Chiedere a un generatore di immagini di creare un calice di vino riempito fino al bordo sembra un compito molto semplice. Diversi sistemi di intelligenza artificiale, tuttavia, hanno mostrato una tendenza ricorrente a produrre bicchieri contenenti vino soltanto fino a metà o a un terzo della loro capacità, anche quando il prompt specificava chiaramente che il liquido doveva raggiungere l’orlo. Il fenomeno è diventato virale nel 2025, quando numerosi utenti hanno sottoposto la stessa richiesta a generatori come DALL·E, Gemini, Stable Diffusion, Ideogram, Flux e Grok. In molti casi, ripetere l’istruzione o formularla in modo più dettagliato non è stato sufficiente a ottenere il risultato richiesto.
Le prove diffuse online non costituiscono però uno studio scientifico controllato. Il comportamento può cambiare in base al modello utilizzato, alla sua versione, alla formulazione del prompt, ai parametri di generazione e alla componente casuale che interviene nella creazione di ogni immagine. Una delle interpretazioni circolate sui social attribuiva il risultato a una possibile forma di censura legata all’alcol. Secondo questa ipotesi, i sistemi sarebbero stati programmati per evitare di mostrare un bicchiere eccessivamente pieno, perché associabile a un consumo elevato. Non esistono però elementi sufficienti per sostenere questa spiegazione. Un calice colmo non rappresenta di per sé un contenuto vietato e problemi simili si verificano anche con oggetti completamente innocui, quando il sistema deve riprodurre quantità, posizioni, orientamenti o condizioni fisiche poco comuni.
La difficoltà dipende soprattutto dal modo in cui i modelli testo-immagine vengono addestrati. Questi sistemi non costruiscono una scena applicando consapevolmente le leggi della fisica e non possiedono necessariamente una rappresentazione esplicita del concetto di recipiente pieno. Durante l’addestramento, il modello apprende associazioni statistiche tra parole, forme, colori, composizioni e caratteristiche visive osservate in grandi raccolte di immagini accompagnate da descrizioni. Quando riceve un prompt, genera quindi una rappresentazione che risulta compatibile con le associazioni apprese.
Nella maggior parte delle fotografie reali, un calice di vino non viene riempito fino all’orlo. Il liquido occupa normalmente una parte limitata del bicchiere, lasciando spazio per farlo ruotare, favorire la percezione degli aromi e ridurre il rischio di versarlo. L’associazione visiva tra le espressioni “bicchiere di vino” o “calice di vino” e un contenitore riempito solo parzialmente è quindi molto più frequente rispetto a quella con un bicchiere completamente colmo. Quando deve interpretare una richiesta insolita, il modello può tornare alla configurazione statisticamente più probabile e ignorare il dettaglio che contraddistingue il prompt.
Questo comportamento viene descritto come una tendenza alla rappresentazione predefinita. Alcuni generatori producono versioni molto simili dello stesso oggetto, ripetendo forme, colori, proporzioni, ambientazioni e inquadrature che ricorrono frequentemente nei dati utilizzati per l’addestramento. Il sistema riesce così a creare un’immagine immediatamente riconoscibile e realistica, ma non necessariamente fedele all’istruzione. Un calice riempito a metà appare corretto dal punto di vista visivo, anche se rappresenta una risposta sbagliata quando l’utente ha chiesto esplicitamente che il vino raggiunga il bordo.
La formulazione “pieno fino all’orlo” richiede inoltre la gestione simultanea di diversi vincoli. Il generatore deve individuare con precisione il margine superiore del recipiente e collocare la superficie del liquido praticamente alla stessa altezza. Deve poi mantenere coerenti la prospettiva del bicchiere, la trasparenza del vetro, i riflessi, la rifrazione della luce e la superficie del vino. Allo stesso tempo, deve impedire che il liquido sembri attraversare le pareti del contenitore o traboccare all’esterno. Il modello deve rispettare questi vincoli senza compromettere le altre caratteristiche della scena, come forma del calice, posizione sul tavolo, illuminazione, sfondo e composizione complessiva. Una richiesta apparentemente elementare diventa quindi un problema che combina relazioni spaziali, proprietà fisiche e precisione geometrica.
I sistemi testo-immagine hanno compiuto progressi rapidi nella qualità fotorealistica, ma possono ancora incontrare difficoltà quando devono rappresentare relazioni precise tra più elementi. Posizione, quantità, orientamento, contatto tra oggetti e livello di un liquido richiedono un controllo locale che non sempre emerge correttamente dal processo generativo. La generazione include inoltre una componente casuale. Lo stesso prompt, eseguito più volte con il medesimo modello, può produrre immagini differenti. Un tentativo può mostrare un bicchiere riempito a metà, mentre una generazione successiva può avvicinare maggiormente il vino al bordo.
Una descrizione più precisa può aumentare la probabilità di ottenere il risultato desiderato. Il prompt può indicare, per esempio, che la superficie del liquido deve trovarsi a pochi millimetri dal bordo superiore, che non deve essere visibile alcuno spazio vuoto e che il vino non deve fuoriuscire dal bicchiere. Anche una formulazione molto dettagliata non garantisce però il successo. Può essere necessario generare più varianti, selezionare quella più corretta oppure intervenire successivamente con strumenti di modifica localizzata e inpainting.
Il risultato dipende anche dalla versione del modello. I generatori vengono aggiornati frequentemente e un errore osservato nel 2025 potrebbe essere meno comune o scomparire nelle versioni successive, grazie a nuovi dati di addestramento e a una migliore capacità di seguire le istruzioni. Il caso del bicchiere di vino evidenzia soprattutto la differenza tra plausibilità visiva e comprensione della richiesta. L’intelligenza artificiale può produrre un’immagine esteticamente convincente senza aver rispettato il vincolo principale indicato dall’utente.
I modelli generativi sono particolarmente efficaci nel riprodurre schemi frequenti e rappresentazioni convenzionali. Possono invece diventare meno affidabili quando devono allontanarsi dall’immagine tipica appresa durante l’addestramento o combinare diversi vincoli con una precisione molto elevata. Il bicchiere riempito soltanto a metà non dimostra quindi che l’intelligenza artificiale sia incapace di creare immagini complesse. Mostra piuttosto che il realismo non coincide automaticamente con l’accuratezza e che un risultato credibile può comunque essere tecnicamente sbagliato rispetto al prompt.