C’è un’operazione che chiunque ha fatto almeno una volta. Cercare informazioni su un’azienda prima di firmare un contratto. Verificare il profilo di un potenziale socio. Ricostruire la storia di un personaggio pubblico che hai letto su un giornale e di cui vuoi capire di più. Si apre Google, si cercano fonti, si prendono appunti. Un’ora dopo si ha la sensazione di aver graffiato la superficie.
Quello è OSINT, nella sua forma più elementare. Open Source Intelligence: la raccolta e l’analisi di informazioni provenienti da fonti pubblicamente accessibili: articoli, registri societari, social media, documenti ufficiali, forum aperti. Non è spionaggio. Non richiede accessi privilegiati. Richiede metodo, pazienza e la capacità di costruire connessioni tra frammenti che, presi singolarmente, non dicono nulla.
La usano i giornalisti investigativi per ricostruire reti di corruzione: Bellingcat ha ricostruito l’abbattimento del volo MH17 usando quasi esclusivamente fonti aperte. La usano le agenzie di intelligence come CIA e FBI per il monitoraggio geopolitico. La usano le forze dell’ordine per le indagini preliminari. La usano investigatori privati, consulenti di rischio e analisti finanziari per due diligence su aziende e persone. E la usano semplici curiosi che vogliono sapere di più su un personaggio che li ha incuriositi. È una disciplina antica nella logica, recente nel nome. E fino a poco tempo fa aveva un limite strutturale che nessuno riusciva ad aggirare: era lenta. Enormemente lenta.
Con l’AI generativa qualcosa è cambiato, non tutto ma la parte che impiegava più tempo.
Dove l’AI guadagna tempo
Chi lavora con le informazioni conosce bene il problema. Hai davanti cinquanta articoli da leggere, tre report in inglese da riassumere, una lista di nomi da incrociare con registri societari pubblici. Sai già cosa cerchi — il problema è il tempo che ci vuole per processare la materia prima.
Un modello AI può leggere cinquanta articoli in pochi secondi. Può estrarne nomi di persone, aziende e luoghi, costruire una timeline degli eventi, identificare relazioni tra soggetti diversi. Può trasformare testo non strutturato in dati analizzabili — una lista di entità pronta per diventare un grafo di connessioni. Può generare una bozza di report strutturato a partire da fonti eterogenee.
Non lo fa meglio di un analista esperto. Lo fa molto più in fretta. Quando comprimi da ore a minuti la fase di raccolta e prima strutturazione, liberi tempo per l’interpretazione, la valutazione critica, il giudizio su ciò che i dati significano nel contesto specifico.
Cosa cambia, in concreto
La trasformazione non riguarda un’unica funzione. Riguarda l’intero flusso.
Il monitoraggio continuo diventa accessibile a chiunque. Sistemi che raccolgono articoli e post, li analizzano con un modello linguistico, generano alert su soggetti specifici: fino a ieri erano appannaggio di strutture con budget importanti. Oggi un singolo professionista con competenze Python moderate può costruire pipeline simili in pochi giorni.
L’analisi delle reti di relazioni accelera in modo significativo. Estrarre da testi le connessioni tra persone, aziende e luoghi richiedeva lavoro manuale certosino. Oggi quella fase si comprime. Strumenti come Maltego e Gephi per la visualizzazione dei grafi, o Neo4j per la gestione dei dati relazionali, esistono da anni: l’AI riempie il passaggio critico tra il testo grezzo e l’input strutturato che questi strumenti sanno elaborare.
La produzione di report cambia natura. Partire da una bozza strutturata invece che da un foglio bianco riduce i tempi e cambia il processo mentale: rivedere e correggere produce un risultato diverso, e spesso migliore, rispetto al costruire da zero.
Il confine che resiste
C’è una frase che sento ripetere spesso: “L’AI non sostituisce l’analista.” È vera. L’AI non sa valutare l’affidabilità di una fonte. Non conosce la storia editoriale di una testata, i conflitti d’interesse di un’organizzazione, la differenza tra una fonte primaria e un sito costruito per diffondere disinformazione. Elabora il testo che gli dai. Non giudica se quel testo merita di essere elaborato.
Non sa leggere il sottotesto. Capire perché una certa notizia è uscita in quel momento, da quella fonte, con quel tono richiede contesto culturale, politico, storico. L’AI riassume. Non interpreta.
E non si assume responsabilità. Se il modello produce un dato sbagliato — e lo potrebbe fare — e tu non verifichi, il problema è tuo. In un campo dove l’output può avere conseguenze reali su persone reali, questo non è un dettaglio tecnico ma il nocciolo della questione professionale.
La trasformazione vera non è nello strumento
Il lavoro di intelligence sulle informazioni pubbliche richiede oggi una figura diversa da quella che richiedeva cinque anni fa. Non un esperto di AI che ha imparato a fare ricerche. Non un analista OSINT che usa ChatGPT per i riassunti. Qualcuno che porta alla conversazione con il modello la competenza che il modello non ha — la capacità di scomporre un problema investigativo in domande precise, di valutare l’output nel contesto, di sapere quando fermarsi e verificare a mano.
La tecnologia ha abbattuto il costo della raccolta. Il giudizio analitico rimane il collo di bottiglia — e nessun modello, per ora, lo risolve.
