Il caso di Milena Sutter, 13 anni, sparita a Genova il 6 maggio 1971 e ritrovata senza vita, in mare, dopo due settimane, presenta un dettaglio che nessuno ha mai approfondito a dovere: alla sparizione, qualificata senza fondamento come un sequestro di persona per motivi di denaro, è subito seguita la presenza del colpevole perfetto.
Il colpevole perfetto è Lorenzo Bozano, 25 anni nel 1971, rampollo di una famiglia dell’alta borghesia genovese. Un perdigiorno senza arte né parte, ci dicono, che è stato visto sostare con la sua spider rossa vicino alla casa e alla scuola media di Milena.
Ci troviamo di fronte a un caso di “indagini predittive”: ciò che viene previsto, si realizza.
Si prevede il sequestro? Ecco la telefonata di riscatto dopo una dozzina di ore. Si prevede un rapitore? Ecco Lorenzo Bozano servito in tavola. Si prevede una fine tragica? Ecco la certezza dell’omicidio, con tanto di giorno e orario, ad appena tre ore dal ritrovamento del corpo di Milena nel mare di Genova.
Facciamo un passo in avanti nel tempo: trent’anni dopo.
Nel 2002, il cinema ci porta in una Washington dal sapore cupo e distopico. Nel film Minority Report, una squadra speciale arresta i criminali prima del reato.
Quella provocazione sul confine tra sicurezza e libero arbitrio oggi ha abbandonato lo schermo. È entrata nelle centrali operative delle forze dell’ordine in tutto il mondo.
I server silenziosi elaborano miliardi di dati al secondo. L’algebra tenta di sostituire l’intuito dell’investigatore. Oppure, in altri casi, prova a potenziarlo.
Attraverso l’analisi dei Big Data, le polizie non si limitano a reagire a un reato consumato, ma provano ad anticiparlo. Questo passaggio da una logica repressiva a una logica predittiva solleva interrogativi devastanti.
Cosa succede alla presunzione di innocenza quando il sospetto nasce da un’elaborazione statistica?
Come giornalista abituato a smontare le narrazioni ufficiali, sento il dovere di esplorare questo confine. In una società complessa, la tentazione di delegare le scelte difficili alle macchine è forte.
I media amplificano questa illusione. Spesso i giornali celebrano il “miracolo tecnologico” senza esercitare il dubbio e il pensiero critico. Noi, invece, abbiamo il dovere di capire e di orientarci.
Che cos’è la polizia predittiva
Sgombriamo il campo dai fraintendimenti. La polizia predittiva, nota come predictive policing, è un insieme di metodologie di analisi dati e algoritmi di apprendimento automatico (Machine Learning).
Il loro scopo è calcolare la probabilità che si verifichi un evento criminoso. Questi strumenti si dividono in due grandi famiglie, con impatti giuridici e sociali ben diversi.
I sistemi di predizione geografica (place-based) non cercano di identificare chi commetterà un reato. Cercano di capire dove e quando è più probabile che avvenga.
L’algoritmo analizza le mappe della criminalità storica. Studia gli orari, la tipologia di reato, i luoghi delle denunce. Valuta persino le condizioni atmosferiche e la vicinanza a stazioni o locali.
Lo scopo è individuare le cosiddette hot spot: le aree urbane a maggior rischio nelle ore successive. L’obiettivo resta l’ottimizzazione delle pattuglie sul territorio.
Si inviano le volanti nei punti strategici prima che il reato predatorio, come furti o spaccio, venga consumato.
I sistemi di profilazione individuale (person-based) spostano invece il focus dal territorio alla singola persona. È il versante più controverso e delicato. Attraverso la profilazione dei dati personali, il software assegna un punteggio di rischio (risk score) a un individuo.
Questi dati possono includere precedenti penali, relazioni sociali, frequentazioni. In alcuni casi, abbracciano persino i dati di residenza e le interazioni sui social media.
È l’avanzamento tecnologico applicato a una pratica messa in atto proprio a Genova, nel maggio 1971, appena si è individuata la figura di Lorenzo Bozano. In questura hanno subito fatto la ricerca sui precedenti penali, che non mancavano.
Sono stati così rapidi che – confesso – mi è venuto il sospetto che Bozano fosse già “attenzionato” – sotto i riflettori e i radar – dagli investigatori. Prima ancora del (presunto) sequestro di Milena Sutter.
L’obiettivo, nel caso dell’uso della Intelligenza Artificiale applicata alla profilazione dei possibili criminali, è determinare la probabilità statistica che un soggetto commetta un reato o ne diventi vittima. Da semplice strumento logistico, la tecnologia diventa una questione di diritto costituzionale.
La profilazione individuale entra a gamba tesa sulle libertà fondamentali. Trasforma la probabilità statistica in una forma di sorveglianza speciale preventiva.
È quello che, già una quindicina di anni fa, facevano i protagonisti della serie televisiva Person of interest.
