Nel libro “Perché l’intelligenza umana batte ancora gli algoritmi”, lo psicologo e scienziato cognitivo Gerd Gigerenzer sostiene, anche in materia di riconoscimento facciale, che gli algoritmi sono molto potenti in ambienti stabili e ben definiti ma nel mondo reale l’intelligenza umana conserva un vantaggio decisivo.
Il libro, pubblicato in Italia nel 2023, viene considerato ormai obsoleto perché, nel corso degli ultimi anni, le intelligenze artificiali hanno fatto passi da gigante ma tra quello che scrive Gigerenzer ci sono spunti interessanti e ancora validi. Uno di questi lo prendiamo in prestito per approfondire il senso relativo del riconoscimento facciale, tema caro anche all’Italia.
Nel 2017 Thomas de Maizière, ministro federale dell’Interno della Germania, ha voluto avviare un progetto pilota di riconoscimento facciale alla stazione di Berlino Südkreuz dopo l’attentato al mercatino di Natale del dicembre 2016.
Alla fine del test pilota, durato un anno, il ministro ha elogiato il tasso di successo dell’80%. Il che vuole dire che, per ogni 10 sospetti, il sistema di riconoscimento facciale ne ha identificati correttamente 8, mancandone due. Anche il tasso di falsi allarmi, lo 0,1% – ossia il fatto che ogni mille persone solo una veniva scambiata erroneamente per un sospetto – ha reso orgoglioso de Maizière.
Sulla scorta di questi numeri, Gigerenzer smonta l’entusiasmo governativo. Infatti, considerando che per le stazioni ferroviarie in Germania, all’epoca, transitavano ogni giorno 12 milioni di persone, un sistema che commette solo lo 0,1% di errori restituisce 12 mila innocenti. Individui che, scambiati per sospetti, devono essere fermati, controllati e quindi trattenuti per un numero variabile di ore, mettendo sotto stress le forze dell’ordine che verrebbero distratte da compiti non meno importanti. In questo modo, conclude l’autore, si otterrebbe il risultato paradossale di ottenere meno sicurezza, più violazioni delle libertà individuali e maggiori disagi per la vita sociale ed economica degli individui.
La sorveglianza di massa, diceva Gigenrenzer basandosi sui dati di 10 anni fa, è un problema e non una soluzione.
Indice degli argomenti
Il riconoscimento facciale e l’identificazione delle persone
Il riconoscimento facciale comprende attività diverse. La verifica uno a uno confronta una fotografia con l’identità dichiarata da chi presenta un documento o sblocca un dispositivo. La ricerca uno a molti parte invece da un volto e lo confronta con un archivio di candidati. Nel secondo caso il sistema restituisce una graduatoria di somiglianze o genera una segnalazione al superamento di una soglia. Una corrispondenza proposta resta un risultato probabilistico, da valutare insieme ad altre prove.
La distanza tra le due applicazioni è enorme. Nel primo scenario esiste già un’identità da verificare. Nel secondo la macchina deve cercarla, spesso tra migliaia di persone, mentre l’immagine di partenza può provenire da una telecamera distante, da un volto in movimento o da un filmato con luce incostante. Anche la dimensione dell’archivio, la qualità delle fotografie conservate e il criterio scelto per attivare gli avvisi influenzano il risultato.
Tutto ciò suggerisce che parlare di “riconoscimento facciale” vuole dire ben poco, perché è un’etichetta che restituisce la dimensione semantica di qualcosa che funziona in modo lineare, senza intoppi e capace di restituire sempre risultati affidabili.
Il dibattito sull’impiego di questi strumenti per la sicurezza tende a partire dai risultati attesi quali l’individuare una persona ricercata, il ritrovare qualcuno scomparso, l’identificare l’autore di un reato. La parte decisiva è spesso un’altra e risponde alle domande: quali dati consentono di attribuire un’identità? quanti errori produce la ricerca quando passa dal laboratorio a una piazza? Che cosa accade alla persona indicata per sbaglio?
Cosa dicono gli studi più recenti
Il programma di valutazione del National Institute of Standards and Technology americano (NIST), aggiornato al mese di ottobre del 2026, misura le prestazioni di centinaia di algoritmi di identificazione in condizioni differenti.I risultati variano tra prodotti, archivi e tipologie di immagini. Il NIST distingue il mancato riconoscimento di una persona realmente presente nell’archivio dalla falsa identificazione di un individuo estraneo alla ricerca. Sono due errori diversi, collegati anche alla soglia di somiglianza impostata.
