L’intelligenza artificiale nelle investigazioni sta assumendo un ruolo sempre più rilevante, anche a fronte della crescente digitalizzazione della società e dell’evoluzione della criminalità. L’enorme quantità di dati generati ogni giorno da dispositivi digitali, servizi online e piattaforme social, unita alla diffusione di fenomeni come la criminalità informatica, il terrorismo e i traffici internazionali, rende spesso insufficienti i tradizionali metodi investigativi.
L’intelligenza artificiale offre strumenti capaci di elaborare rapidamente informazioni, individuare correlazioni e automatizzare operazioni particolarmente dispendiose in termini di tempo e risorse. Il rapporto AI and Policing – The Benefits and Challenges of Artificial Intelligence for Law Enforcement, pubblicato dall’Europol Innovation Lab, analizza proprio le principali applicazioni dell’AI nel settore, evidenziandone sia le potenzialità operative sia le implicazioni tecniche, etiche e giuridiche.
Analisi dei dati e Big Data
Una delle applicazioni più rilevanti riguarda l’analisi di grandi quantità di dati. Durante un’indagine possono essere acquisiti messaggi, documenti, transazioni finanziarie, registrazioni audio, immagini e informazioni provenienti da numerosi dispositivi. Esaminarli manualmente può richiedere tempi molto lunghi e aumentare il rischio di non individuare elementi significativi.
Gli strumenti basati sull’AI permettono di filtrare queste informazioni, evidenziare anomalie e mettere in relazione elementi apparentemente scollegati. Nell’analisi finanziaria, per esempio, si possono esaminare milioni di transazioni alla ricerca di movimenti sospetti riconducibili a frodi o altre attività criminali. Allo stesso modo, è possibile trascrivere automaticamente grandi quantità di registrazioni oppure estrarre nomi, numeri telefonici e altri elementi specifici da documenti e comunicazioni.
Un esempio significativo è rappresentato da EncroChat, sistema di comunicazione criptata ampiamente utilizzato da gruppi criminali. Dopo lo smantellamento della piattaforma nel 2020 da parte delle autorità francesi e olandesi, con il supporto di Europol, gli investigatori hanno potuto analizzare oltre 115 milioni di conversazioni riferibili a circa 60.000 utenti.
L’operazione ha consentito di ricostruire reti criminali internazionali e ha portato all’arresto di 6.558 sospetti, tra cui 197 obiettivi di alto profilo, oltre al sequestro e al congelamento di ingenti patrimoni e alla confisca di droga, armi, veicoli e altri beni.
Polizia predittiva
Un utilizzo differente dei dati riguarda il predictive policing, o polizia predittiva. In questo caso, informazioni storiche sui reati, caratteristiche territoriali, eventi e altri fattori vengono analizzati attraverso modelli statistici e algoritmi per individuare situazioni nelle quali potrebbe aumentare il rischio di determinate attività criminali.
I sistemi possono concentrarsi su specifiche aree geografiche, individuando luoghi e fasce temporali maggiormente esposti a determinati reati, oppure prendere in considerazione indicatori riferiti alle persone. La finalità è fornire elementi utili alla pianificazione delle attività di prevenzione e alla distribuzione delle risorse, non stabilire con certezza se e quando verrà commesso un reato.
Tra gli esempi riportati da Europol compare il Crime Anticipation System (CAS) della polizia olandese, che analizza periodicamente dati relativi alla criminalità e al territorio per individuare schemi ricorrenti. Il sistema può, ad esempio, rilevare che una determinata tipologia di furto tende a verificarsi con maggiore frequenza in una specifica area e fascia oraria, fornendo indicazioni utili per l’organizzazione delle pattuglie.
L’impiego di questi sistemi può sollevare criticità legate al rischio di discriminazioni, alla trasparenza degli algoritmi e alla tutela dei diritti fondamentali. Per questo motivo, il loro utilizzo deve sempre avvenire nel rispetto delle garanzie previste dalla normativa europea e sotto la supervisione dell’uomo, affinché l’intelligenza artificiale rimanga uno strumento di supporto alle decisioni investigative e non un sostituto del giudizio umano.
OSINT e SOCMINT: investigare nel patrimonio informativo del web
Internet costituisce oggi un’enorme fonte di informazioni. L’Open Source Intelligence (OSINT) utilizza dati ottenuti da fonti pubblicamente accessibili, mentre la Social Media Intelligence (SOCMINT) concentra l’analisi sulle piattaforme social e sulle dinamiche che si sviluppano al loro interno.
La difficoltà principale non è più soltanto trovare informazioni, ma riuscire a selezionare quelle realmente utili all’interno di un flusso continuo di contenuti. Gli strumenti automatizzati possono supportare ricerche mirate, ricostruire tracce digitali, individuare collegamenti tra fonti differenti e analizzare sia dati strutturati sia contenuti più difficili da organizzare, come testi e materiali multimediali.
