Quando l’algoritmo entra nel processo penale

Intelligenza artificiale, prova digitale e diritto di difesa: opportunità, rischi e metodo forense

Dott. Domenico Moretta
Criminalista forense – Digital & Audio Forensics Expert
Studioso di diritto delle nuove tecnologie e prova digitale

Dalla biometria remota alle trascrizioni automatiche, dall’analisi massiva dei dispositivi alla verifica dei deepfake: l’intelligenza artificiale può accelerare le indagini e rendere esplorabili quantità di dati fino a ieri ingestibili. Ma un risultato algoritmico non diventa prova soltanto perché è stato prodotto da un software avanzato.

Una telecamera individua un volto tra migliaia di persone. Un sistema automatico trascrive ore di intercettazioni. Un algoritmo seleziona, all’interno di diversi smartphone, le immagini considerate pertinenti all’indagine. Un modello confronta due voci e restituisce un indice di compatibilità. Un altro software segnala che un video potrebbe essere stato generato o manipolato mediante intelligenza artificiale.

Queste situazioni non appartengono più alla fantascienza giudiziaria. Sono già tecnicamente possibili e, in alcuni ambiti, costituiscono parte dell’ordinaria evoluzione degli strumenti investigativi e della digital forensics.

La vera domanda, dunque, non è se l’intelligenza artificiale possa entrare nel processo penale. In parte vi è già entrata.

La questione decisiva è un’altra: a quali condizioni l’esito prodotto da un sistema di IA può essere utilizzato per orientare un’indagine, fondare un accertamento tecnico o contribuire alla formazione della prova?

Il tema è divenuto particolarmente attuale dopo l’approvazione preliminare, il 10 giugno 2026, degli schemi di decreto legislativo destinati ad attuare la legge italiana sull’intelligenza artificiale. L’Unione delle Camere penali italiane ha espresso forti preoccupazioni, soprattutto in relazione all’identificazione biometrica remota e alla mancanza di presidi sufficienti di trasparenza, verificabilità e confutabilità dei risultati algoritmici.

Il confronto, però, non dovrebbe essere impostato come una contrapposizione ideologica tra innovazione e garanzie. L’IA non deve essere né demonizzata né accreditata di una presunta neutralità scientifica. Deve essere trattata per ciò che è: uno strumento tecnico capace di produrre inferenze, classificazioni, previsioni o contenuti, il cui valore dipende dalla qualità dei dati, dal modello utilizzato, dalle condizioni operative e dalla possibilità di sottoporlo a controllo.

Non esiste una sola “IA nel processo penale”

L’espressione “intelligenza artificiale nel processo penale” comprende fenomeni molto diversi, che devono essere tenuti distinti.

Una prima categoria riguarda l’IA utilizzata per attività organizzative o amministrative: classificazione dei fascicoli, anonimizzazione dei provvedimenti, ricerca documentale, gestione delle udienze e supporto alla redazione di atti.

Una seconda categoria comprende gli strumenti destinati ad assistere il magistrato nell’interpretazione del diritto, nell’analisi dei fatti o nella ricerca dei precedenti. È l’area più vicina alla cosiddetta augmented justice, nella quale il sistema non decide formalmente ma può influenzare il percorso cognitivo del decisore.

Una terza categoria, particolarmente delicata, riguarda l’impiego dell’IA nell’attività di polizia e nelle indagini preliminari: riconoscimento facciale, analisi dei collegamenti, classificazione automatica di contenuti, identificazione di schemi comportamentali, ricerca di persone, analisi biometrica e valutazione automatizzata di grandi quantità di dati.

Vi è poi l’IA utilizzata direttamente nell’analisi forense: trascrizione automatica, riconoscimento del parlante, rilevazione di oggetti o volti, estrazione di entità, correlazione tra dispositivi, analisi di immagini e video, ricerca semantica nelle chat, individuazione di contenuti sintetici o manipolati.

Infine, l’intelligenza artificiale può trovarsi non soltanto dalla parte di chi analizza la prova, ma anche dalla parte di chi la produce o la altera. Deepfake audiovisivi, clonazione vocale, immagini sintetiche, messaggi artificialmente generati e documenti falsificati rendono sempre più complesso stabilire l’origine e la genuinità dei contenuti digitali.

Queste ipotesi non possono essere assoggettate a un’unica disciplina epistemologica. Occorre distinguere almeno tre funzioni:

1. IA come strumento di ricerca o triage investigativo;
2. IA come strumento di analisi dal quale deriva un’inferenza potenzialmente probatoria;
3. IA come tecnologia che ha generato, modificato o contaminato l’oggetto della prova.

