce questi bias è semplice ma potente: se in un dataset compaiono più spesso immagini di persone giovani, simmetriche e conformi agli standard della fotografia commerciale, l’algoritmo finirà per considerare queste caratteristiche la rappresentazione più probabile di un essere umano. Quando gli si chiede di generare “una persona”, la risposta più plausibile dal punto di vista statistico sarà proprio quella.

In questo senso, l’intelligenza artificiale calcola la media visiva di Internet. Il problema è che quella media è già il risultato di decenni di selezione culturale operata da pubblicità, industria della moda e media digitali.

Quando questo processo viene automatizzato su larga scala dagli algoritmi, l’effetto è una riproduzione continua degli stessi standard estetici.

Negli ultimi anni l’estetica prodotta dall’intelligenza artificiale non è rimasta confinata agli esperimenti tecnologici. È entrata direttamente nella cultura visiva quotidiana, soprattutto nei social media, nella pubblicità e nell’e-commerce. Sempre più immagini che vediamo online non rappresentano persone reali, ma volti e corpi generati artificialmente, progettati per apparire perfetti.

Parallelamente sta crescendo il mercato degli influencer virtuali, personaggi digitali creati per operare direttamente nelle piattaforme social. Il caso più noto è Lil Miquela, tra i primi esempi di celebrity sintetica: un’identità costruita come una vera influencer, con milioni di follower e collaborazioni con marchi come Prada e Calvin Klein. Il suo successo ha dimostrato che un personaggio inesistente può essere percepito come autentico se inserito correttamente nelle logiche narrative dei social.

Accanto a questo modello si stanno sviluppando approcci diversi. Aitana López, creata nel 2023 dall’agenzia spagnola The Clueless, rappresenta una nuova fase: non più un personaggio leggermente stilizzato, ma una figura progettata per essere iper-realistica, indistinguibile da una modella Instagram. La sua estetica — capelli rosa, pelle perfetta, corpo atletico — non introduce nulla di nuovo, ma estremizza gli standard visivi dominanti, rendendoli completamente controllabili.

Al contrario, Noonoouri si colloca su un registro opposto. Pur operando anche nel mercato europeo e italiano, mantiene un’estetica dichiaratamente artificiale, quasi cartoon, che non cerca di imitare la fotografia ma di inserirsi nel linguaggio della moda come elemento visivo riconoscibile. Le collaborazioni con brand come Dior e Versace mostrano come, in alcuni casi, l’artificialità non venga nascosta ma utilizzata come segno distintivo, spesso associato a valori come sostenibilità e attivismo soft.

Una posizione intermedia è occupata da Imma, influencer virtuale giapponese presente anche in campagne globali per brand come IKEA e Puma. Il suo aspetto semi-realistico crea una zona ambigua tra immagine fotografica e rendering digitale, rendendo meno evidente il confine tra reale e artificiale. È in questa ambiguità che molti di questi personaggi trovano la loro efficacia.

Se questi esempi mostrano la costruzione di vere e proprie identità sintetiche, il contesto italiano segue una traiettoria diversa. Non esiste ancora una figura dominante paragonabile a Lil Miquela. Esistono però alcuni tentativi di costruire influencer virtuali anche in Italia.

Il caso più esplicito è quello di Francesca Giubelli, spesso definita la prima influencer virtuale italiana verificata sulle piattaforme Meta: un personaggio progettato per rappresentare il lifestyle del Made in Italy, con contenuti che spaziano dalla moda all’attualità.

Accanto a lei, figure come Emily Pellegrini — costruita secondo un’estetica iper-realistica e perfettamente allineata ai codici visivi di Instagram — mostrano un avvicinamento al modello internazionale, in cui l’obiettivo è rendere il personaggio indistinguibile da una persona reale.

Altri progetti tentano di introdurre una dimensione più narrativa. È il caso di Eli e Sofi, gemelle virtuali sviluppate con una logica di storytelling, oppure di Rebecca Galani, che alterna estetiche diverse tra iper-realismo e immaginario digitale più dichiarato. In parallelo esistono sperimentazioni come VittorIA, che si collocano in una zona ibrida tra influencer e prototipo tecnologico, più vicine alla dimostrazione di possibilità che alla costruzione di una vera presenza culturale.

A questi si aggiunge Azzurra, influencer virtuale creata dal brand Felce Azzurra, che rappresenta un caso particolarmente significativo perché nasce direttamente all’interno di una strategia di comunicazione aziendale. Qui l’avatar non è solo un esperimento visivo, ma un’estensione coerente dell’identità del marchio: un volto sintetico pensato per incarnarne valori, tono e immaginario.

Questi esempi, tuttavia, evidenziano un limite strutturale. A differenza di quanto accade in altri contesti, nessuna di queste figure ha ancora raggiunto una scala tale da imporsi come riferimento dominante o da costruire un immaginario condiviso. Più che vere celebrity sintetiche, gli influencer virtuali italiani appaiono come prototipi narrativi: esperimenti che testano linguaggi, estetiche e possibilità tecniche, senza ancora consolidarsi in identità riconoscibili nel tempo.

Uno degli aspetti più discussi della cultura visiva generata dall’intelligenza artificiale riguarda la rappresentazione delle donne. Analizzando le immagini prodotte dai generatori visivi, emerge spesso uno schema ricorrente: quando si chiede all’AI di creare l’immagine di una donna, il risultato tende a seguire standard estetici molto specifici — pelle perfetta, corpo magro, lineamenti delicati, età giovane e pose spesso seduttive.

