Intelligenza artificiale, pregiudizio e prevenzione: il caso XLAW nel dibattito scientifico

Autore: Elia Lombardo
Fonte di riferimento: Alberto Pesce, “Crime mapping. Rischi e benefici dell’uso dell’intelligenza artificiale nel contrasto e prevenzione al crimine, il caso XLAW”, in Sicurezza e Scienze Sociali, XIII, 2/2025, ISSN 2283-8740.

1. L’IA tra controllo e conoscenza

Quando si parla di intelligenza artificiale applicata alla sicurezza pubblica, la linea di confine tra prevenzione e controllo è sottile. I sistemi di predictive policing sviluppati negli ultimi anni in vari Paesi hanno mostrato tanto le potenzialità dell’analisi predittiva quanto i rischi di un uso distorto dell’algoritmo. In più casi, la tecnologia è diventata un’estensione del potere discrezionale delle forze di polizia, rafforzando stereotipi e pratiche discriminatorie già esistenti.

È questo il punto di partenza del saggio di Alberto Pesce, docente dell’Università eCampus, pubblicato sull’ultimo numero di Sicurezza e Scienze Sociali. L’autore affronta il tema con rigore accademico, ma con una prospettiva non scontata: analizzare i rischi e benefici dell’IA nel contrasto e nella prevenzione del crimine attraverso lo studio di un caso specifico, XLAW.

2. Il caso XLAW: dall’algoritmo alla teoria criminologica

Pesce osserva che XLAW non nasce come semplice strumento informatico. È un modello criminologico euristico, fondato su una nuova teoria: quella delle “zone di caccia” (Lombardo, 2019). Il cuore del sistema non è la persona, ma il luogo — il contesto urbano, le sue dinamiche, la sua organizzazione spaziale.

L’algoritmo individua aree a rischio, riconosce pattern di reati predatori e analizza le regolarità del territorio. Ogni 30 minuti genera nuovi modelli previsionali, con una finestra operativa di tre ore, segnalando dove e quando è più probabile che si verifichi un determinato reato. La previsione non deriva da un calcolo di probabilità statistica, ma da un ragionamento sociologico basato su modelli ciclici e stanziali di comportamento criminale.

In questo approccio, l’offender si muove come un predatore territoriale: conosce il luogo, ne padroneggia le vie di fuga, ne sfrutta le vulnerabilità. Il territorio diventa così una zona di caccia infungibile, non sostituibile con altre aree. È su questa infungibilità — e sulla conoscenza del contesto urbano — che si fonda la capacità predittiva del modello.

3. Oltre il bias: un modello etico di prevenzione

Il saggio di Pesce si distingue per l’onestà intellettuale con cui affronta anche le ombre dell’IA applicata alla sicurezza. L’autore riconosce che molti sistemi di predictive policing tendono a riprodurre le disuguaglianze sociali: mappano più reati dove la sorveglianza è più intensa, consolidando stereotipi e gerarchie territoriali.

Ma XLAW rappresenta l’eccezione. Non utilizza dati personali, non costruisce profili di rischio individuale, non concentra l’attenzione su specifiche categorie sociali. L’unità di analisi è il luogo, non la persona. È qui che si colloca la sua originalità scientifica e il suo valore etico: la prevenzione diventa un esercizio di conoscenza, non di controllo.

Secondo i dati riportati da Pesce, la sperimentazione di XLAW in diverse città italiane ha evidenziato una riduzione significativa dei reati predatori e un incremento della percezione di sicurezza da parte dei cittadini. L’accuratezza predittiva ha superato l’80%, con un notevole risparmio di risorse per la collettività.

4. Dalla scienza alla politica della sicurezza

La riflessione di Pesce riporta il dibattito su un terreno necessario: quello della legittimazione scientifica dei modelli di prevenzione. La sicurezza urbana non può fondarsi su intuizioni o emergenze, ma su modelli razionali verificabili, capaci di tradurre l’analisi criminologica in decisioni operative. È ciò che distingue un sistema come XLAW dai tanti esperimenti falliti di “polizia predittiva” basati su mere statistiche.

La sua forza sta nel metodo: analizzare la relazione tra ambiente, routine e opportunità criminali, e riprodurla per prevenire il rischio futuro. Un modello che non alimenta il sospetto, ma costruisce conoscenza. In altre parole, non predice le persone: interpreta il territorio.

5. Conclusione

L’articolo di Alberto Pesce segna un punto di svolta nel riconoscimento accademico del modello XLAW, ma soprattutto apre una riflessione più ampia: la tecnologia non è neutra, e l’intelligenza artificiale può diventare tanto uno strumento di oppressione quanto un mezzo di equità. Tutto dipende dal metodo, dal controllo umano e dalla consapevolezza del suo impatto sociale.

XLAW dimostra che la sicurezza può essere intelligente, etica e scientificamente fondata. E che l’IA, se costruita su basi sociologiche solide, può restituire alla società la conoscenza del proprio territorio — non il suo controllo.

Per approfondire:
Leggi il paper completo di Alberto Pesce (PDF)

#criminologia #sicurezzaurbana #intelligenzaartificiale #XLAW #crimeanalysis #ricerca #AIetica