La distinzione è fondamentale. Un sistema che seleziona dieci immagini ritenute rilevanti tra centomila file svolge una funzione diversa da un sistema che attribuisce un volto o una voce a una determinata persona. Nel primo caso l’IA aiuta a trovare il materiale da esaminare; nel secondo produce una conclusione che può incidere direttamente sulla posizione dell’indagato.

Il quadro europeo: l’IA giudiziaria come sistema ad alto rischio

Il Regolamento europeo 2024/1689, noto come AI Act, adotta un modello fondato sulla graduazione del rischio.

Sono considerati ad alto rischio, tra gli altri, i sistemi utilizzati dalle autorità di polizia per valutare l’affidabilità degli elementi probatori, effettuare alcune forme di profilazione o supportare attività di prevenzione e repressione dei reati. Rientrano nella medesima categoria i sistemi utilizzati da un’autorità giudiziaria, o per suo conto, per ricercare e interpretare fatti e norme e applicare il diritto al caso concreto.

La qualificazione come sistema ad alto rischio comporta obblighi relativi, tra l’altro, a:

• gestione del rischio;
• qualità e rappresentatività dei dati;
• documentazione tecnica;
• registrazione automatica degli eventi;
• trasparenza verso l’utilizzatore;
• supervisione umana;
• accuratezza, robustezza e sicurezza informatica;
• monitoraggio del funzionamento.

La scelta europea è significativa: l’IA applicata alla giustizia non viene vietata in via generale, ma viene considerata intrinsecamente capace di incidere sui diritti fondamentali, sullo Stato di diritto e sull’effettività del giusto processo.

Il sistema europeo non si limita, inoltre, a richiedere la presenza formale di un operatore umano. L’articolo 14 dell’AI Act impone che la supervisione sia effettiva. Il soggetto incaricato deve comprendere capacità e limiti del sistema, riconoscere anomalie, interpretarne correttamente l’output e restare consapevole del rischio di affidarsi eccessivamente alla risposta della macchina, fenomeno definito automation bias.

La persona deve anche poter ignorare, correggere o annullare il risultato prodotto dal sistema. Una conferma umana meramente rituale non soddisfa, quindi, il modello europeo.

Alla data di questo contributo, il quadro temporale di applicazione è in evoluzione. A seguito dell’accordo politico raggiunto il 7 maggio 2026 sul cosiddetto AI Omnibus, la Commissione europea indica il 2 dicembre 2027 quale data di applicazione delle regole relative a diverse categorie di sistemi ad alto rischio, comprese la biometria e altre aree sensibili. L’accordo dovrà comunque essere considerato nel quadro del completamento dell’iter legislativo europeo.

Il differimento degli obblighi non elimina, tuttavia, la necessità di applicare sin da ora i principi costituzionali, processuali, convenzionali e di protezione dei dati già vigenti.

La disciplina italiana: la decisione resta al magistrato

La legge 23 settembre 2025, n. 132, ha introdotto in Italia una prima disciplina organica dell’intelligenza artificiale.

L’articolo 15 stabilisce che, quando sistemi di IA sono impiegati nell’attività giudiziaria, resta sempre riservata al magistrato ogni decisione concernente:

• l’interpretazione e l’applicazione della legge;
• la valutazione dei fatti e delle prove;
• l’adozione dei provvedimenti.

La disposizione afferma un principio necessario, ma non sufficiente.

Che la decisione finale sia formalmente sottoscritta da un magistrato non esclude che il suo percorso cognitivo possa essere profondamente condizionato da un sistema automatizzato. L’elemento realmente decisivo non è soltanto chi emette il provvedimento, ma chi costruisce l’informazione sulla quale il provvedimento si fonda e in che modo tale informazione può essere controllata.

Un magistrato che ricevesse da un sistema un indice di rischio, un elenco di sospetti, una corrispondenza biometrica o una ricostruzione automatica dei fatti potrebbe essere formalmente libero di discostarsene. Tuttavia, senza conoscere il metodo, i dati utilizzati, il margine di errore e le condizioni operative, la sua valutazione rischierebbe di ridursi alla ratifica di un risultato tecnicamente opaco.

Per questa ragione, il concetto di human in the loop deve essere interpretato in senso sostanziale. La supervisione deve essere:

• competente;
• informata;
• documentata;
• temporalmente adeguata;
• realmente capace di modificare l’esito;
• indipendente dalla risposta suggerita dal sistema.

La legge n. 132/2025 ha inoltre delegato il Governo a disciplinare l’utilizzo dei sistemi di IA nell’attività di polizia e nelle indagini preliminari, imponendo il rispetto del diritto di difesa, della protezione dei dati dei terzi e dei principi di proporzionalità, non discriminazione e trasparenza.

