IA e digital forensics stanno assumendo un ruolo sempre più importante nell’analisi delle comunicazioni digitali. Chat, e-mail, SMS, messaggi vocali, scambi sui social network e conversazioni tramite applicazioni di messaggistica possono contribuire a ricostruire rapporti, intenzioni, tempistiche e dinamiche tra soggetti coinvolti in una vicenda.
Tuttavia, analizzare una conversazione digitale non significa semplicemente leggere dei messaggi o cercare alcune parole chiave. Il valore di una comunicazione dipende dal contesto in cui viene inserita: chi scrive, a chi si rivolge, quando lo fa, cosa è accaduto prima, quale relazione esiste tra gli interlocutori e quali elementi possono confermare o smentire una determinata ipotesi.
Proprio su questo tema si concentra lo studio “DF-graph: Structured and explainable analysis of communication data for digital forensics”, pubblicato su Forensic Science International: Digital Investigation. Gli autori analizzano il ruolo dell’intelligenza artificiale nella digital forensics e propongono un modello pensato per rendere l’analisi delle comunicazioni digitali più strutturata, verificabile e spiegabile.
Il problema: le comunicazioni digitali sono prove complesse
Nel contesto delle indagini digitali, i dati di comunicazione hanno un ruolo centrale. Possono rivelare intenzioni, pianificazioni, relazioni personali, contraddizioni, tentativi di occultamento o elementi utili alla ricostruzione temporale degli eventi.
Il problema è che questi dati sono spesso non strutturati. Una chat, ad esempio, non è solo una sequenza di frasi. È un intreccio di messaggi, risposte, riferimenti impliciti, silenzi, cambi di tono, relazioni tra persone e sequenze temporali.
Gli strumenti tradizionali, come la ricerca per parole chiave o la consultazione tabellare dei messaggi, possono essere utili in una prima fase, ma rischiano di non cogliere la complessità della comunicazione. Una parola può assumere significati diversi a seconda del contesto. Un messaggio apparentemente neutro può diventare rilevante se letto insieme a ciò che lo precede o lo segue. Una frase può confermare, contraddire o rafforzare un’altra informazione già presente nel materiale analizzato.
Per questo motivo, l’analisi delle comunicazioni digitali richiede metodo, attenzione e capacità di collegare correttamente i dati tra loro.
I limiti dell’intelligenza artificiale nelle indagini digitali
Negli ultimi anni, i grandi modelli linguistici e gli strumenti basati sull’intelligenza artificiale hanno aperto nuove possibilità anche nel campo della digital forensics. Questi sistemi sono in grado di leggere grandi quantità di testo, individuare relazioni, sintetizzare contenuti e rispondere a domande complesse.
Tuttavia, l’utilizzo dell’IA in ambito investigativo presenta limiti importanti.
Uno dei rischi principali è quello delle cosiddette “allucinazioni”: il modello può generare risposte apparentemente coerenti, ma non realmente fondate sui dati disponibili. In un contesto ordinario, questo può essere un errore fastidioso. In un contesto investigativo o giudiziario, invece, può diventare un problema molto serio.
Un altro limite riguarda la scarsa trasparenza. Molti sistemi di IA funzionano come “scatole nere”: producono una risposta, ma non spiegano in modo chiaro attraverso quali passaggi siano arrivati a quella conclusione. Questo è particolarmente critico quando il risultato dell’analisi deve essere verificato, discusso o eventualmente utilizzato in sede legale.
Lo studio sottolinea proprio questo punto: nei contesti forensi non basta che una risposta sia plausibile. Deve essere anche tracciabile, verificabile e fondata su elementi concreti.
Che cos’è DF-GRAPH
Per superare questi limiti, gli autori propongono DF-GRAPH, un framework basato su una logica Graph-RAG. In termini semplici, si tratta di un sistema che non analizza i messaggi come se fossero solo testo lineare, ma li organizza all’interno di un grafo.
Nel grafo, ogni messaggio diventa un nodo. I collegamenti tra i messaggi rappresentano relazioni temporali, comunicative o semantiche. Ad esempio, un messaggio può essere collegato a un altro perché lo segue nel tempo, perché rappresenta una risposta, perché sostiene una certa affermazione, perché la contraddice o perché contribuisce a spiegare una determinata conseguenza.
Questa impostazione consente di analizzare una conversazione in modo più vicino al ragionamento investigativo reale. L’investigatore, infatti, non valuta mai un elemento isolato, ma lo confronta con altri elementi, ne verifica la collocazione temporale, ne controlla la coerenza e ne valuta il rapporto con l’ipotesi investigativa.
