Cronaca, diritto e intelligenza artificiale

Diritto e AI

IA locale per la polizia giudiziaria: la sintesi del project work

Un sistema di intelligenza artificiale interamente locale, anche isolato dalla rete, che cita le fonti del fascicolo e lascia la decisione all'uomo.

Sintesi del project work del Master universitario di II livello in «Intelligence Specialist», Link Campus University, anno accademico 2025-26: Sistema di intelligenza artificiale locale a supporto della polizia giudiziaria: architettura air-gapped, governance e conformità al Regolamento (UE) 2024/1689 e al D.Lgs. 160/2026. Autore: Eugenio Gallo.

Abstract

La quantità di dati digitali prodotta da un procedimento di media complessità (copie forensi, chat, tabulati, intercettazioni, documentazione bancaria, fonti aperte) supera ormai la capacità di lettura e correlazione manuale dei reparti investigativi. Gli strumenti di IA generativa più diffusi, erogati in cloud da fornitori esteri, sono però incompatibili con il segreto investigativo, con la protezione dei dati per finalità di polizia e con la catena di custodia della prova digitale.

La tesi sostenuta è che l'alternativa realistica non consista né nel rinunciare all'IA né nell'addestrare un modello proprio, ma nel costruire un sistema interamente locale, eseguito su hardware dell'Amministrazione anche in ambiente fisicamente isolato, fondato su un modello a pesi aperti e su un'architettura di generazione aumentata dal recupero (RAG) che ancora ogni risposta a documenti verificabili del fascicolo.

L'elaborato ricostruisce il quadro normativo, analizza il D.Lgs. 160/2026 e ne individua i punti di raccordo con il progetto, esamina il caso Palantir come termine di paragone, descrive l'architettura a otto zone e propone governance, validazione e una roadmap in cinque fasi con condizioni di arresto. La conclusione è che il decreto non smentisce l'impostazione del progetto ma la rende vincolante: per un reparto investigativo la priorità non è replicare la potenza delle piattaforme commerciali, ma disporre di un sistema più modesto, interamente verificabile, sotto il pieno controllo dell'Amministrazione, con l'uomo sempre responsabile della decisione.

Tre scelte, un solo vincitore

Addestrare da zero

Costoso e non ripetuto dall'amministrazione, che usa modelli già pre-addestrati.

Fine-tuning

Modifica i parametri del modello e vi incorpora dati operativi non ispezionabili.

RAG

Cita le fonti in modo nativo e mantiene i dati operativi separati dal modello.

Tre principi di progetto

1

Privacy-preserving

Nessun dato, modello, indice o log lascia il perimetro dell'Amministrazione.

2

Evidence-first

Ogni output rimanda al dato di origine: reperto, file, pagina, marca temporale, hash.

3

Human-in-the-loop

Nessun output produce effetti senza revisione umana qualificata e documentata.

L’architettura a otto zone

Il trattamento è diviso in otto zone logiche, con flussi in una sola direzione. Nessun dato passa alla zona successiva senza una verifica esplicita (hash, scansione, classificazione) e nessuna zona a valle può alterare quella a monte.

  1. Reperti originaliCustodia in sola lettura, nessuna rete.
  2. Lavorazione forenseCopia bit a bit verificata con hash.
  3. Normalizzazione e indicizzazioneOCR, trascrizione, metadati, scansione malware.
  4. Database documentale e vettorialeUna partizione cifrata per ogni fascicolo.
  5. Modello linguistico localeInferenza offline, esecuzione isolata.
  6. ApplicativaInterfaccia dell'operatore; output marcati «bozza da verificare».
  7. Logging e auditRegistro non modificabile, scrittura in sola aggiunta.
  8. Aggiornamenti controllatiStazione esterna, approvazione formale, ritorno alla versione precedente.

Una nona area, la stazione per le fonti aperte (OSINT), resta fisicamente separata: i suoi dati entrano solo con la procedura di aggiornamento controllato.