Il decreto attuativo e il nodo della biometria remota

Lo schema approvato in via preliminare dal Consiglio dei ministri il 10 giugno 2026 prevede, tra le altre innovazioni, l’introduzione dell’articolo 359-ter del codice di procedura penale, dedicato all’identificazione e alla localizzazione mediante sistemi di identificazione biometrica remota in tempo reale.

Si tratta di una tecnologia capace di acquisire i dati biometrici di persone che non partecipano attivamente al processo di identificazione e di confrontarli con una banca dati di riferimento.

Il riconoscimento facciale in tempo reale non corrisponde alla semplice verifica dell’identità di una persona che presenta volontariamente il proprio volto a un dispositivo. È un’attività potenzialmente estesa a una pluralità indeterminata di soggetti presenti in uno spazio pubblico.

La tecnologia può avere indubbia utilità operativa. Può aiutare a localizzare una persona ricercata, individuare un sospettato o ricostruire spostamenti rilevanti. Ma la sua capacità di incidere contemporaneamente sulla libertà personale, sulla riservatezza e sulla presunzione di innocenza impone garanzie particolarmente rigorose.

Il primo errore da evitare è considerare il risultato di un sistema biometrico come un’identificazione certa.

Un sistema di riconoscimento facciale restituisce normalmente una misura di somiglianza tra una traccia e uno o più elementi contenuti in un database. Il risultato dipende dalla qualità delle immagini, dall’angolazione, dall’illuminazione, dalla compressione, dalla soglia scelta, dall’ampiezza e dalla composizione della banca dati e dalle caratteristiche dell’algoritmo.

In un confronto one-to-many, anche un sistema caratterizzato da un basso tasso di falsi positivi può produrre un numero significativo di candidati errati quando il database contiene milioni di immagini. È il cosiddetto problema del tasso di base: la significatività del risultato non dipende soltanto dall’accuratezza astratta dell’algoritmo, ma anche dalla prevalenza del soggetto ricercato nella popolazione sottoposta a confronto.

Le valutazioni condotte dal National Institute of Standards and Technology hanno inoltre documentato differenze, anche rilevanti, nei tassi di falsi positivi e falsi negativi tra algoritmi e gruppi demografici. Le prestazioni non sono uniformi né trasferibili automaticamente da un prodotto all’altro e da un ambiente di test a uno scenario reale.

Il matching deve pertanto essere considerato, almeno nella prima fase, un’indicazione investigativa da verificare, non la dimostrazione automatica dell’identità.

La Corte europea dei diritti dell’uomo, nel caso Glukhin contro Russia, ha qualificato il riconoscimento facciale come tecnologia altamente intrusiva e ha rilevato la violazione dell’articolo 8 CEDU in relazione all’impiego effettuato dalle autorità russe nei confronti di un manifestante.

Il problema non è soltanto la precisione tecnica. Anche un sistema molto accurato può essere incompatibile con i diritti fondamentali quando sia utilizzato senza una base normativa sufficientemente determinata, senza necessità e proporzionalità o senza garanzie contro gli abusi.

Dall’output algoritmico alla prova

Nel processo penale l’output di un algoritmo non è un fatto naturale. È il risultato di una catena di operazioni.

Può essere descritto, in forma semplificata, come:

dato di ingresso → pretrattamento → modello → parametri e soglie → banca dati → output → interpretazione umana.

Ciascun passaggio può incidere sul risultato.

Una fotografia può essere stata ridimensionata o ricompressa prima del confronto. Un audio può essere stato sottoposto a riduzione del rumore. Una trascrizione può dipendere dal modello linguistico, dalla segmentazione e dal contesto fornito. Una classificazione può cambiare variando la soglia. Una ricerca semantica può restituire risultati differenti dopo un aggiornamento del modello.

Per questa ragione, non è sufficiente acquisire la schermata finale o riportare nel verbale che “il sistema ha individuato una corrispondenza”.

Devono essere documentati almeno:

• il dato originario sottoposto ad analisi;
• il processo di acquisizione;
• l’hash del reperto o del file;
• il modello e la versione utilizzati;
• la configurazione;
• gli eventuali filtri o pretrattamenti;
• il database di confronto;
• la soglia decisionale;
• i log;
• l’output completo, compresi i risultati alternativi;
• l’identità e le attività dell’operatore;
• la procedura di verifica umana.

Il codice di procedura penale non contiene ancora una categoria autonoma denominata “prova algoritmica”. Gli output possono entrare nel procedimento attraverso una pluralità di canali: accertamento tecnico, consulenza, perizia, documento informatico o prova non disciplinata dalla legge, nel rispetto delle condizioni previste dal codice.

