La startup Rozes, spin-off dell'Università di Padova, usa il machine learning per scovare anomalie contabili legate alla criminalità organizzata nei bilanci.

Appalti pubblici più sicuri

Immaginiamo un funzionario della Pubblica Amministrazione che deve gestire elenchi di migliaia di fornitori per i progetti del PNRR. Il volume di dati è tale da rendere impossibile un'analisi manuale approfondita di ogni singolo bilancio. In questo scenario interviene la tecnologia di Rozes, una startup nata nel 2019 e riconosciuta come spin-off dell'Università di Padova. La piattaforma è stata progettata per supportare le attività di due diligence, la verifica delle controparti e le investigazioni antiriciclaggio.

La sperimentazione è già realtà: il sistema è arrivato al Ministero delle Infrastrutture per essere applicato proprio agli appalti legati al Piano Nazionale di Ripresa e Resilienza. L'obiettivo non è sostituire l'analista o l'investigatore, ma fornire un filtro efficiente. In un contesto dove le aziende da controllare possono essere centinaia di migliaia, l'intelligenza artificiale permette di restringere il campo, indicando esattamente dove è necessario concentrare i controlli e gli approfondimenti.

L'impatto strategico per l'imprenditoria onesta è notevole. Ridurre le infiltrazioni della criminalità organizzata negli appalti pubblici significa limitare la concorrenza sleale e proteggere l'integrità del mercato. La tecnologia di Rozes agisce quindi come uno scudo preventivo che potenzia la trasparenza dei processi di assegnazione delle commesse pubbliche.

L'impronta digitale della criminalità

Un bilancio aziendale non è solo un documento fiscale; è un racconto numerico della gestione di un'impresa. Secondo l'approccio di Rozes, questo documento può lasciare tracce statistiche, una sorta di impronta digitale, del modo in cui l'azienda viene amministrata. Quando tale gestione è legata a strutture della criminalità organizzata, emergono anomalie che, sebbene singolarmente possano apparire innocue, diventano sospette se analizzate in modo aggregato.

L'analisi non si focalizza sulla ricerca di una singola voce contabile anomala. Il sistema cerca invece combinazioni ricorrenti di indicatori finanziari e comportamenti societari. È l'insieme di questi segnali a rendere un'azienda sovrapponibile al campione criminale di riferimento. Le anomalie ricercate sono tipicamente associate a fenomeni di riciclaggio, frodi, emissione di fatture false o bancarotta fraudolenta.

Analisi strategica: Per un imprenditore, questo significa che la compliance non è più solo un adempimento formale, ma un asset di reputazione. In un ecosistema dove le banche e le PA inizieranno a usare strumenti di risk intelligence, la qualità della tenuta contabile diventa un requisito di accesso al credito e ai mercati pubblici. La capacità di dimostrare l'assenza di queste 'impronte' digitali sarà fondamentale per superare i processi di verifica delle controparti.

Jacopo Berti e il machine learning

Alla guida di questa innovazione c'è il CEO Jacopo Berti. Sotto la sua gestione, Rozes ha trasformato anni di ricerca accademica in un prodotto commerciale scalabile. La solidità della startup è stata confermata a maggio del 2026, quando l'Ateneo di Padova ha rinnovato formalmente lo status di spin-off universitario. Per questo riconoscimento, l'Università ha valutato criteri rigorosi: la solidità economica della società, i brevetti depositati, i progetti di ricerca e la continuità delle collaborazioni con l'ateneo.

Tuttavia, il cuore tecnologico del progetto risiede nel lavoro di tre ricercatori dell'Università di Padova: Francesco Ambrosini, Michele Fabrizi e Antonio Parbonetti. È il loro studio a fornire la base scientifica su cui poggia l'algoritmo di machine learning. Berti ha saputo traghettare queste evidenze scientifiche verso il mercato, creando una piattaforma che parla il linguaggio del business e della pubblica amministrazione.