La rapidità assume particolare importanza quando le informazioni online possono essere cancellate o modificate in tempi molto brevi. Queste tecnologie trovano inoltre applicazione nell’individuazione di propaganda terroristica, contenuti estremisti, disinformazione e altri materiali illeciti. Attraverso l’analisi di testi e immagini, i sistemi possono riconoscere caratteristiche ricorrenti e segnalare contenuti che richiedono ulteriori verifiche.
Natural Language Processing: quando l’AI analizza il linguaggio
Verbali, testimonianze, chat, e-mail, intercettazioni e comunicazioni online costituiscono una parte consistente del materiale raccolto durante molte indagini. Il Natural Language Processing (NLP) permette ai sistemi informatici di elaborare il linguaggio umano e trasformare grandi quantità di testo in informazioni più facilmente analizzabili.
Le applicazioni comprendono la classificazione dei documenti, il raggruppamento di casi con caratteristiche simili, la sintesi di testi particolarmente lunghi e la traduzione automatica. Quest’ultima può assumere un ruolo rilevante nelle indagini internazionali: la piattaforma SIENA di Europol, utilizzata per lo scambio sicuro di informazioni tra autorità di numerosi Paesi e organizzazioni internazionali, integra già funzionalità di traduzione in tempo reale.
Una tecnica particolarmente utile è il Named Entity Recognition (NER), attraverso cui il sistema individua automaticamente, all’interno dei testi, elementi come persone, organizzazioni e veicoli. In presenza di grandi archivi documentali, questa capacità consente di restringere rapidamente l’analisi alle informazioni potenzialmente rilevanti.
Digital forensics e computer vision
Computer e smartphone possono contenere migliaia di file e conservare tracce digitali decisive per ricostruire attività, comunicazioni e collegamenti. Nella digital forensics, l’AI viene utilizzata per classificare e filtrare il materiale acquisito, individuare contenuti di interesse e supportare attività di recupero e analisi dei dati.
Gli algoritmi possono inoltre contribuire al rilevamento di anomalie riconducibili ad attività informatiche malevole, come hacking e phishing, oppure mettere in relazione tracce provenienti da dispositivi diversi. L’obiettivo è ridurre il tempo necessario per orientarsi all’interno di archivi digitali sempre più estesi, lasciando agli specialisti la valutazione delle evidenze emerse.
La computer vision permette invece di elaborare automaticamente immagini e video.
I flussi provenienti dalla videosorveglianza possono essere analizzati in tempo reale per rilevare eventi predefiniti o anomalie, come oggetti abbandonati, accessi non autorizzati o situazioni che richiedono attenzione. Durante grandi eventi, la stessa tecnologia può contribuire all’analisi dei flussi di persone e all’individuazione preventiva di possibili criticità.
La classificazione automatica delle immagini è utile anche nell’esame forense dei dispositivi: invece di visionare manualmente migliaia di fotografie, il sistema può organizzarle e selezionare quelle potenzialmente pertinenti, riducendo significativamente il materiale da sottoporre all’analisi umana.
Biometria e identificazione
Il riconoscimento delle persone rappresenta un altro settore nel quale l’AI sta modificando l’impiego di strumenti investigativi già consolidati. Le tecnologie biometriche sfruttano caratteristiche fisiologiche o comportamentali, tra cui volto, impronte digitali, iride, voce e andatura.
Nel riconoscimento facciale automatizzato, gli algoritmi estraggono caratteristiche da un’immagine o da un filmato e le confrontano con immagini presenti in database di riferimento. Questo può supportare l’identificazione di soggetti sconosciuti, la ricerca di persone scomparse o il collegamento tra elementi provenienti da indagini differenti.
È importante distinguere l’analisi effettuata successivamente a un evento dal riconoscimento in tempo reale negli spazi pubblici, che presenta implicazioni giuridiche molto più rilevanti.
Anche l’analisi delle impronte digitali beneficia degli algoritmi: i sistemi possono effettuare rapidamente confronti all’interno di grandi archivi e individuare dettagli utili anche in impronte parziali, sfocate o di scarsa qualità. A queste tecniche si affiancano il riconoscimento vocale, l’analisi dell’iride e dell’andatura, ampliando le possibilità di identificazione disponibili nei diversi contesti operativi.
L’AI generativa entra nelle investigazioni
Una delle evoluzioni più recenti riguarda l’intelligenza artificiale generativa, capace di produrre nuovi testi, immagini e altri contenuti sulla base di quanto appreso durante l’addestramento.
I Large Language Models (LLM) possono assistere nella ricerca su fenomeni criminali poco conosciuti, nell’analisi di fonti aperte, nella sintesi della documentazione e nella preparazione di rapporti. Le Generative Adversarial Networks (GAN) consentono invece di creare dati sintetici, compresi volti e impronte artificiali, che possono essere impiegati per testare sistemi biometrici senza utilizzare necessariamente dati appartenenti a persone reali.