Qualunque sia la qualificazione processuale, il sistema non può sottrarsi ai principi che governano la prova scientifica: affidabilità del metodo, competenza dell’esperto, controllabilità del procedimento, conoscenza dei limiti, possibilità di critica e confronto tra ipotesi alternative.

La giurisprudenza italiana, a partire dalla nota sentenza Cozzini, ha progressivamente valorizzato la necessità che il giudice valuti criticamente la teoria scientifica, il metodo impiegato, gli studi che lo sostengono, il tasso di errore e l’affidabilità dell’esperto. L’autorità del software o del produttore non può sostituire questa verifica.

Dalla spiegabilità alla confutabilità

Nel dibattito sull’IA si parla spesso di explainable AI, ossia di sistemi capaci di fornire una spiegazione del proprio risultato.

Nel processo penale, tuttavia, la sola spiegabilità non basta.

Una spiegazione semplificata, prodotta dallo stesso sistema, potrebbe rendere comprensibile l’output senza consentire alla difesa di verificarlo. Il requisito centrale dovrebbe essere più esigente: la contestabilità tecnica e processuale.

Un risultato è realmente contestabile quando la parte può:

1. conoscere quale sistema è stato utilizzato;
2. individuare la versione e le impostazioni;
3. esaminare i dati sottoposti al sistema;
4. ricostruire le trasformazioni effettuate;
5. conoscere le metriche di prestazione rilevanti;
6. valutare i tassi di errore;
7. verificare l’idoneità del database;
8. ripetere l’analisi;
9. utilizzare strumenti alternativi;
10. sottoporre il metodo e le conclusioni al contraddittorio.

Non è necessariamente indispensabile, in ogni caso, consegnare integralmente il codice sorgente del software. Possono esistere esigenze legittime di tutela del segreto industriale, della proprietà intellettuale o delle tecniche investigative.

Tali esigenze, tuttavia, non possono trasformarsi in una presunzione di affidabilità.

Quando l’accesso al codice non sia possibile, dovrebbero essere disponibili almeno una documentazione tecnica adeguata, i risultati delle validazioni indipendenti, i log, le soglie utilizzate, le caratteristiche dei dataset, le metriche di errore e un ambiente nel quale il consulente della difesa possa ripetere o verificare l’analisi.

Nel processo penale il segreto industriale non può diventare un segreto probatorio.

Se un risultato non è tecnicamente sindacabile, il problema non riguarda soltanto il suo peso. Nei casi più gravi occorre interrogarsi sulla stessa possibilità di utilizzarlo contro l’imputato.

Il diritto di difesa e il contraddittorio, tutelati dagli articoli 24 e 111 della Costituzione, richiedono che la parte possa conoscere e confutare gli elementi posti a fondamento dell’accusa.

La digital forensics davanti all’intelligenza artificiale

Per il digital forensics specialist l’IA rappresenta anzitutto una risposta a un problema di scala.

Un singolo smartphone può contenere centinaia di migliaia di immagini, anni di conversazioni, dati di localizzazione, documenti, registrazioni, cronologie applicative e artefatti provenienti dal cloud. In un procedimento complesso, le fonti possono moltiplicarsi tra più dispositivi, computer, account e supporti.

L’esame esclusivamente manuale rischia di diventare impraticabile.

Strumenti di analisi automatizzata possono:

• correlare persone e identificativi;
• ricostruire reti di comunicazione;
• classificare immagini;
• estrarre nomi, luoghi, date e numeri;
• individuare volti o oggetti;
• raggruppare file simili;
• tradurre o trascrivere contenuti;
• sintetizzare conversazioni;
• ricercare concetti espressi con parole differenti;
• segnalare anomalie.

Il loro contributo può essere rilevante. Ma occorre mantenere una separazione metodologica netta tra selezione automatizzata ed esame forense.

L’algoritmo può indicare dove guardare. Non dovrebbe essere l’unica fonte per affermare ciò che il reperto dimostra.

La regola operativa dovrebbe essere semplice:

ogni risultato significativo prodotto dall’IA deve poter essere ricondotto all’artefatto originario, verificato nel suo contesto e documentato mediante una metodologia ripetibile.

Un riassunto generato da un modello linguistico non sostituisce la chat. Una classificazione automatica non sostituisce l’esame dell’immagine. Una trascrizione automatica non sostituisce l’ascolto. Un collegamento suggerito dal software non dimostra, da solo, l’esistenza di una relazione criminale.

Il mercato offre già numerosi strumenti che incorporano funzioni di intelligenza artificiale o machine learning. Il seguente panorama è rappresentativo e non esaustivo. Le funzioni indicate sono quelle dichiarate dai produttori e non costituiscono, da sole, una validazione indipendente della loro efficacia probatoria.

