Quando si parla di criminalità finanziaria, il tempo è una variabile decisiva. Molti controlli arrivano quando il danno si è già prodotto: dopo una frode, dopo che denaro pubblico è stato sottratto o quando un’impresa è già entrata nella rete della criminalità organizzata. E se l’intelligenza artificiale (AI) potesse individuare prima le aziende che presentano caratteristiche compatibili con quelle osservate in società coinvolte in attività illecite?

È la scommessa di Rozes, spin-off dell’Università di Padova che utilizza algoritmi di AI per analizzare bilanci e informazioni societarie e trasformarli in indicatori di rischio. Il progetto nasce dalle ricerche dell’Ateneo padovano e si è avvalso delle competenze del professor Antonio Parbonetti, docente di Economia aziendale.

L’obiettivo è ambizioso: utilizzare l’intelligenza artificiale per cercare dentro enormi quantità di dati economici segnali che potrebbero sfuggire ai controlli tradizionali.

Una sorta di “Minority Report” dei bilanci

Viene subito in mente “Minority Report“, il film di Steven Spielberg tratto dal racconto di Philip K. Dick, ma è un paragone che va maneggiato con cautela. Nel film l’unità “Precrime” arresta le persone prima che commettano un omicidio. Rozes non sostiene di conoscere il futuro, né di poter stabilire che un’impresa commetterà un reato. Il punto di contatto intrigante è un altro: spostare l’attenzione da ciò che è già successo alla stima di dove potrebbe emergere un rischio.

L’algoritmo estrae informazioni da database e fonti pubbliche, compresi bilanci depositati alle Camere di Commercio e dati della Pubblica amministrazione. Voci contabili e indicatori finanziari vengono confrontati con quelli di un campione di imprese per le quali determinati illeciti sono stati accertati.
L’Indice Rozes misura quindi una similarità statistica. Un punteggio elevato non significa “questa azienda è criminale”, ma indica che alcune caratteristiche assomigliano a quelle riscontrate nel campione utilizzato dal modello.

“Si tratta del primo modello di intelligenza artificiale che è in grado attraverso l’algoritmo, sulla base dell’analisi dei bilanci delle varie aziende, di identificare il grado di similarità rispetto a quelle che commettono illeciti”, ha spiegato all’Ansa il cofondatore e amministratore delegato Jacopo Berti, precisando che “il risultato costituisce un’indicazione statistica, non un accertamento“, e che la decisione finale resta all’uomo.

Dalle frodi al caporalato

Secondo Rozes, il sistema può individuare indicatori associati a 15 macrocategorie di reato e fenomeni illeciti: collusioni mafiose, turbative d’asta, caporalato, frodi, riciclaggio, falsa fatturazione, bancarotta fraudolenta, truffe sul debito o sul credito, attività di prestanome e cartelli.

La prospettiva è quella della risk intelligence: utilizzare l’AI per effettuare una prima selezione e indicare a funzionari e investigatori dove concentrare i controlli. Un approccio particolarmente interessante per appalti pubblici e PNRR. “Lavoriamo da dieci anni su questi temi e studiando il fenomeno abbiamo verificato quanto siano a rischio i fondi Pnrr e in generale le grandi immissioni di capitali”, ha precisato Berti, aggiungendo: “Abbiamo calcolato che se avessimo applicato questi modelli ogni anno al mondo degli appalti della pubblica amministrazione, lo Stato avrebbe potuto recuperare tra i 10 e i 15 miliardi di euro all’anno”.

Una cifra importante, che deve però essere considerata per quello che è: una stima elaborata dalla società sviluppatrice, non un risparmio già verificato nella PA.

Dalla sperimentazione al MIT alla Commissione parlamentare di inchiesta il 30 settembre

Nel 2025 il ministero delle Infrastrutture e dei Trasporti ha annunciato la sperimentazione della tecnologia, presentandola come uno strumento per rafforzare i controlli contro le infiltrazioni criminali. Secondo il MIT, il sistema può contribuire alla “razionalizzazione nell’analisi del rischio”, rafforzare la trasparenza e consentire l’analisi di enormi quantità di dati, permettendo all’amministrazione di anticipare potenziali minacce.

Ora la tecnologia arriva anche all’attenzione parlamentare: gli sviluppatori sono stati convocati per il 30 settembre dalla commissione parlamentare di inchiesta competente anche sul fenomeno del caporalato.

Cosa significa davvero quel 90%

È sui numeri che occorre maggiore cautela. Secondo le statistiche comunicate dalla startup a Lorenzo Attianese dell’Ansa, la precisione dell’algoritmo è intorno al 90%: su dieci soggetti giuridici indicati come rischiosi, per nove l’allarme sarebbe confermato. Per alcune applicazioni viene indicata un’accuratezza del 92%.

Ma esiste un secondo dato altrettanto importante: su dieci soggetti effettivamente rischiosi, quattro possono ancora sfuggire a Rozes. Non è necessariamente una contraddizione. Precisione e capacità di intercettare tutti i casi positivi misurano prestazioni differenti. Per questo sarebbe fuorviante tradurre quei numeri sostenendo semplicemente che l’AI “indovina nove criminali su dieci”.

Servono verifiche indipendenti, dataset rappresentativi e risultati replicabili su casi differenti da quelli utilizzati per sviluppare il modello.

Falsi positivi, privacy e rischio di automatizzare il sospetto

Il problema più evidente è quello dei falsi positivi. Un’impresa può presentare indicatori contabili simili a quelli di aziende coinvolte in attività criminali senza aver commesso alcun reato. All’opposto, esistono i falsi negativi: imprese criminali che non presentano le caratteristiche riconosciute dall’algoritmo.

C’è poi un limite strutturale: l’AI impara dal passato. Se il campione comprende soprattutto i comportamenti criminali che le autorità sono già riuscite a scoprire, il modello potrebbe essere molto efficace nel riconoscere schemi conosciuti e meno efficace davanti a nuove strategie, di cui la criminalità finanziaria è maestra.

Resta infine la questione della privacy e delle decisioni automatizzate. Come previsto dal GDPR, l’utilizzo di informazioni pubbliche non elimina automaticamente i problemi di protezione dei dati, soprattutto quando le informazioni societarie possono essere ricondotte ad amministratori, soci e titolari effettivi.

Anche l’AI Act europeo impone particolare cautela nell’utilizzo dell’intelligenza artificiale per valutare il rischio criminale delle persone fisiche. Rozes lavora principalmente su soggetti giuridici e dati economico-societari, ma la questione decisiva rimane la stessa: quali conseguenze produce concretamente il punteggio assegnato dall’algoritmo?

Ed è qui che torna utile il nostro “Minority Report“. Rozes non dispone di “precog” digitali: cerca nel presente tracce statistiche che assomigliano a quelle lasciate nel passato da imprese coinvolte in attività criminali. L’AI può quindi aiutare lo Stato a capire dove guardare, riducendo il lavoro preliminare necessario per analizzare milioni di informazioni.
Bisogna però sempre tenere a mente che un indicatore di rischio non può diventare una prova, né trasformare automaticamente un’anomalia statistica in un sospetto di colpevolezza.

La vera “prova” per Rozes sarà dimostrare che le percentuali dichiarate reggono all’utilizzo su larga scala e a valutazioni indipendenti. Perché indicare dove cercare può essere compito di un algoritmo. Stabilire se esiste un reato e chi ne è responsabile deve restare sempre compito dell’uomo.