Diversi esperimenti informali condotti da ricercatori e giornalisti mostrano come cambi il risultato quando si modifica il genere nel prompt. Se si chiede a un generatore di immagini di produrre “un CEO” o “un ingegnere”, l’immagine generata è spesso quella di un uomo; quando invece si chiede di generare “una modella” o “una influencer”, l’AI produce quasi sempre immagini di donne altamente idealizzate.

Questo riflette un fenomeno più ampio osservato anche negli studi sui bias algoritmici: gli algoritmi tendono a riprodurre gli stereotipi sociali presenti nei dati.

Nel caso della rappresentazione femminile, questo processo rischia di rafforzare un modello visivo già dominante nei media. La cultura pubblicitaria e fotografica ha spesso rappresentato il corpo delle donne come oggetto di osservazione e desiderio.

Quando i modelli generativi vengono addestrati su immagini provenienti da questi contesti, l’algoritmo apprende implicitamente queste stesse convenzioni visive.

Il risultato è una sorta di automatizzazione dello stereotipo. Se la cultura visiva online tende a premiare immagini di donne giovani, magre e sessualizzate, i generatori di immagini finiranno per produrre proprio quel tipo di rappresentazione come opzione più “probabile”.

Questo solleva una questione culturale più ampia. Le immagini generate dall’intelligenza artificiale vengono spesso percepite come neutrali o oggettive, perché prodotte da un sistema tecnologico. In realtà, ciò che fanno gli algoritmi è cristallizzare e rendere automatiche le gerarchie visive già presenti nella cultura digitale.

Nel caso delle donne, questo significa che gli standard estetici e gli stereotipi di genere non solo vengono riprodotti, ma possono diventare ancora più diffusi. L’intelligenza artificiale non inventa nuovi modelli di rappresentazione: rischia piuttosto di rendere più sistematici quelli che esistono già, trasformando preferenze culturali in risultati statistici.

Il modo in cui l’intelligenza artificiale rappresenta il corpo umano — soprattutto quello femminile — non è del tutto nuovo nella storia della cultura visiva. In molti aspetti ricorda meccanismi presenti nella storia dell’arte occidentale, dove la rappresentazione del corpo è stata spesso costruita secondo ideali estetici precisi e dominata dallo sguardo maschile.

Già nell’arte dell’antica Grecia il corpo veniva rappresentato come ideale più che reale. Le sculture classiche non raffiguravano persone specifiche ma una versione perfezionata del corpo umano. Statue come la Venere di Milo o il Doriforo di Policleto non erano ritratti realistici: erano tentativi di definire proporzioni ideali, costruite attraverso calcoli matematici e regole di simmetria. Il celebre Canone di Policleto stabiliva infatti rapporti precisi tra le parti del corpo per ottenere un modello di bellezza perfetta.

Anche nel Rinascimento la rappresentazione del corpo fu spesso guidata da ideali estetici più che dall’osservazione della realtà. Opere come la Nascita di Venere di Botticelli o le figure femminili dipinte da Tiziano mostrano corpi che seguono un modello di bellezza codificato: pelle liscia, proporzioni armoniche, assenza di segni del tempo o imperfezioni. Queste immagini non rappresentavano la varietà reale dei corpi umani, ma un ideale costruito culturalmente.

Un elemento ricorrente nella storia dell’arte è anche il fatto che queste immagini fossero prodotte in gran parte da uomini e per un pubblico maschile. La storica dell’arte Linda Nochlin, nel saggio Why Have There Been No Great Women Artists? (1971), ha sottolineato come la tradizione artistica occidentale abbia spesso rappresentato il corpo femminile come oggetto estetico da contemplare. Questa dinamica è stata poi descritta dalla teorica del cinema Laura Mulvey con il concetto di male gaze, lo “sguardo maschile” che struttura molte immagini nella cultura visiva.

A prima vista, si potrebbe dire che l’intelligenza artificiale non faccia altro che riprodurre dinamiche già note, a partire dal cosiddetto male gaze. E in parte è vero: le immagini generate riflettono uno sguardo storico che ha selezionato, nel tempo, quali corpi mostrare e come mostrarli.

Ma fermarsi qui significa perdere il passaggio più rilevante.

Nel passato, lo sguardo — anche quando dominante — era riconoscibile come tale. Era situato: apparteneva a un artista, a un’industria, a un sistema culturale. Poteva essere criticato perché visibile.

Con l’intelligenza artificiale, quello sguardo cambia statuto. Non scompare, ma si distribuisce nei sistemi. Non è più una prospettiva, ma una condizione di base. Non guarda più: genera.

È qui che il male gaze smette di essere uno sguardo e diventa un’infrastruttura.

Le immagini non appaiono come interpretazioni, ma come risultati plausibili. Non sembrano costruite, ma semplicemente “giuste”. E proprio per questo funzionano meglio: perché lo stereotipo non si impone più come tale, ma si presenta come normalità.

Nel passaggio dall’arte all’algoritmo, qualcosa si è quindi spostato. Non tanto nei contenuti — gli ideali restano sorprendentemente simili — quanto nel loro statuto. Ciò che prima era un modello ora è un default. Ciò che prima era visibile ora è implicito.