Le soluzioni indicate hanno finalità esemplificativa e non esaustiva. Le funzionalità descritte derivano dalla documentazione dei produttori e non costituiscono, di per sé, una validazione indipendente della loro efficacia probatoria.

Cellebrite presenta Pathfinder come piattaforma di analisi e correlazione assistita dall’IA attraverso più dispositivi e dataset. Magnet Griffeye utilizza strumenti automatici per classificare, prioritizzare e ricercare contenuti multimediali. Belkasoft ha integrato in Belkasoft X funzioni multimodali offline per descrizione, OCR, classificazione e riconoscimento facciale.

Il valore principale di queste soluzioni è la riduzione del tempo necessario per arrivare al primo elemento rilevante. Il loro limite è il rischio che l’operatore finisca per esaminare soltanto ciò che il modello ha selezionato.

Un sistema può commettere due tipi di errore:

• mostrare un elemento irrilevante, generando un falso positivo;
• non mostrare un elemento rilevante, generando un falso negativo.

Il secondo errore è spesso meno visibile. Se il software non segnala un’immagine, un messaggio o un file, l’operatore potrebbe non accorgersi mai della sua esistenza. Per questo il workflow deve prevedere controlli a campione sui dati esclusi e procedure alternative di ricerca.

Trascrizione automatica: uno strumento utile, non un perito trascrittore

I sistemi di riconoscimento automatico del parlato hanno raggiunto livelli di prestazione notevoli. Whisper, ad esempio, è stato addestrato su un ampio corpus multilingue ed è progettato per gestire accenti, rumore e linguaggio tecnico con una certa robustezza.

In ambito forense può essere utilizzato efficacemente per:

• realizzare una prima bozza;
• indicizzare registrazioni molto lunghe;
• individuare parole o temi;
• orientare l’ascolto;
• segmentare il materiale;
• ricercare conversazioni potenzialmente rilevanti.

Ciò non significa che la trascrizione automatica possa essere depositata senza verifica come rappresentazione fedele del contenuto audio.

I modelli ASR non “ascoltano” nel senso umano del termine. Calcolano la sequenza testuale statisticamente più compatibile con il segnale e il contesto linguistico.

In presenza di parlato sovrapposto, rumore, dialetto, nomi propri, audio compresso, voci lontane o segmenti scarsamente intelligibili, il sistema può:

• omettere parole;
• sostituirle;
• normalizzare espressioni dialettali;
• attribuire al parlante termini mai pronunciati;
• completare linguisticamente frasi incerte;
• produrre porzioni testuali prive di corrispondenza nel segnale.

Quest’ultimo fenomeno è particolarmente insidioso perché la frase generata può risultare grammaticalmente corretta e perfettamente plausibile.

La trascrizione forense richiede invece il ritorno costante alla fonte sonora, l’indicazione delle parti incomprensibili o dubbie, la gestione delle sovrapposizioni, la conservazione delle esitazioni significative e la possibilità per le parti di verificare ogni segmento.

L’ASR può assistere il perito trascrittore. Non può sostituire la responsabilità tecnica e interpretativa del professionista.

Riconoscimento del parlante: somiglianza non significa identità

Anche la comparazione automatica della voce deve essere compresa correttamente.

Un sistema di speaker recognition estrae caratteristiche dal segnale e confronta le registrazioni. L’esito può essere espresso mediante uno score o, nei sistemi orientati all’impiego forense, mediante un likelihood ratio, ossia un rapporto tra la probabilità di osservare quel risultato sotto due ipotesi contrapposte:

• la voce contestata e quella di comparazione appartengono allo stesso parlante;
• appartengono a parlanti differenti.

Il likelihood ratio non esprime la probabilità che l’indagato sia il parlante e, tantomeno, la probabilità che sia colpevole. Indica quanto il risultato osservato sia più compatibile con una delle due ipotesi considerate.

La validità dell’esito dipende da numerosi fattori:

• durata del parlato utile;
• qualità delle registrazioni;
• compatibilità dei canali;
• rumore;
• stato emotivo;
• lingua e dialetto;
• distanza temporale;
• popolazione di riferimento;
• calibrazione del sistema;
• condizioni del caso concreto.

Le linee guida ENFSI sottolineano la necessità di adottare metodologie validate, formulare ipotesi alternative e valutare la forza dell’evidenza senza invadere il compito del giudice.

L’errore più grave sarebbe trasformare un indice di compatibilità in un’affermazione categorica: “la voce è dell’imputato”.

La formulazione corretta deve rappresentare il peso dell’evidenza, i limiti del materiale e le condizioni nelle quali il confronto è stato eseguito.