I software e le sirene della tecnologia
I modelli matematici usati dalle forze dell’ordine derivano in molti casi dalle teorie sismologiche. L’assunto di fondo è che un reato consumato aumenti, in via temporanea, la probabilità di altri illeciti nelle immediate vicinanze.
Negli Stati Uniti, laboratori di questa transizione, il software PredPol (poi rinominato Geolitica) analizzava solo tre variabili: tipo di reato, luogo e data. Generava così mappe di pattugliamento usate a Los Angeles e Atlanta.
Nel versante della profilazione individuale, sistemi come Compas venivano integrati nei tribunali americani. Assegnavano un punteggio di rischio di recidiva ai detenuti. Erano punteggi in grado di influenzare decisioni su cauzioni, sconti di pena o libertà vigilata.
L’Europa e l’Italia hanno seguito una strada diversa. L’attenzione si è concentrata in primo luogo sulla predizione geografica per prevenire i reati predatori, come furti in appartamento e scippi.
Troviamo software come KeyCrime, sviluppato a Milano. Questo sistema incrocia decine di variabili oggettive, legate al modus operandi dei rapinatori per guidare gli appostamenti degli agenti di polizia.
Troviamo poi X-LAW, sperimentato in città come Napoli, Venezia e Prato. Si basa su un algoritmo matematico, utile per individuare i modelli di comportamento criminale predatorio nello spazio e nel tempo.
Algoritmi e discriminazione
L’efficienza operativa di questi strumenti appare seducente. Eppure, il passaggio dal calcolo delle probabilità alla realtà delle strade rivela fragilità strutturali.
L’affidabilità di un algoritmo dipende in via esclusiva dalla bontà dei dati che lo alimentano. La macchina comincia a replicare, e ad amplificare, i difetti dell’uomo.
Il primo rischio è la profezia che si autoavvera. È il loop della discriminazione automatizzata (feedback loop). Gli algoritmi elaborano dati storici, come denunce e verbali di arresto del passato.
Immaginiamo un quartiere di periferia. Se la polizia ha concentrato le pattuglie in quel quartiere popolare o a forte presenza immigrata, il database registrerà un numero sproporzionato di interventi in quell’area.
L’algoritmo, privo di senso critico, interpreterà questo dato come una conferma. Bollerà quel quartiere come “strutturalmente criminale”. Invierà un numero ancora maggiore di pattuglie.
Più pattuglie sul posto significano più perquisizioni. Più controlli generano, di riflesso, più reati minori rilevati. Il risultato è un ciclo chiuso (dirty data loop). Questo circolo vizioso giustifica, con la matematica, un pregiudizio preesistente.
È qui che il giornalismo interculturale lancia l’allarme. Questo meccanismo alimenta la criminalizzazione del diverso.
Se i media riprendono i dati generati dagli algoritmi senza farsi domande, rafforzano lo stereotipo del “quartiere etnico pericoloso”. Non raccontano la verità; si limitano a fare da megafono a un pregiudizio algoritmico.
Il problema della “scatola nera”
Molti dei software utilizzati dai dipartimenti di polizia sono prodotti da aziende private. Sono, per questo motivo, coperti da segreto commerciale.
Cittadini, avvocati difensori e giudici non possono conoscere con esattezza le metriche. Ignorano i dati di addestramento e il codice sorgente che hanno definito un soggetto o una zona “ad alto rischio”.
Questo elemento rappresenta un vulnus gravissimo per il diritto alla difesa e per il principio di trasparenza.
La profilazione predittiva personale mina, alla radice, la presunzione di innocenza sancita dalle costituzioni democratiche. Trattare un individuo come un potenziale criminale in base a un’appartenenza statistica sposta il baricentro della giustizia.
Non si è più responsabili per il fatto compiuto. Si diventa colpevoli per inclinazione probabile. È un sospetto basato su un gruppo a rischio, senza indizi individualizzati o condotte materiali.
I paletti della Ue e la civiltà del diritto
Di fronte al rischio di scenari distopici, l’Unione Europea ha scelto una strada opposta a quella statunitense e cinese.
Ha messo la tutela dei diritti umani al centro della regolamentazione digitale con l’EU AI Act. Questo quadro normativo organico si basa sul rischio. Impone i paletti più severi nell’ordine pubblico e nell’amministrazione della giustizia.
L’Unione Europea fissa divieti assoluti per non scivolare verso la sorveglianza di massa. Mette al bando la profilazione predittiva individuale.
È poi vietato l’uso di sistemi di Intelligenza Artificiale volti a prevedere il rischio che una persona commetta un reato. E che lo faccia basandosi in via esclusiva sulle sue caratteristiche personali.
Pone inoltre limiti rigorosi al riconoscimento biometrico remoto, in tempo reale, negli spazi pubblici. Vi è un divieto generale, salvo eccezioni tassative circoscritte e soggette ad autorizzazione giudiziaria preventiva.
Le eccezioni riguardano casi come la ricerca di vittime di sequestro; o minacce terroristiche imminenti.