Il ruolo di Berti è stato quello di definire i confini etici e operativi dello strumento. Come riportato da Repubblica, l'obiettivo non è creare una macchina che stabilisca chi sia mafioso, ma un sistema di allerta precoce. Questa distinzione è cruciale per evitare falsi positivi che potrebbero danneggiare imprese legittime.

Come funziona il punteggio rischio

Il funzionamento dell'algoritmo si basa sul confronto statistico. Il sistema non opera nel vuoto, ma utilizza un archivio di addestramento estremamente specifico. Il modello di machine learning è stato istruito analizzando i dati di 2.082 imprese che, sulla base di evidenze giudiziarie certe, sono risultate collegate alla criminalità organizzata.

Il processo di valutazione segue questa logica:

• Input: Inserimento dei dati economici e finanziari della società sotto esame.
• Confronto: L'IA incrocia questi dati con i pattern riscontrati nelle 2.082 aziende del campione criminale.
• Analisi combinatoria: Ricerca di set di indicatori contabili che si ripetono in modo simile tra l'azienda analizzata e le aziende colpite da provvedimenti giudiziari.
• Output: Assegnazione di un punteggio di rischio che indica quanto la società sia vicina a realtà note per frodi o riciclaggio.

È fondamentale chiarire che il punteggio non è una condanna. L'algoritmo indica dove potrebbe essere necessario guardare meglio. Se un'azienda riceve un punteggio di rischio elevato, ciò non significa che sia gestita dalla mafia, ma che i suoi bilanci presentano anomalie statisticamente simili a quelle di aziende che in passato sono state condannate per tali legami. Il sistema di Rozes serve dunque a ottimizzare l'allocazione delle risorse investigative.

Risk intelligence tra AI Act e NIS2

L'introduzione di strumenti di risk intelligence basati sull'IA in ambito pubblico e finanziario si inserisce in un quadro normativo europeo sempre più stringente. L'AI Act dell'Unione Europea pone particolare attenzione ai sistemi di intelligenza artificiale utilizzati per scopi di giustizia o per l'accesso a servizi pubblici essenziali, classificandoli spesso come ad alto rischio. In questo senso, la trasparenza dell'algoritmo di Rozes e il fatto che non emetta sentenze automatiche, ma suggerisca approfondimenti umani, sono elementi chiave per la conformità normativa.

Parallelamente, la direttiva NIS2 impone standard di sicurezza e resilienza più elevati per le infrastrutture critiche e i fornitori della catena di approvvigionamento. L'utilizzo di software per la verifica delle controparti diventa quindi un tassello della gestione del rischio operativo. Per le imprese italiane, l'adozione di queste tecnologie significa allinearsi a standard europei di trasparenza e sicurezza.

Scenari futuri e indicatori:

L'espansione di questo modello potrebbe portare a un'integrazione sistematica della risk intelligence nei processi di rating creditizio bancario. Un indicatore verificabile di questa tendenza sarà l'eventuale pubblicazione di protocolli di accordo tra istituti di credito e startup di AI per l'automazione della due diligence antiriciclaggio entro i prossimi 24 mesi.

Un altro scenario riguarda l'estensione del database di addestramento. Se il campione di aziende collegate alla criminalità organizzata dovesse superare le 5.000 unità, la precisione del punteggio di rischio aumenterebbe drasticamente, riducendo i margini di errore. La metrica da osservare sarà l'aggiornamento dei dataset di riferimento citati nei report tecnici della startup.

In sintesi, per l'imprenditore italiano, l'avvento di strumenti come quelli di Rozes segna il passaggio da una compliance formale a una compliance basata sui dati. La capacità di navigare in questo nuovo ecosistema dipenderà dalla trasparenza della propria gestione finanziaria e dalla capacità di integrare processi di controllo preventivo all'interno della propria struttura aziendale.

Domande frequenti

---

Fonti: Libero, Repubblica, Venetoup ·

glacom · Intelligenza artificiale per aziende: i modelli girano sui tuoi server, i dati non escono →