Deepfake e autenticità: perché il solo detector non basta

L’aumento dei contenuti sintetici ha prodotto una corsa ai software di deepfake detection. Anche in questo campo occorre evitare aspettative eccessive.

Un detector può riconoscere alcune tracce statistiche tipiche delle tecnologie sulle quali è stato addestrato. Ma i modelli generativi evolvono rapidamente, mentre ricompressione, ridimensionamento, registrazione dello schermo, editing e caricamento sui social possono eliminare o alterare tali tracce.

Le valutazioni NIST mostrano che le prestazioni dei sistemi di media forensics possono degradarsi al variare dei dataset, delle manipolazioni e delle trasformazioni applicate al file. La capacità di generalizzare a tecniche nuove o sconosciute rimane una delle principali criticità.

Per questo l’analisi forense non dovrebbe limitarsi alla domanda: “il file è un deepfake?”.

È preferibile formulare ipotesi più precise:

• il file è coerente con l’output diretto del dispositivo dichiarato?
• presenta una storia di ricodifica?
• contiene tracce di editing?
• i metadati sono coerenti?
• la struttura del contenitore e dei codec è compatibile con la provenienza dichiarata?
• sono presenti firme, credenziali di contenuto o elementi di provenienza verificabili?
• l’audio presenta discontinuità o anomalie?
• esistono originali, copie precedenti o riscontri esterni?

Strumenti come Amped Authenticate e Magnet Verify adottano un’impostazione che combina analisi della struttura del file, provenienza, storia di codifica e ricerca di tracce di manipolazione o generazione sintetica.

L’approccio corretto è quello della convergenza degli indizi tecnici. Un punteggio isolato prodotto da un detector non dovrebbe essere presentato come certificazione di autenticità o falsità.

Anche per l’audio, l’autenticità richiede un’analisi complessiva che possa comprendere metadati, contenitore, codec, continuità del segnale, rumore di fondo, caratteristiche del dispositivo e, quando applicabile, tecniche come l’analisi ENF. Le buone pratiche ENFSI insistono sulla valutazione di più tracce e sulla formulazione di ipotesi alternative, non sull’uso di un singolo indicatore automatico.

 L’uso dei modelli linguistici sulle evidenze digitali

I modelli linguistici di grandi dimensioni possono essere impiegati per esaminare conversazioni, documenti, email e report.

Possono aiutare a:

• ricostruire una cronologia;
• estrarre persone, luoghi e date;
• raggruppare conversazioni per argomento;
• individuare contraddizioni;
• generare domande di ricerca;
• sintetizzare migliaia di pagine;
• tradurre contenuti;
• individuare riferimenti indiretti o semanticamente correlati.

Il vantaggio operativo è evidente. Ma il modello non deve diventare un intermediario opaco tra l’esperto e il reperto.

Una sintesi può omettere elementi favorevoli all’indagato. Una ricostruzione cronologica può confondere date di invio, ricezione, creazione o esportazione. Un modello può attribuire a un soggetto una frase pronunciata da un altro o costruire un collegamento non presente nei dati.

È inoltre necessario considerare la riservatezza. Caricare chat, intercettazioni o copie forensi su un servizio cloud non controllato può comportare trasferimenti di dati, conservazione dei contenuti, trattamento di dati giudiziari e violazioni del segreto investigativo o professionale.

Per impieghi su evidenze reali dovrebbero essere preferite, quando possibile, soluzioni locali o ambienti contrattualmente e tecnicamente governati, con registrazione delle operazioni, controllo degli accessi e garanzie sulla mancata utilizzazione dei dati per l’addestramento.

Ogni output rilevante dovrebbe riportare:

• modello e versione;
• data dell’elaborazione;
• prompt;
• eventuali istruzioni di sistema;
• dati o documenti forniti;
• parametri utilizzati;
• risposta integrale;
• verifiche umane effettuate.

Il prompt diventa parte della metodologia. Domande differenti possono produrre ricostruzioni differenti dello stesso materiale.

Un protocollo minimo per l’impiego forense dell’IA

A mio avviso, l’utilizzo processualmente responsabile dell’intelligenza artificiale dovrebbe essere sottoposto a un protocollo articolato almeno nei seguenti passaggi.

1. Definizione dello scopo

Deve essere chiarito se il sistema viene usato per orientare l’indagine, selezionare materiale, produrre un accertamento o sostenere una conclusione probatoria.

2. Individuazione della base giuridica

Devono essere verificati legittimità, necessità, proporzionalità, finalità del trattamento e limiti relativi ai dati personali e biometrici.