DF-GRAPH cerca quindi di trasformare la conversazione digitale in una struttura interrogabile e spiegabile, in cui ogni risposta prodotta dal sistema può essere collegata ai messaggi che la supportano.
L’importanza della tracciabilità
Uno degli aspetti più interessanti dello studio riguarda la tracciabilità del ragionamento.
DF-GRAPH non si limita a generare una risposta, ma produce anche una sorta di percorso logico. Questo percorso collega i messaggi rilevanti alla conclusione finale, permettendo all’analista di comprendere perché il sistema sia arrivato a una determinata risposta.
Ad esempio, il sistema può ricostruire una catena del tipo:
messaggio iniziale → elemento di prova → dichiarazione rilevante → conclusione
Questa impostazione è fondamentale in ambito forense, perché consente di controllare la qualità del ragionamento. Una conclusione non deve essere accettata solo perché “lo dice il sistema”, ma deve poter essere verificata attraverso le fonti da cui deriva.
Nel settore investigativo, questo principio è essenziale. Una buona analisi non è quella che produce semplicemente una risposta, ma quella che permette di dimostrare come si è arrivati a quella risposta.
I risultati dello studio
Gli autori hanno confrontato DF-GRAPH con altri approcci, tra cui un modello basato solo su GPT, un sistema ibrido BERT + GPT e un modello RAG tradizionale.
I risultati mostrano che DF-GRAPH ottiene prestazioni migliori in diverse metriche: accuratezza, similarità semantica e fedeltà al contesto. In particolare, il sistema ha raggiunto una accuratezza exact match del 57,23%, superiore agli altri modelli testati.
Lo studio include anche una valutazione con otto professionisti della digital forensics. I partecipanti hanno giudicato DF-GRAPH più chiaro, più spiegabile e più utile rispetto agli altri modelli. Secondo gli esperti coinvolti, la presenza di riferimenti ai messaggi e di una struttura temporale rendeva il ragionamento più facile da seguire e verificare.
Questo dato è molto significativo, perché dimostra che la qualità di uno strumento investigativo non dipende solo dalla sua capacità di produrre risultati, ma anche dalla possibilità per l’operatore umano di comprenderli, controllarli e utilizzarli in modo consapevole.
L’intelligenza artificiale non sostituisce il metodo investigativo
Un punto importante che emerge dallo studio è che l’intelligenza artificiale può essere utile solo se inserita in un processo metodologicamente corretto.
L’IA può aiutare a gestire grandi quantità di dati, individuare collegamenti, ordinare informazioni e supportare l’analisi. Tuttavia, non può sostituire la valutazione critica dell’investigatore o dell’analista forense.
In ambito investigativo, la tecnologia deve essere uno strumento di supporto, non una scorciatoia. Ogni risultato deve essere verificato, contestualizzato e interpretato alla luce degli elementi disponibili. Questo è ancora più vero quando si lavora su dati sensibili, comunicazioni private o materiale potenzialmente utilizzabile in sede giudiziaria.
Il rischio, altrimenti, è quello di affidarsi a conclusioni apparentemente convincenti, ma prive di reale fondamento probatorio.
Perché questo studio è importante anche per le investigazioni private
Lo studio è particolarmente rilevante anche per il settore delle investigazioni private, perché molte attività investigative moderne coinvolgono dati digitali, comunicazioni, cronologie, relazioni tra soggetti e ricostruzioni temporali.
In un’indagine privata, non basta raccogliere informazioni: è necessario organizzarle, verificarle e presentarle in modo chiaro. Che si tratti di accertamenti in ambito aziendale, familiare, patrimoniale o difensivo, il valore dell’attività investigativa dipende dalla qualità del metodo utilizzato.
L’approccio descritto nello studio ricorda un principio fondamentale anche per un’agenzia investigativa: ogni conclusione deve essere collegata a elementi concreti, documentabili e verificabili. L’intelligenza artificiale può diventare uno strumento utile per supportare l’analisi di grandi quantità di dati, ma solo se consente trasparenza, tracciabilità e controllo umano.
Per le agenzie investigative, questo significa che il futuro non sarà semplicemente “usare l’IA”, ma usare strumenti tecnologici in modo responsabile, documentato e compatibile con le esigenze probatorie. La vera differenza non sarà data dalla tecnologia in sé, ma dalla capacità professionale di integrarla in un metodo investigativo serio, prudente e verificabile.