Questi strumenti richiedono però particolare cautela. Un modello linguistico può produrre informazioni plausibili ma inesatte, le cosiddette hallucinations, e non può quindi essere considerato una fonte automaticamente affidabile. Nei contesti investigativi diventa essenziale verificare gli output e utilizzare ambienti adeguatamente protetti quando vengono trattate informazioni sensibili.
Quando l’algoritmo sbaglia: limiti, bias e responsabilità
La qualità di un sistema di intelligenza artificiale dipende in larga misura dai dati sui quali viene addestrato. Dataset incompleti, poco rappresentativi o influenzati da distorsioni storiche possono produrre risultati altrettanto distorti.
Europol richiama, ad esempio, il rischio di un feedback loop nel predictive policing: se un’area è stata storicamente sottoposta a controlli più intensi, i dati registreranno inevitabilmente una maggiore quantità di reati in quella zona. Un algoritmo addestrato su tali informazioni potrebbe considerarla ancora più rischiosa e suggerire nuovi controlli, contribuendo così a rafforzare lo stesso schema dal quale era partito.
La questione riguarda anche la trasparenza. Quando un sistema fornisce un’identificazione biometrica, una previsione o una raccomandazione, il risultato non dovrebbe essere interpretato come una conclusione autonoma. Un confronto facciale, ad esempio, indica una determinata somiglianza tra due immagini: sono necessari ulteriori elementi e una valutazione umana prima che quel dato possa assumere un reale valore investigativo.
Privacy, protezione dei dati, responsabilità e possibilità di comprendere e contestare l’utilizzo di un sistema diventano quindi componenti essenziali dell’impiego dell’AI in un settore nel quale gli errori possono incidere direttamente sui diritti delle persone.
L’AI Act e le nuove regole europee
A disciplinare questo scenario interviene il Regolamento (UE) 2024/1689, conosciuto come AI Act, che adotta un modello basato sul rischio: maggiore è il potenziale impatto di un sistema su sicurezza e diritti fondamentali, più rigorosi sono i requisiti previsti.
Per le attività di polizia alcune disposizioni assumono particolare rilevanza. Il regolamento limita fortemente l’identificazione biometrica a distanza in tempo reale negli spazi pubblici, prevedendo specifiche eccezioni per finalità definite, come la ricerca mirata di vittime, la prevenzione di determinate minacce terroristiche o la localizzazione di soggetti coinvolti in gravi forme di criminalità.
È inoltre vietata la polizia predittiva individuale quando il rischio che una persona commetta un reato viene determinato esclusivamente attraverso la profilazione o la valutazione delle sue caratteristiche personali. Un altro divieto riguarda la creazione o l’ampliamento indiscriminato di database di riconoscimento facciale tramite raccolta non mirata di immagini provenienti da Internet o da sistemi CCTV.
Altre applicazioni vengono invece classificate come ad alto rischio e possono essere utilizzate a condizione che rispettino specifici obblighi di valutazione, sicurezza, qualità dei dati e supervisione.
Sperimentare prima di applicare
Adeguare l’innovazione alle nuove regole richiede strumenti specifici. Europol, insieme ad altri partner europei, ha sviluppato CC4AI, una guida destinata a supportare le autorità nella valutazione della conformità dei sistemi di intelligenza artificiale rispetto all’AI Act.
Il regolamento prevede inoltre le regulatory sandboxes, ambienti controllati nei quali sviluppatori e autorità possono sperimentare nuovi sistemi, valutarne i rischi e correggere eventuali criticità prima dell’impiego in situazioni reali. L’idea è permettere all’innovazione di progredire senza trasformare la sperimentazione tecnologica in un rischio per le persone.
Guardando oltre le applicazioni già disponibili, Europol individua possibili sviluppi nell’integrazione dell’AI con tecnologie quali quantum computing, reti 6G, droni, robotica ed edge computing. Parallelamente diventerà sempre più importante l’AI literacy, cioè la capacità degli operatori di comprendere non soltanto come utilizzare questi strumenti, ma anche i loro limiti, i rischi e le responsabilità connesse.
Conclusioni
L’intelligenza artificiale non introduce semplicemente nuovi strumenti: modifica il modo in cui le informazioni possono essere cercate, organizzate e interpretate durante un’indagine.
Dall’analisi di enormi quantità di dati alla ricostruzione delle tracce digitali, dalla biometria alle fonti aperte, molte operazioni che un tempo richiedevano tempi considerevoli possono oggi essere affrontate con strumenti molto più avanzati.
La tecnologia, tuttavia, non elimina la necessità della competenza investigativa. Al contrario, rende ancora più importante saper valutare la qualità di un’informazione, riconoscere i limiti di un algoritmo e distinguere un’indicazione automatizzata da un elemento effettivamente verificato.
La sfida dei prossimi anni sarà quindi utilizzare l’AI dove può offrire un reale vantaggio operativo, senza attribuirle un’affidabilità che non possiede. Innovazione, competenza professionale e regole dovranno procedere insieme: è da questo equilibrio che dipenderà il ruolo dell’intelligenza artificiale nelle investigazioni del futuro.