3. Conservazione dell’originale

L’oggetto sottoposto ad analisi deve essere acquisito e preservato secondo le regole della digital forensics, con documentazione della catena di custodia e calcolo degli hash.

4. Cristallizzazione dell’ambiente tecnico

Devono essere registrati software, modello, versione, build, librerie, sistema operativo, hardware, configurazione, soglie e aggiornamenti.

5. Conservazione di input e output

Non deve essere conservato soltanto il risultato selezionato. Devono essere preservati input, log, risultati alternativi, punteggi, prompt ed eventuali contenuti esclusi.

6. Validazione nel dominio specifico

L’accuratezza dichiarata dal produttore non è automaticamente trasferibile al caso concreto. Il sistema deve essere verificato, per quanto possibile, su dati comparabili per lingua, qualità, formato, rumore, compressione, popolazione e condizioni operative.

7. Misurazione dell’errore

Devono essere riportate metriche pertinenti: falsi positivi, falsi negativi, precisione, richiamo, curve ROC o DET, intervalli di confidenza, calibrazione o altre misure appropriate al tipo di sistema.

Una generica percentuale di “affidabilità” è priva di significato se non viene spiegato che cosa misura.

8. Verifica umana qualificata

L’operatore deve possedere competenze sufficienti per comprendere il sistema, riconoscere gli errori e discostarsi dall’output. La verifica deve essere documentata.

9. Controllo indipendente

Per gli esiti più rilevanti è opportuno utilizzare un secondo metodo, un diverso strumento o una valutazione indipendente. La concordanza di sistemi che utilizzano lo stesso modello o gli stessi dati non costituisce necessariamente una verifica indipendente.

10. Accessibilità alla difesa

La difesa deve ricevere informazioni sufficienti per comprendere, ripetere e contestare l’analisi. Quando siano presenti segreti industriali, possono essere adottate misure di protezione senza comprimere il nucleo essenziale del contraddittorio.

11. Riscontro sull’evidenza primaria

Ogni risultato deve essere ricondotto al dato originario. Una sintesi, classificazione o trascrizione automatica non dovrebbe essere utilizzata senza il controllo del reperto dal quale deriva.

12. Prudenza nella conclusione

Il referto deve distinguere tra dato osservato, risultato del software, interpretazione dell’esperto e conclusione. Le limitazioni devono essere esposte con la stessa evidenza attribuita ai risultati.

Il modello può essere ricondotto alle logiche di gestione del rischio indicate dal NIST AI Risk Management Framework: governare l’utilizzo, mappare il contesto, misurare le prestazioni e gestire i rischi lungo l’intero ciclo di vita.

Il punto non è fidarsi della macchina, ma rendere verificabile il metodo

L’intelligenza artificiale può offrire un contributo rilevante al processo penale.

Può rendere esplorabili quantità di dati altrimenti ingestibili, accelerare l’individuazione delle informazioni, supportare l’analisi di immagini e registrazioni, individuare relazioni e aiutare a contrastare contenuti sintetici sempre più sofisticati.

Ma la maggiore velocità non coincide necessariamente con una maggiore affidabilità. E la maggiore accuratezza statistica non coincide automaticamente con la verità processuale.

L’IA non deve essere espulsa dal processo. Deve essere ricondotta all’interno del metodo processuale e forense.

Ciò significa sottrarle il ruolo di oracolo e attribuirle quello di strumento.

Un risultato algoritmico dovrebbe acquisire valore soltanto quando sia:

• legalmente ottenuto;
• tecnicamente documentato;
• scientificamente validato;
• correttamente interpretato;
• umanamente verificato;
• accessibile al contraddittorio;
• corroborato dalle altre evidenze.

Il principio secondo il quale la decisione finale spetta al magistrato è essenziale, ma deve essere accompagnato da una regola ulteriore: nessuna decisione realmente umana è possibile quando l’informazione sulla quale si fonda resta incomprensibile o incontestabile.

Nel processo penale democratico la domanda non può essere semplicemente: “che cosa ha stabilito l’algoritmo?”.

Occorre chiedere:

quali dati ha esaminato, quale modello ha utilizzato, con quali parametri, in quali condizioni, con quale margine di errore e attraverso quali verifiche possiamo controllare il risultato?

È su questa capacità di ricostruire, verificare e confutare il procedimento che si giocherà il futuro rapporto tra intelligenza artificiale e giustizia penale.

Non sulla fiducia nella macchina, ma sulla qualità del metodo.