Una valutazione indipendente pubblicata dal ministero dell’Interno britannico nel dicembre 2025 ha rilevato che un sistema usato per ricerche retrospettive nella banca dati della polizia restituiva la corrispondenza corretta in oltre il 99% dei casi in cui il volto cercato era effettivamente presente nell’archivio. La stessa verifica segnalava, in condizioni specifiche, una maggiore propensione a includere erroneamente alcuni gruppi demografici tra i risultati.
Il 99% è un risultato che incanta, ma descrive soltanto la capacità di ritrovare un’identità disponibile e racconta soltanto una parte dell’affidabilità complessiva.
I dati NIST confermano inoltre che l’illuminazione, l’angolazione del viso e la qualità delle immagini possono modificare il numero di riconoscimenti mancati. Le differenze nei falsi abbinamenti tra gruppi demografici possono emergere perfino con fotografie nitide. L’effetto dipende dall’algoritmo e dal contesto d’impiego, tant’è che una tecnologia accurata in una prova può offrire risultati differenti quando cambiano le condizioni della ricerca.
La matematica degli errori minuscoli
Immaginiamo centomila persone che passano davanti a una telecamera. Tra loro, venti figurano realmente nell’elenco dei ricercati. Supponiamo che il sistema individui correttamente il 90% di quei venti soggetti e produca una falsa segnalazione ogni diecimila persone estranee all’elenco, cioè lo 0,01%. Il bilancio sarebbe di diciotto avvisi corretti e circa dieci avvisi sbagliati. Su ventotto segnalazioni, più di una su tre riguarderebbe una persona estranea alla ricerca.
È un esempio costruito per chiarire il rapporto tra frequenza dell’evento cercato ed errori, e rappresenta un’ipotesi anziché il risultato di uno specifico prodotto. Spiega però perché le percentuali richiedano sempre un denominatore. La quota di falsi allarmi tra tutti i passanti e quella tra le persone segnalate rispondono a domande profondamente diverse. Più rara è la presenza effettiva dei ricercati, maggiore può diventare il peso relativo degli abbinamenti errati tra gli avvisi prodotti.
La scelta della soglia crea un secondo compromesso. Una soglia severa riduce le segnalazioni dubbie e può lasciare sfuggire persone cercate. Una soglia permissiva favorisce l’individuazione di soggetti presenti nell’archivio e aumenta il rischio di coinvolgere estranei. Per un servizio pubblico la prestazione da misurare riguarda quindi l’intera procedura, dalla ripresa video alla decisione dell’operatore, insieme al costo concreto di ciascun errore.
Un milione di passanti, quarantotto arresti
Un rapporto dell’Università di Cambridge pubblicato a marzo del 2026 analizza tre studi sull’impiego del riconoscimento facciale in tempo reale da parte della polizia dell’Essex.
In 41 operazioni svolte tra agosto 2024 e febbraio 2025, le telecamere hanno analizzato circa 1,3 milioni di volti. Le segnalazioni hanno portato a 123 interventi, 48 arresti e un intervento erroneo confermato. Il dato documenta anche l’utilità investigativa dello strumento, perché alcuni ricercati sono stati individuati e fermati.
Nello stesso lavoro, un esperimento sul campo con 188 volontari ha mostrato che, alle impostazioni operative esaminate, il sistema riconosceva circa metà delle persone effettivamente inserite nella lista e produceva rarissime identificazioni sbagliate. La capacità di riconoscimento risultava superiore per gli uomini rispetto alle donne e, in quel campione, per i partecipanti neri rispetto agli altri gruppi. Il risultato illustra la variabilità delle prestazioni, anziché una regola universale valida per ogni popolazione.
La terza parte della ricerca ha confrontato le denunce dei reati nelle aree interessate nelle ore precedenti, durante e dopo le operazioni. I livelli osservati erano simili, con risultati statisticamente insufficienti per attribuire agli interventi una riduzione immediata della criminalità.
Identificare persone ricercate e prevenire reati sono obiettivi distinti, che richiedono verifiche distinte. Una revisione scientifica pubblicata a febbraio del 2026 ha rilevato, del resto, una base ancora ristretta di studi empirici sull’efficacia del riconoscimento facciale in polizia, soprattutto rispetto alle ricerche sulle opinioni dei cittadini.