Come risponde il sistema

  1. Acquisizione e suddivisioneI documenti sono letti e divisi in porzioni, ciascuna con i suoi metadati di provenienza.
  2. IndicizzazioneUn indice semantico e uno lessicale, quest'ultimo per numeri di telefono, IBAN e targhe.
  3. RecuperoSolo i fascicoli per cui l'operatore è abilitato; le porzioni più pertinenti.
  4. GenerazioneIl modello risponde solo sul contesto fornito, cita ogni porzione e dichiara quando non sa.
  5. Restituzione e verificaCitazioni cliccabili verso l'originale, grado di confidenza e anche gli elementi che contraddicono la risposta.

Mostrare anche ciò che contraddice la risposta è un requisito distintivo: un sistema che conferma soltanto l’ipotesi dell’operatore amplifica il bias di conferma. Il progetto dichiara anche un limite: con il RAG il modello può ancora confabulare, e il controllo delle citazioni riduce il rischio ma non lo elimina.

Il quadro normativo

Il lavoro ricostruisce un quadro cumulativo: principi costituzionali e disciplina della prova digitale, protezione dei dati per finalità di polizia, Regolamento (UE) 2024/1689 (AI Act), legge 132/2025, NIS2 e Cyber Resilience Act. Il nucleo giuridico è l’analisi del D.Lgs. 9 settembre 2026, n. 160, che per la prima volta disciplina in modo organico l’uso dell’IA nell’attività di polizia. I punti di raccordo con il progetto sono:

  • funzione strumentale e di supporto dei sistemi, con revisione umana qualificata e documentata prima dell'uso in atti;
  • formazione obbligatoria con cinque risultati minimi;
  • limiti alle collaborazioni di ricerca e titolarità pubblica dei modelli addestrati su dati operativi;
  • regime autorizzativo dei sistemi biometrici, che il progetto esclude per costruzione;
  • nuovo reato di omessa sorveglianza umana dell'utilizzatore professionale di sistemi ad alto rischio;
  • termine di adeguamento: 30 settembre 2027.

Il lavoro propone una qualificazione prudenziale del sistema come ad alto rischio ai sensi dell’AI Act. È una raccomandazione motivata, non un accertamento: spetta alle articolazioni giuridiche competenti dell’Amministrazione formalizzarla. Dichiara inoltre i suoi limiti: il decreto è vigente da pochi giorni alla chiusura del lavoro, senza prassi applicativa né giurisprudenza.

Il caso di studio comparativo

Il confronto con Palantir Technologies, condotto distinguendo fatti documentati, dichiarazioni aziendali e critiche di parte, porta a individuare tre rischi strutturali da prevenire: dipendenza dal fornitore, opacità e concentrazione informativa.

Governance e fattore umano

Funzioni separate e un comitato etico-giuridico indipendente. Il punto più delicato è il bias di automazione: prevedere «un operatore nel ciclo» non basta. Servono un’interfaccia che mostri gli elementi contrari, procedure che impediscano l’uso di output non validati, formazione che mantenga attiva la capacità critica e responsabilità distribuite, perché l’operatore non diventi il parafulmine del sistema.

La roadmap in cinque fasi

Ogni fase ha un prodotto atteso, una condizione di avanzamento e una condizione di arresto. L’ordine è vincolante: nessuna fase su dati reali prima che la precedente, su dati sintetici, abbia raggiunto le soglie.

  1. Prototipo di laboratorioAmbiente isolato, dati sintetici.Si ferma se le citazioni non sono verificabili.
  2. Sandbox su casi definitiFascicoli pseudonimizzati, prima formazione.Si ferma per incidenti rilevanti o troppe confabulazioni.
  3. PilotaPochi fascicoli, spazio di sperimentazione.Si ferma per non conformità critiche o uso fuori perimetro.
  4. ValidazioneAudit indipendente e parere del comitato.Si ferma per rilievi non sanabili.
  5. Esercizio controllatoAutorizzazione formale, estensione graduale.Si sospende per modifiche normative o rilievi.

Una sospensione non è un fallimento del progetto, ma il funzionamento corretto dei suoi controlli.

Conclusione

Il decreto non smentisce l’impostazione del progetto, ma la rende vincolante. Per un reparto investigativo la priorità non è replicare la potenza delle piattaforme commerciali: è disporre di un sistema più modesto, interamente verificabile, sotto il pieno controllo dell’Amministrazione, con l’uomo sempre responsabile della decisione.