 Note

• Cfr. IA nel processo penale, l’UCPI chiede di riscrivere il decreto attuativo, 10 luglio 2026. Si veda inoltre il comunicato ufficiale dell’Unione delle Camere penali italiane, che richiede risultati algoritmici spiegabili, verificabili e confutabili e critica i presidi previsti dallo schema di decreto.
• Regolamento (UE) 2024/1689, considerando 61 e Allegato III, punti 6 e 8. L’Allegato comprende i sistemi impiegati per valutare l’affidabilità degli elementi probatori e quelli utilizzati dalle autorità giudiziarie per ricercare e interpretare fatti e diritto.
• Regolamento (UE) 2024/1689, artt. 14 e 15. La supervisione deve permettere di comprendere capacità e limiti del sistema, evitare l’eccessivo affidamento sull’output e, quando necessario, ignorarlo o interrompere il funzionamento.
• Commissione europea, quadro di applicazione dell’AI Act e aggiornamento successivo all’accordo politico del 7 maggio 2026 sull’AI Omnibus.
• Legge 23 settembre 2025, n. 132, art. 15. La valutazione dei fatti e delle prove, l’interpretazione e l’applicazione della legge e l’adozione dei provvedimenti restano riservate al magistrato.
• Legge n. 132/2025, art. 24, commi 2 e 5. La delega riguarda l’impiego dell’IA nell’attività di polizia e nelle indagini preliminari, nel rispetto di difesa, proporzionalità, non discriminazione, trasparenza e protezione dei dati.
• Consiglio dei ministri, comunicato n. 177 del 10 giugno 2026; UCPI, comunicato del 10 luglio 2026. Lo schema è stato approvato in esame preliminare e, alla data del presente contributo, non costituisce ancora disciplina definitiva.
• NIST, Face Recognition Vendor Test – Demographic Effects. Le valutazioni evidenziano differenze nelle prestazioni tra algoritmi e nei tassi di errore riferiti a gruppi demografici differenti.
• Corte europea dei diritti dell’uomo, Glukhin v. Russia, ricorso n. 11519/20, sentenza 4 luglio 2023.
• D.P.R. 22 settembre 1988, n. 447, codice di procedura penale, in particolare artt. 189, 192, 220, 359 e 360. Testo vigente disponibile sul portale Normattiva.
• Cass. pen., sez. IV, 17 settembre 2010, dep. 13 dicembre 2010, n. 43786, Cozzini. Per l’inquadramento dei criteri di affidabilità della prova scientifica si veda anche la relazione pubblicata dalla Corte di cassazione.
• Costituzione della Repubblica italiana, artt. 24, 27 e 111. Il diritto a spiegazioni chiare e significative sul ruolo dell’IA è contemplato, per le fattispecie rientranti nel suo ambito, anche dall’art. 86 dell’AI Act.
• Cellebrite, documentazione ufficiale di Pathfinder; Magnet Forensics, documentazione ufficiale di Griffeye; Belkasoft, documentazione delle funzioni BelkaGPT. Le descrizioni riguardano funzionalità dichiarate dai produttori e non equivalgono a validazione indipendente.
• OpenAI, documentazione ufficiale di Whisper. Il modello è progettato per il riconoscimento automatico multilingue del parlato e la traduzione.
• Phonexia, Voice Inspector – Interpretation of Results. La documentazione descrive l’impiego di ipotesi contrapposte e del likelihood ratio, precisando la necessità di dati e condizioni adeguati.
• European Network of Forensic Science Institutes, Best Practice Manual for the Methodology of Forensic Speaker Comparison e linee guida per il riconoscimento automatico e semiautomatico del parlante.
• NIST, Open Media Forensics Challenge. Le valutazioni considerano manipolazioni, compressione, post-processing, tecniche anti-forensi e capacità di generalizzazione dei sistemi.
• Amped Software, documentazione ufficiale di Amped Authenticate e aggiornamenti 2026 relativi all’analisi dei deepfake; Magnet Forensics, documentazione ufficiale di Magnet Verify.
• ENFSI, Best Practice Manual for Digital Audio Authenticity Analysis.
• National Institute of Standards and Technology, Artificial Intelligence Risk Management Framework. Il framework articola la gestione del rischio nelle funzioni Govern, Map, Measure e Manage.

✒️ Nota sull’autore

Domenico Moretta, laureato in Diritto della Società Digitale, è criminalista forense e consulente tecnico specializzato in digital forensics, audio forense e trascrizioni giuridiche. Autore di volumi divulgativi e professionali, affianca all’attività peritale un costante percorso di approfondimento nelle discipline giuridiche e nelle tecnologie applicate alla prova digitale.
Con il progetto www.acquisizioneprovedigitali.it promuove una cultura integrata tra scienze forensi, innovazione tecnologica e tutela dei diritti nell’ambiente digitale.

CLICCA QUI PER RICHIEDERE MAGGIORI INFORMAZIONI