Il giudizio umano sotto la pressione del punteggio
La supervisione di un operatore viene spesso presentata come garanzia finale. Anche questa fase, tuttavia, possiede limiti misurabili. In uno studio sperimentale del 2025 su 149 partecipanti, immagini di possibili sospetti accompagnate da punteggi di affidabilità assegnati casualmente sono state giudicate più somiglianti quando il punteggio appariva elevato. Un’indicazione prodotta dal software può orientare persino la percezione visiva di chi è chiamato a controllarla.
Una seconda ricerca, pubblicata sul Journal of Forensic Sciences a settembre del 2025 e condotta con 195 partecipanti su video simili a riprese di sorveglianza, ha osservato effetti delle informazioni preliminari sulla sicurezza del giudizio, sull’accuratezza e sui tempi di risposta.
Gli autori propongono verifiche indipendenti e procedure che separino l’osservazione delle immagini dagli elementi capaci di influenzarla. Entrambi i lavori hanno natura sperimentale e si limitano a descrivere un rischio cognitivo e a indicare la necessità di testarlo con cura nelle procedure operative reali.
Tutto ciò conferma che un controllo umano, per essere efficace, richiede tempo, competenza, tracce verificabili delle decisioni e una reale possibilità di respingere il suggerimento algoritmico. La responsabilità resta della persona e dell’istituzione che agisce, a prescindere dalla sicurezza numerica mostrata sullo schermo.
Il rischio cresce insieme all’archivio
La scala modifica anche il significato politico e sociale dell’identificazione. Una fotografia impiegata per una ricerca mirata ha una funzione, mentre milioni di volti acquisiti preventivamente e resi ricercabili nel tempo aprono un’altra possibilità, quella di ricostruire spostamenti, incontri e abitudini. Per questa ragione contano il momento in cui viene estratto il dato biometrico, la durata della sua conservazione, i criteri di accesso e la tracciabilità di ogni interrogazione.
Un’inchiesta di IrpiMedia sul sistema sperimentato allo Stadio Olimpico di Roma ha documentato la raccolta di sette fotografie per spettatore all’ingresso e la conservazione delle immagini con i dati del biglietto per sette giorni, sottolineando anche i dubbi sulla base giuridica dell’operazione.
Dall’altra parte del mondo, un’inchiesta della televisione pubblica australiana ABC ha raccontato un progetto che aveva analizzato oltre 130 mila volti nella sua prima settimana, producendo 33 segnalazioni, 18 arresti e una falsa identificazione dichiarata. Sono esperienze differenti, unite da una domanda, ovvero: quali informazioni vengono raccolte su tutti per cercare qualcuno?
Quando la sicurezza incontra i limiti della tecnica
Il regolamento europeo sull’intelligenza artificiale (AI Act) disciplina l’identificazione biometrica a distanza in tempo reale negli spazi accessibili al pubblico attraverso un divieto generale e deroghe circoscritte, legate tra l’altro alla ricerca di persone scomparse, a minacce gravi e a specifici reati.
Prevede condizioni di stretta necessità, limiti temporali e geografici e autorizzazioni da parte di un’autorità competente. Una ricerca giuridica pubblicata nel 2025 richiama inoltre l’esigenza di una base normativa appropriata per ogni trattamento di dati biometrici.
Il tema attraversa il dibattito italiano e, sul piano tecnico, l’approccio più rigoroso consiste nel chiedere evidenze verificabili, ossia tassi di falsi positivi e falsi negativi nelle condizioni reali, distribuzione degli errori tra le persone, risultati delle revisioni umane, beneficio investigativo documentato, procedure di contestazione e controlli esterni. Ogni numero acquista significato insieme alle conseguenze che produce.
La ragion di Stato tende a misurare il successo attraverso il risultato raggiunto. La tecnologia impone di misurare anche il percorso. Un sospetto correttamente individuato è un beneficio concreto, una persona estranea identificata per errore può subire controlli, esposizione pubblica e conseguenze potenzialmente persino difficili da cancellare. La maturità di un sistema di sicurezza si riconosce dalla capacità di tenere insieme entrambe le realtà.
Il riconoscimento facciale merita una discussione all’altezza della sua complessità. Una percentuale elevata può descrivere una prestazione notevole, mentre una frazione residuale racchiude vite, reputazioni e libertà. Il punto decisivo sta nel definire quali errori siamo disposti a sopportare, su chi ricadono e chi risponde delle conseguenze.
La tecnologia è una cosa seria. Gli slogan propagandistici no.
Partecipa alla community