Tutti i sistemi di IA consentiti nell’applicazione della legge rientrano nella categoria degli strumenti ad alto rischio. Devono soddisfare requisiti rigorosi:
- Richiedono documentazione tecnica dettagliata per eliminare l’effetto “scatola nera”
- Impongono la sorveglianza umana (human-in-the-loop): l’algoritmo non può mai prendere decisioni autonome ed esecutive, ma deve rimanere un supporto consultivo per l’operatore umano
- Prevedono valutazioni d’impatto obbligatorie per garantire l’assenza di distorsioni discriminatorie nei dati
Il fattore umano: empatia e pensiero critico
L’efficienza della tecnologia non equivale in automatico a una maggiore giustizia.
L’illusione di poter calcolare il crimine con la precisione di un’equazione rischia di farci dimenticare un elemento di base: la complessità sociale, economica e umana che sta dietro ogni violazione della legge.
Affidare a una macchina l’individuazione del pericolo trasforma le fragilità di un quartiere, o la marginalità di un individuo, in una condanna statistica.
Gli algoritmi restano alleati preziosi. Aiutano a razionalizzare la logistica, ad analizzare volumi enormi di dati investigativi e a contrastare reati complessi come il cybercrime.
Tuttavia, la prevenzione del reato e la tutela dell’ordine pubblico non possono prescindere da altri fondamentali fattori: la presenza vigile, l’empatia e il discernimento critico dell’investigatore umano.
Oggi più che mai, l’educazione ai media (media education) diventa un dovere civico.
Le narrazioni dominanti tendono a vendere l’Intelligenza Artificiale come la cura di tutti i mali. I titoli dei giornali enfatizzano l’infallibilità dei calcoli, a discapito dei diritti civili.
Il nostro compito, come persone che vogliono comprendere a fondo la società, è spezzare questo ciclo delle illusioni.
Dobbiamo chiederci: chi programma questi algoritmi? Quale visione del mondo incorpora il codice? Senza queste domande, finiamo per accettare una realtà pre-confezionata, in cui i soggetti più deboli pagano il prezzo più alto.
Da osservatore dei media e dei conflitti, ribadisco che i dati senza etica sono ciechi.
La regolamentazione europea dimostra che la vera forza di una democrazia non sta nel sorvegliare ogni mossa dei cittadini. Sta nella determinazione con cui protegge i loro diritti, anche a costo di rinunciare alle scorciatoie offerte da un algoritmo.
La sicurezza del futuro deve nascere dalla trasparenza delle regole e dalla centralità della persona. Non dalla paura calcolata da un software.
La sfida per chi legge è coltivare il pensiero critico. Ed esigere una comunicazione autentica, profonda e radicata nel rispetto dell’essere umano.
La stessa comunicazione autentica che, mi sono reso conto, è fondamentale per capire e per spiegare anche un caso vecchio e complesso, come il caso di Milena Sutter e Lorenzo Bozano.
Maurizio F. Corte
Maurizio F. Corte, giornalista professionista, scrittore per i media e media educator, è docente a contratto di Comunicazione Interculturale nei Media al Centro Studi Interculturali dell’Università di Verona e coordinatore didattico del Master in Intercultural Competence and Management e in Giornalismo europeo, Media e Giornalismo interculturale
Restiamo in contatto su LinkedIn
ISCRIVITI ALLA NEWSLETTER OFFICINA DEL VERO™ – IL BIONDINO DELLA SPIDER ROSSA
FONTI BIBLIOGRAFICHE
Gli articoli non nascono sul nulla. Si basano su letture di alto profilo e su esperienze professionali e personali. Di seguito alcune delle fonti più importanti a cui l’autore si è rifatto.
Il lavoro di studio e analisi è supportato da un uso etico e responsabile dell’Intelligenza Artificiale, addestrata dall’autore per questi articoli. Ecco i modelli di IA utilizzati: Notebook LM, Claude, Gemini, Manus.
Denis McQuail, Mark Deuze, Media & Mass Communication Theory, SAGE Publications, London, 2020.
Denis McQuail, Journalism and Society, SAGE Publications, London, 2013
N. Berning, Narrative Means to Journalistic Ends, VS Research, Wiesbaden, 2011
E. Goffman, Frame analysis, Northeastern Univ Pr, Boston, 1986
D. Machin – A. Mayr, How to do Critical Discourse Analysis, SAGE Publications, London, 2012
Nicholas Carah, Amy Dobson, Sungyong Ahn, Media & Society, SAGE Publications, London, 2024.
E. Sapiera, Understanding New Media, SAGE Publications, London, 2026
Nick Couldry, Andreas Hepp, The Mediated Construction of Reality, Polity Press, Cambridge, 2016.
Leighton Evans, Media Studies: Industries, Texts and Audiences, SAGE Publications, London, 2023.
Deana A. Rohlinger, Sarah Sobieraj, The Oxford Handbook of Digital Media Sociology, Oxford University Press, Oxford, 2022.
Michael Stevenson, Misha Kavka, Doing Media Research, SAGE Publications, Londra, 2023.
Stanley J. Baran, Dennis K. Davis, Mass Communication Theory (8th Edition), Oxford University Press, New York, 2020.